Dirbtinis intelektas gamyboje nėra magija: be strategijos ir duomenų kokybės jis tik didina chaosą

DI gamyboje: nuo tikslo, ne nuo mados

Ekspertai, aptarę dirbtinio intelekto diegimą gamyboje pramonės konferencijoje, sutaria dėl vieno: DI nepadarys tvarkos ten, kur procesai jau dabar nevaldomi. Technologija gali duoti apčiuopiamą naudą, tačiau tik tada, kai sprendžiamas konkretus verslo uždavinys ir iš anksto sutvarkomas pasirengimas.

Pagrindinė klaida, kuri kartojasi skirtingose įmonėse, yra noras diegti DI vien todėl, kad tai skamba moderniai. Praktikai pabrėžia, kad investicijos sėkmę reikia matuoti ne „DI panaudojimu“, o tuo, ar sumažėjo brokas, prastovos, planavimo klaidos, o sprendimai tapo greitesni ir patikimesni.

Be duomenų ir žmonių pasiruošimo DI neveiks

Viena dažniausių kliūčių gamyboje yra duomenų fragmentacija, kai informacija laikoma skirtingose sistemose, kurios tarpusavyje beveik nesusikalba. Tokiu atveju net geriausi algoritmai negali pateikti patikimų įžvalgų, nes „mato“ tik dalį realybės.

Ne mažiau svarbus ir duomenų kokybės klausimas: jei duomenys netikslūs, nepakankami, neaprašyti kontekstu ar renkami nenuosekliai, DI pateiks klaidinančias išvadas. Ekspertai pabrėžia, kad duomenų valdymas tampa esminiu pamatu, o kai kuriais atvejais vien duomenų sutvarkymas duoda efektą net ir be DI.

„Jeigu tikimės, kad dirbtinis intelektas pats išspręs visas problemas, tada jis neišspręs nė vienos“, – sakė vienas diskusijos dalyvių.

Dar viena dažna spraga yra kompetencijos organizacijoje: strategijos dokumento nepakanka, jei jo nesupranta vadovai ir komandos. Kai DI laikomas „juodąja dėže“, sprendimų priėmimas tampa lėtesnis, o atsakomybė išsiskaido, todėl didėja rizika, kad projektas taps brangiu eksperimentu.

Maži pilotai ir aiškūs rodikliai sumažina riziką

Praktikai rekomenduoja pradėti nuo nedidelių pilotinių projektų, kurie leidžia patikrinti visą ciklą: nuo duomenų surinkimo ir paruošimo iki modelio testavimo, diegimo ir priežiūros. Tokie pilotai padeda suprasti, ko trūksta organizacijai, ir realistiškai įvertinti, kiek kainuos sprendimo palaikymas ilgainiui.

Akcentuojama, kad DI projektas nesibaigia paleidimu: modelius dažnai reikia pertreniruoti, stebėti jų tikslumą ir prisitaikymą prie pasikeitusių sąlygų. Jei įmonė neturi žmonių, suprantančių šį procesą, strategija tampa teorinė, o rezultatai nepastovūs.

Ne mažiau svarbu iš anksto apsibrėžti rodiklius, pagal kuriuos bus vertinama sėkmė. Gamyboje tai dažniausiai yra kokybės nuokrypiai, prastovų trukmė, planavimo tikslumas, atsargų lygis, pristatymų laiku dalis ar energijos sąnaudos, tačiau tinkami rodikliai priklauso nuo konkretaus proceso.

Kada užtenka automatizacijos, o kada reikia DI?

Diskusijoje pabrėžta, kad ne kiekviena problema reikalauja dirbtinio intelekto. Jei užduotis gali būti patikimai išspręsta aiškiomis taisyklėmis ar analitiniais metodais, paprastesnė automatizacija dažnai būna pigesnė, greitesnė ir lengviau prižiūrima.

DI labiausiai pasiteisina ten, kur reikia apdoroti didelius duomenų kiekius, kurių žmogus negali efektyviai įvertinti, arba kai sprendžiami vaizdo analizės, anomalijų aptikimo, sudėtingo planavimo ir optimizavimo uždaviniai. Tokiais atvejais DI gali veikti ir „šešėliniu režimu“: sprendimas dirba lygiagrečiai su esamu procesu, o įmonė palygina rezultatus prieš priimdama sprendimą dėl pilno diegimo.

Ypač dažnai kaip praktiškas pavyzdys įvardijama anomalijų identifikacija priežiūroje ir kokybės kontrolėje, kai sistema padeda pastebėti nukrypimus, o galutinį sprendimą priima žmogus. Toks modelis mažina klaidų tikimybę ir kartu padeda išlaikyti atsakomybę ten, kur ji svarbiausia.

DI diegimas yra pokytis, o ne vien įrankis

Ekspertai sutaria, kad sėkmingas DI diegimas gamyboje reiškia verslo pokytį: reikia peržiūrėti procesus, atsakomybes, duomenų surinkimą ir darbuotojų įgūdžius. Vien technologijos įsigijimas nekompensuoja neefektyvių darbo praktikų ir neapibrėžtų tikslų.

Galiausiai akcentuojama, kad reikės vis daugiau tarpdisciplininių kompetencijų: gebėjimo dirbti su duomenimis, suprasti procesus, valdyti pokytį ir kritiškai vertinti rezultatus. Įmonėms tai reiškia nuolatinį mokymąsi, nes DI sprendimai ir jų taikymo praktikos sparčiai keičiasi.