skip to Main Content
محتوای اختصاصی کاربران ویژهورود به سایت

فراموشی رمز عبور

با شبکه های اجتماعی وارد شوید

عضو نیستید؟ عضو شوید

ثبت نام سایت

با شبکه های اجتماعی وارد شوید

عضو نیستید؟ وارد شوید

فراموشی رمز عبور

وارد شوید یا عضو شوید

جشنواره نوروزی آنر

اخبار

علی خیرآبادی نویسنده میهمان

گزارش Bain: هوش مصنوعی کلید رشد صنایع تولیدی است

علی خیرآبادی
نویسنده میهمان

۲۹ مرداد ۱۴۰۳

زمان مطالعه : ۹ دقیقه

هوش مصنوعی

با توجه به اهمیت فناوری‌های جدید، ۷۵٪ از صنایع تولیدی، هوش مصنوعی را اولویت اصلی توسعه خود قرار داده‌اند. هوش مصنوعی هم‌اکنون بهره‌وری را در زنجیره‌های ارزش از جمله تهیه، نگهداری و لجستیک بهبود می‌بخشد. علاوه بر این ۷۸٪ از مدیران صنایع مختلف، گسترش کاربردهای هوش مصنوعی و یادگیری ماشین را در رأس اولویت‌های خود قرار داده‌اند.

به گزارش پیوست، شرکت‌های فعال در حوزه ماشین‌آلات و تجهیزات با تقویت توانمندی‌های خود، سرمایه‌گذاری‌های کلانی در زمینه هوش مصنوعی (AI) انجام داده‌اند. بر اساس گزارش شرکت تحقیقات کسب‌وکار (Business Research Company)، بازار هوش مصنوعی در ماشین‌آلات صنعتی، که شامل سخت‌افزار، نرم‌افزار و خدمات هوشمند است، تا سال ۲۰۲۸ به ۵.۴۶ میلیارد دلار خواهد رسید. هوش مصنوعی می‌تواند به مدیران ماشین‌آلات و تجهیزات در مواجهه با مشکلات اصلی مانند نوسانات زنجیره تأمین، فشارهای هزینه و کمبود نیروی کار ماهر کمک کند.

بسیاری از مدیران حوزه ماشین‌آلات به طور زیادی پذیرش هوش مصنوعی را امری مهم و فوری می‌دانند. طبق تحقیقات ۷۵٪ از مدیران در صنایع تولیدی پیشرفته می‌گویند که پذیرش فناوری‌های نوظهور مانند هوش مصنوعی، اولویت اصلی آن‌ها در مهندسی و تحقیق است. با این حال، علی‌رغم اینکه بسیاری از شرکت‌ها حجم زیادی از داده‌ها را جمع‌آوری کرده‌اند که یکی از پیش‌نیازهای اساسی هوش مصنوعی است، اکثر آن‌ها از این داده‌ها استفاده نمی‌کنند.

شرکت‌های پیشرو در حوزه ماشین‌آلات پیشرفته، نمونه‌ای از این موفقیت هستند. قبل از سرمایه‌گذاری در هوش مصنوعی، آن‌ها چالش‌های اصلی کسب‌وکار خود را شناسایی کرده و بررسی می‌کنند که چگونه هوش مصنوعی می‌تواند به بهبود فرآیندها و عملکرد کلی کمک کند. این شامل ارزیابی نحوه استفاده از داده‌ها توسط انواع مختلف هوش مصنوعی، مانند یادگیری ماشین (ML) یا هوش مصنوعی مولد است. شرکت‌های پیشگام از هوش مصنوعی برای حل مشکلات کلیدی در زمینه‌های تهیه، مونتاژ، نگهداری، کنترل کیفیت و لجستیک انبار استفاده می‌کنند.

برخی شروع به استفاده از هوش مصنوعی مولد کرده‌اند تا حجم‌های زیاد داده‌های ساختارنیافته را پردازش کنند و به بهبود کارهای پژوهشی مانند بازیابی و خلاصه‌کردن اطلاعات از سراسر سازمان برای پاسخ به سوالات کارکنان، بپردازند. برخی از مدیران نیز ربات‌های خدماتی هوش مصنوعی مولد هستند که به تکنسین‌های میدانی کمک می‌کنند تا سریع‌تر متوجه نیاز به تعمیرات شوند و کیفیت کار را بهبود بخشند. شرکت هایی که در حال پیشرفت هستند، همچنین راه‌حل‌های هوش مصنوعی را با فرآیندها و سیستم‌های پشتیبان خود ادغام می‌کنند.

فرصت های هوش مصنوعی

هوش مصنوعی اصطلاحی گسترده است که شامل فناوری‌هایی مانند تحلیل داده‌های پایه، یادگیری ماشین، یادگیری عمیق و هوش مصنوعی مولد می‌شود. شرکت‌های موفق ابتدا چالش‌های اصلی کسب‌وکار خود را شناسایی کرده و سپس راه‌حل‌های هوش مصنوعی مناسب برای حل مسائل خاص خود را انتخاب می‌کنند.

اختلالات مداوم مانند کووید-۱۹ و بی‌ثباتی‌های ژئوپلیتیکی سازمان‌ها را مجبور کرده‌اند تا قدرت و پایداری زنجیره تأمین خود را بهبود بخشند. هوش مصنوعی می‌تواند به صورت لحظه‌ای مشکلات زنجیره تأمین را گزارش کند، اختلالات احتمالی را پیش‌بینی کند و برنامه‌ریزی پیشگیرانه‌ای برای کاهش تأثیر مشکلات زنجیره تأمین از دیدگاه کل کسب‌وکار ارائه دهد.

هوش مصنوعی می‌تواند همچنین به پیگیری بهره‌وری کارکنان و اندازه‌گیری هزینه‌ها در تمام سطوح کمک کند. این فناوری به شرکت‌ها این امکان را می‌دهد که مدل‌های کسب‌وکار خود را از صرفاً فروش ماشین‌آلات به ارائه آن‌ها به عنوان سرویس تغییر دهند، به این معنی که پشتیبانی پس از فروش و نگهداری به بخشی از خدمات اصلی تبدیل می‌شود. این شامل استفاده از یادگیری ماشین برای پیش‌بینی زمان نیاز به تعویض تجهیزات یا قطعات است، که باعث کاهش زمان‌ تولید می‌شود.

پیدا کردن منابع انسانی ماهر همچنان یکی از چالش‌های اصلی صنایع تولیدی است، به‌ویژه برای وظایف پیچیده مهندسی نیز هوش مصنوعی به کارکنان اطلاعات و بینش‌های لازم را ارائه می‌دهد تا آن‌ها بتوانند روی فعالیت‌هایی تمرکز کنند که ارزش بیشتری دارند. همچنین، هوش مصنوعی می‌تواند به آموزش و ارتقای مهارت‌های کارکنان جدید کمک کند تا به سرعت وارد کار شوند.

هوش مصنوعی مولد در تولید هنوز در مراحل ابتدایی است. مدل‌های زبانی بزرگ که اساس هوش مصنوعی مولد هستند، روش تعامل افراد با سیستم‌ها و اسناد را به طور بنیادین تغییر می‌دهند. هوش مصنوعی مولد می‌تواند بینش‌های پنهان از داده‌های ساختارنیافته را آشکار کند که می‌تواند بهبودهای چشمگیری در بهره‌وری، خدمات مشتری و عملکرد مالی به همراه داشته باشد.

اولویت‌بندی درست مشکلات کسب‌وکار برای حل کردن

 طبق یک نظرسنجی اخیر از شرکت بین ، بیش از ۹۰٪ از شرکت‌های ماشین‌آلات داده‌های تولید را جمع‌آوری و ذخیره می‌کنند. اما بیشتر آن‌ها نمی‌دانند چگونه از این داده‌ها استفاده درست کنند. یکی از دلایل این اتفاق این  است که درک کافی از جایی که هوش مصنوعی بیشترین بازده را دارد، وجود ندارد.

پیوست

پیشگامان فناوری در حال حاضر از هوش مصنوعی برای حل چالش‌های مختلف زنجیره تأمین مانند کاهش هزینه‌ها در تهیه و پیش بینی مشکلات آینده استفاده می‌کنند. هوش مصنوعی بسیاری از برنامه‌های دیجیتال را که در صنعت اهمیت بالایی دارند، امکان‌پذیر می‌سازد.

کاهش نقص‌های مونتاژ و بهبود کنترل کیفیت

هوش مصنوعی می‌تواند به شناسایی اشتباهات به صورت لحظه‌ای کمک کند تا کارایی مونتاژ و کیفیت محصول بهبود یابد. به عنوان مثال، یک تولیدکننده اصلی ماشین‌آلات از پردازش ویدئویی مبتنی بر هوش مصنوعی استفاده کرد تا فعالیت‌های مونتاژ دستی را پیگیری کند، بررسی‌های کیفیت مونتاژ دستی را به طور خودکار با هوش مصنوعی  انجام دهد و استفاده از منابع و کارکنان را بهینه کند. این راه‌حل‌ها به این تولیدکننده کمک کرد تا نقص‌های فرآیند مونتاژ را تا ۷۰٪ کاهش دهد و تلاش‌های لازم برای بررسی کیفیت را تا ۵۰٪ در برخی خطوط کم کند.

مثال دیگر، تأمین‌کننده مواد برای تولیدکنندگان اصلی ماشین‌آلات از بینایی کامپیوتری برای شناسایی اشیاء خارجی در مواد شیمیایی عمده استفاده کرد، به جای تکیه صرف بر بازرسی‌های دستی. دقت بازرسی خودکار به ۸۰٪ افزایش یافت و به بیش از ۹۹٪ رسید، در مقایسه با بازرسی‌های دستی که عمدتاً به صورت بصری انجام می‌شود.

افزایش بهره‌وری

هوش مصنوعی می‌تواند بهره‌وری کارکنان را به طور چشمگیری افزایش دهد و به شرکت‌هایی که با کمبود نیروی کار مواجه‌اند، کمک کند. یکی از تولیدکنندگان ماشین‌آلات از یک دستیار صنعتی مبتنی بر هوش مصنوعی استفاده کرد که زبان طبیعی را به کد تبدیل می‌کند و زبان‌های برنامه‌نویسی قدیمی را به زبان طبیعی ترجمه می‌کند. این دستیار هر دو کار را سریع‌تر و با کیفیت بالاتری نسبت به برنامه‌نویسان انسانی انجام می‌دهد. طبق نتایج اولیه، مهندسانی که از این راه‌حل هوش مصنوعی استفاده کردند، حدود ۵٪ بهره‌وری بیشتری داشتند. هزینه‌های توقف تولید نیز کاهش یافت زیرا خطاهای پیاده‌سازی داده‌ها کمتر شد و مشکلات سریع‌تر برطرف گردید.

بهبود مدیریت انبار

هوش مصنوعی می‌تواند کمک کند تا انبارها به طور مؤثرتر عمل کنند، به این معنی که کالاهای مناسب را برای برآورده کردن تقاضا نگه‌داری کرده و موجودی اضافی را به حداقل برسانند. برای مثال، یکی از شرکت‌های تجهیزات ماشین‌آلات از سیستم مدیریت موجودی مبتنی بر هوش مصنوعی استفاده کرد که به آن کمک کرد تا از انباشت بیش از حد کالا جلوگیری کند و در عین حال تمام سفارش‌ها را برآورده کند.

هوش مصنوعی همچنین برنامه‌ریزی تولید را انعطاف‌پذیرتر می‌کند، به طوری که شرکت‌ها می‌توانند فعالیت‌های مونتاژ خاص را به متخصصان مناسب در زمان‌های مشخص تخصیص دهند تا بهره‌وری را به حداکثر برسانند. در نتیجه، تولیدکننده می‌تواند به طور همزمان کیفیت محصولات خود را افزایش دهد و فرآیندها را برای برآورده کردن نیازهای منحصر به فرد مشتریان تنظیم کند. هوش مصنوعی به شرکت‌ها این امکان را می‌دهد که بدون تأثیر منفی بر برنامه‌ریزی، بهره‌وری و هزینه‌ها، سفارشی‌سازی و شخصی‌سازی کنند.

عبور از موانع رایج هوش مصنوعی

گسترش هوش مصنوعی و انتقال پروژه‌های موفق از یک خط تولید به خطوط دیگر یا به کارخانه‌های مختلف کار آسانی نیست، اما بسیار مهم است. بر اساس نظرسنجی MIT Technology Review Insights در سال ۲۰۲۲، گسترش موارد استفاده از هوش مصنوعی برای ایجاد ارزش، اولویت اصلی ۷۸٪ از مدیران در صنایع مختلف است. شرکت‌های برتر عملکرد خود را در طول پیاده‌سازی هوش مصنوعی تحت نظر دارند و اطمینان می‌یابند که تمامی هزینه‌ها را در نظر می‌گیرند. در حالی که این موضوع ممکن است واضح به نظر برسد، بسیاری از شرکت‌ها فراموش می‌کنند که هزینه‌های محاسباتی در فضای ابری را ثبت کنند. رهبران همچنین بررسی‌های منظم مدیریتی (مانند هر سه ماه یکبار) انجام می‌دهند تا تصمیمات سرمایه‌گذاری در هوش مصنوعی را دوباره ارزیابی کنند.

نمودار 2

سیستم‌های نرم‌افزاری قدیمی و داده‌های پراکنده می‌توانند مشکلاتی ایجاد کنند زیرا محیط داده‌ای نامنظم و با کیفیت پایین به وجود می‌آورند. بهترین تیم‌ها، سیستم‌ها و پلتفرم‌های تحلیلی را استاندارد می‌کنند تا بتوانند از موارد مختلف هوش مصنوعی استفاده کنند. آن‌ها همچنین از مدل‌های داده‌ی یکپارچه استفاده می‌کنند که به آن‌ها اجازه می‌دهد منابع داده‌ی پراکنده را در یکجا ترکیب کنند.

برای هماهنگی با تغییرات سریع در هوش مصنوعی، رهبران از مؤلفه‌های مدولار (بخش‌های جداگانه و قابل تعویض یک سیستم هستند.) به‌هم‌پیوندی ضعیف، که از طریق میکروسرویس‌ها به هم متصل شده‌اند، استفاده می‌کنند تا تعویض نرم‌افزارها آسان‌تر شود. هنگام ادغام هوش مصنوعی مولد، آن‌ها اطمینان می‌یابند که این مؤلفه‌های جدید به بهبود ساختار داده‌های موجود کمک می‌کنند. شرکت‌های موفق همچنین تأیید می‌کنند که فرآیندها و ابزارهای کارآمد (مانند MLOps/DevOps) در معماری فنی گنجانده شده‌اند تا بتوانند هوش مصنوعی را به صورت مقیاس‌پذیر پیاده‌سازی کنند.

رهبران فناوری در زمینه هوش مصنوعی همچنین به روش آزمایش و یادگیری اعتقاد دارند. مهندسان ماشین‌آلات معمولاً به تفکر دقیق و طراحی محصول کامل تمایل دارند. با این حال، کار با نرم‌افزار و هوش مصنوعی نیاز به رویکرد آزمایش و یادگیری، و شکست سریع با استفاده از روش‌های توسعه چابک است. در پیاده‌سازی‌های موفق هوش مصنوعی، مهندسان کارخانه و کارشناسان هوش مصنوعی به طور نزدیک همکاری می‌کنند تا مدل‌های هوش مصنوعی را ایجاد، آزمایش و اصلاح کنند تا به اهداف شرکت برسند.

جمع بندی

شرکت‌های ماشین‌آلات معمولاً با یافتن مشکل و نگهداری کارکنان با مهارت‌های قوی در زمینه هوش مصنوعی مواجه‌اند. برای ایجاد قابلیت‌های داخلی در زمینه هوش مصنوعی، بسیاری از کارشناسان خارجی هوش مصنوعی استفاده می‌کنند تا به آموزش کارکنان موجود پرداخته و سواد داده‌ای را در سراسر نیروی کار افزایش دهند.

برای حفظ کارکنان ماهر که ممکن است برخی جنبه‌های کار را خسته‌کننده بدانند، شرکت‌های موفق روش‌های مختلفی را به کار می‌برند. برخی از آن‌ها با خودکار کردن وظایف ساده هوش مصنوعی، به متخصصان این امکان را می‌دهند که بر روی کارهای پیچیده‌تر و تحلیل داده‌ها تمرکز کنند. برخی دیگر تیم‌های تخصصی را برای رسیدگی به موارد پیچیده‌تر هوش مصنوعی و حل مشکلات بینش داده‌ها تشکیل می‌دهند.

هوش مصنوعی توجه مدیران ماشین‌آلات را جلب کرده است. با افزایش تعداد شرکت‌هایی که در حال آزمایش و استفاده از راه‌حل‌های جدید هستند، استاندارد صنعت در زمینه بهره‌وری و عملکرد بالاتر می‌رود. شرکت‌هایی که از سرمایه‌گذاری در این زمینه عقب بمانند، باید دو برابر تلاش کنند تا به سرعت پیشرفت‌ها برسند.

منبع: BAIN

https://pvst.ir/ipq

0 نظر

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*

برای بوکمارک این نوشته
Back To Top
جستجو