为什么制造商在他们的AI项目中失败
作者：Robert J. Bowman, SupplyChainBrain
人工智能有能力变革制造业——但该行业目前实施它的策略是“根本上存在缺陷的。”
那是Matthew Hart的观点，他是创始人兼首席执行官。Soter Analytics一家制造人工智能驱动的可穿戴设备的公司。
根据一项报告，预计到2030年，制造业中人工智能的市场规模将从2023年的32亿美元激增至646.3亿美元。报告由咨询和技术服务公司提供的SkyQuest技术公司那么，为什么只有五分之一当今制造商部署的生成式AI项目被认为是成功的吗？
哈特提到矿业行业，他在该领域拥有丰富的经验，这是一个尚未完全拥抱人工智能的行业。德勤报告文中提到传统矿业公司面临的多个挑战，包括用于训练AI模型的测试方法较差、抵制创新的文化、对运营和财务回报理解不足以及缺乏先进技术技能。哈特表示，根本问题是大量老旧技术和设备无法轻松改造以适应最新的AI创新。企业试图“将所有这些旧技术拖入一个实际上可以自动化某些决策的AI解决方案中。”
从理论上讲，人工智能技术正是那些希望根据更高的适应性和效率要求来简化运营的公司的理想选择。“他们发现的是，应用范围逐渐扩大，而传统的系统无法满足他们的需求。因此，实施人工智能最终变得相当复杂。”
与AI结合不佳的遗留系统包括企业资源规划、物料需求计划和制造执行系统。此外，几十年前安装的闭路摄像头系统往往没有将收集到的数据传输到集中存储库的方法。可能需要进行昂贵的服务器升级。
还有AI本身并没有完全达到预期的问题。生成式AI仍然遭受“幻觉”的困扰，并提供一些不可靠的建议，完全错误AI模型还需要一段时间才能能够处理从互联网各处收集而来的海量信息，并在需要时提取出正确的答案。
机器学习，作为人工智能的一个核心方面，其本质是通过经验不断改进。但Hart表示，一些用于训练模型所需的数据仍然被束缚在传统应用程序中，无法格式化以供现代系统使用。
对人工智能的热情可能导致过于乐观的功能预期。采用者认为可以将必要的数据输入系统以迅速获得结果。“然后现实就会接踵而至。”
哈特表示，当管理者“把这变成一个巨大的流程”时，他们就会犯错。“我们拒绝参与一些项目，因为我们可以看出这些项目实在太复杂了。”这种策略的规模反而会破坏该倡议的成功。
哈特说，更好的实施AI的方法是分阶段进行，并在整个过程中保持人类的参与。他们仍然需要就诸如安全、质量、生产效率和审计等问题作出最终决定。
Hart认为人们在未来几年内仍将保持在制造业组织中的相关性。一个依赖过去数据的AI应用，无论训练得多么好，都不一定准备好处理尚未发生的事情。这是人类创造力的优势。“我们真的很擅长提出新的系统。”
话说回来，哈特认为人工智能将在企业运营的多个方面发挥越来越重要的作用，尤其是在涉及大量数据的情况下。工作场所安全合规性要求了解成千上万不断变化的规定，这是一个非常适合由AI监控的领域。另一个是设备维护，通用人工智能结合计算机视觉可以处理“前所未有的大规模”状态数据。自动化系统能够并行运行多个场景和工作流程，留给人类工程师确定最佳前进道路。
打算在制造业成功实施人工智能？首先可以使用类似ChatGPT的应用程序来获得“相对不错的答案，但仅限于基本水平”，Hart建议。“然后你可以构建生成式AI工作流程以复制人类思维方式。”
同样重要的是要明确你希望通过AI解决的具体问题。“当你将其分解为一个小而具体的问题时，”哈特说，“你可以构建非常高品质的解决方案。”
暂无评论