مزاحمان پذیرش هوش مصنوعی در تولید

به گزارش معاونت بررسی‌‌‌های اقتصادی اتاق بازرگانی تهران، مرکز انقلاب صنعتی‌‌‌ چهارم ترکیه‌‌‌، همراه با پلتفرم مجمع‌‌‌ جهانی‌‌‌ اقتصاد برای شکل‌‌‌ دادن به‌‌‌ آینده تولید پیشرفته‌‌‌ و زنجیره‌های ارزش و پلتفرم شکل‌‌‌دهی‌‌‌ به‌‌‌ آینده فناوری حکمرانی؛ هوش مصنوعی‌‌‌ و یادگیری ماشین، گروه‌هایی‌‌‌ از صنعت‌‌‌، فناوری و کارشناسان دانشگاهی‌‌‌ را برای روشن‌‌‌ کردن چالش‌‌‌ها و پیشنهاد رویکرد گام به‌‌‌ گام برای غلبه‌‌‌ بر آنها گرد هم‌‌‌ آورده است. این‌‌‌ مشاوره‌ها شش‌‌‌‌چالش‌‌‌ اصلی‌‌‌ را بررسی کرده که مانع‌‌‌ پذیرش و مقیاس‎بندی برنامه‌‌‌های کاربردی هوش مصنوعی‌‌‌ در تولید می‌شوند. این شش‌چالش شامل عدم‌تطابق‌‌‌ بین‌‌‌ قابلیت‌‌‌های هوش مصنوعی‌‌‌ و نیازهای عملیاتی‌‌‌، نبود رویکرد استراتژیک‌‌‌ و ارتباطات رهبری، مهارت‌های ناکافی‌‌‌ در حوزه مشترک هوش مصنوعی‌‌‌ و عملیات تولید، در دسترس بودن داده‌ها و نبود ساختار حکمرانی‌‌‌ داده، فقدان مدل‌های هوش مصنوعی‌‌‌ قابل‌‌‌ توضیح‌‌‌ در بخش‌‌‌ تولید و تلاش‌های قابل‌توجه‌‌‌ سفارشی‌‌‌سازی در سراسر عملیات تولید است.

بررسی‌‌‌ها نشان می‌دهد که‌‌‌ تولیدکنندگان پیشرو با موفقیت ‌‌‌بر چالش‌‌‌های ذکرشده غلبه‌‌‌ کرده‌اند. با اجرای انواع برنامه‌‌‌های کاربردی هوش مصنوعی‌‌‌ و تاثیر مثبت‌‌‌ بر عملکرد عملیاتی‌‌‌، پایداری و مشارکت‌‌‌ نیروی کار، عمدتا در شش‌‌‌‌حوزه شامل‌‌‌ سلامت‌‌‌ و ایمنی‌‌‌، کیفیت‌‌‌، تعمیر و نگهداری، فرآیندهای تولید، زنجیره تامین‌‌‌ و مدیریت‌‌‌ انرژی ایجاد شده است‌‌‌. این ‌‌‌مطالعه‌‌‌ نشان داده است‌‌‌ که‌‌‌ می‌‌‌توان با یک‌‌‌ رویکرد کل‌نگر، پتانسیل‌‌‌های دست‌نخورده هوش مصنوعی‌‌‌ را کشف ‌‌‌کرد. توسعه‌‌‌ برنامه‌‌‌های کاربردی مبتنی‌‌‌ بر هوش مصنوعی‌‌‌ با بسترسازی و برخی‌‌‌ مراحل‌‌‌ اساسی‌‌‌ آغاز می‌شود و با یک‌‌‌ رویکرد گام به‌‌‌ گام و مرحله‌‌‌ای و مجموعه‌‌‌ ابزار موردنیاز، بخش‌‌‌ تولید می‌‌‌تواند چشم‌اندازهای جدیدی را برای غلبه‌‌‌ بر چالش‌‌‌های مهم‌‌‌ خود به‌‌‌ دست ‌‌‌آورد.

باز کردن قفل‌‌‌ ارزش در تولید از طریق‌‌‌ هوش مصنوعی‌‌‌

انقلاب هوش مصنوعی‌‌‌ تبدیل‌‌‌ مقادیر زیادی از داده‌ها به‌‌‌ بینش‌‌‌ها و پیش‌بینی‌‌‌های عملی را‌‌‌ امکان‌پذیر می‌کند که‌‌‌ می‌‌‌توانند انگیزهایی برای فرآیندهای داده‌محور ایجاد کنند. شرکت‌های تولیدی با استفاده از مکانیزم‌های مختلف‌‌‌، ارزش را از هوش مصنوعی‌‌‌ می‌‌‌گیرند که‌‌‌ رایج‌‌‌‌ترین آنها حذف کارهای زائد، حل‌‌‌ مشکلات موجود و آشکار کردن ارزش‌های پنهان با تجزیه‌‌‌ و تحلیل‌‌‌ و شناسایی‌‌‌ الگوها در داده‌هاست. هوش مصنوعی ‌‌‌برای تقویت‌‌‌ وظایفی‌‌‌ مانند طبقه‌بندی، تخمین‌‌‌ مستمر، خوشه‌‌‌بندی، بهینه‌‌‌سازی، تشخیص‌‌‌ ناهنجاری، رتبه‌بندی، توصیه‌‌‌ها و تولید داده برای حل‌‌‌ مشکلات صنعتی‌‌‌ استفاده می‌شود.

رایزنی‌‌‌ با مدیران ارشد پلتفرم مجمع‌‌‌ جهانی‌‌‌ اقتصاد برای شکل‌‌‌دهی‌‌‌ به‌‌‌ آینده تولید پیشرفته‌‌‌ و زنجیره‌های ارزش و پلتفرم شکل‌‌‌‌دهی‌‌‌ به‌‌‌ آینده حکمرانی‌‌‌ فناوری: هوش مصنوعی‌‌‌ و یادگیری ماشین و همچنین‌‌‌ اعضا و شرکای مرکز انقلاب صنعتی‌‌‌چهارم ترکیه‌‌‌، مشخص‌‌‌ می‌کند که‌‌‌ هوش مصنوعی‌‌‌ می‌‌‌تواند به‌‌‌ ایجاد تغییر کلی‌‌‌ در تولید کمک‌‌‌ کند و مزایای قابل‌توجهی در حوزه‌‌‌های عملکرد عملیاتی‌‌‌ با خودکارسازی و بهینه‌‌‌‌سازی فرآیندها و وظایف‌‌‌ معمول، افزایش‌‌‌ بهره‌وری و کارآیی ‌‌‌عملیاتی‌‌‌، بهبود کیفیت‌‌‌ (به‌‌‌‌عنوان مثال کاهش‌‌‌ عیوب، پیش‌بینی‌‌‌ خرابی‌‌‌‌های ناخواسته‌‌‌) و بهینه‌‌‌‌سازی پارامترهای تولید، پایداری با بهینه‌‌‌‌سازی مصرف مواد و انرژی، افزایش‌‌‌ بازده انرژی، کاهش‌‌‌ نرخ ضایعات و افزایش‌‌‌ طول عمر دستگاه، افزایش‌‌‌ کارآمدی نیروی کاری با هدایت‌‌‌ فرآیند تصمیم‌گیری و تنظیم ‌‌‌پارامترها و افزایش‌‌‌ دقت‌‌‌ پیش‌بینی‌‌‌ها داشته باشد.

موانع‌‌‌ مشترک برای پذیرش هوش مصنوعی‌‌‌ صنعتی‌‌‌

با وجود این‌‌‌ پتانسیل‌‌‌، شرکت‌ها هنوز به‌‌‌ طور کامل‌‌‌ چشم‌‌‌انداز سیستم‌های تولیدی مبتنی‌‌‌ بر هوش مصنوعی‌‌‌ را درک نکرده‌اند. به‌منظور باز کردن ارزش دست‌‌‌‌نخورده هوش مصنوعی‌‌‌ صنعتی‌‌‌، مشخص‌‌‌ کردن منبع‌‌‌ تلاش‌های یک‌‌‌ شرکت‌‌‌ و تعریف‌‌‌ موانع‌‌‌، مسیر جدیدی را برای اندیشیدن و استخراج راه‌حل‌‌‌های مناسب‌‌‌ برای غلبه‌‌‌ بر آنها باز می‌کند. از آنجا که‌‌‌ موانع‌‌‌ پذیرش هوش مصنوعی‌‌‌ عمدتا سازمانی‌‌‌، استراتژیک‌‌‌ و فنی‌‌‌ است، درک آنها به‌‌‌ شناسایی‌‌‌ مسیری برای پیاده‌سازی برنامه‌‌‌های کاربردی هوش مصنوعی‌‌‌ مقیاس‌پذیر کمک‌‌‌ می‌کند. رایزنی‌‌‌ با بیش‌‌‌ از ٣٥مدیر ارشد عملیات، کارشناسان فناوری و دانشگاهیان، شش‌‌‌‌چالش‌‌‌ را شناسایی‌‌‌ کرده است‌‌‌ که‌‌‌ مانع‌‌‌ پذیرش هوش مصنوعی‌‌‌ در تولید و زنجیره ارزش می‌شوند.

نبود تطابق‌‌‌ بین‌‌‌ قابلیت‌‌‌های هوش مصنوعی‌‌‌ و نیازهای عملیاتی‌‌‌

تولیدکنندگان اغلب‌‌‌ پروژه‌های هوش مصنوعی‌‌‌ را براساس قابلیت‌‌‌های فنی‌‌‌ موجود به‌‌‌ جای تمرکز بر تاثیر بر عملیات تجاری انتخاب می‌کنند. تطابق‌‌‌ بین‌‌‌ نقاط فشار کسب‌وکار و فناوری‌های هوش مصنوعی‌‌‌ همیشه‌‌‌ به‌‌‌ طور کامل‌‌‌ در نظر گرفته‌‌‌ نمی‌شود. بنابراین‌‌‌، راه‌حل‌‌‌های هوش مصنوعی‌‌‌ ممکن‌‌‌ است‌‌‌ از نظر فنی‌‌‌ امکان‌پذیر باشند، اما نتوانند یک‌‌‌ مشکل‌‌‌ مرتبط‌‌‌ و تاثیرگذار را حل‌‌‌ کنند.

این‌‌‌ عملیات باعث‌‌‌ عدم‌تطابق‌‌‌ انتظارات و مانع‌‌‌ پذیرش گسترده‌تر آنها در تولید می‌شود. ساختن‌‌‌ یک‌‌‌ مورد تجاری محکم‌‌‌ با رویکردی مشکل‌‌‌گرا که‌‌‌ نیازهای کسب‌وکار را به‌‌‌وضوح تعریف‌‌‌ می‌کند و ارزش یک‌‌‌ راه‌حل‌‌‌ هوش مصنوعی‌‌‌ را در مقایسه‌‌‌ با راه‌حل‌‌‌های جایگزین‌‌‌ مشخص‌‌‌ می‌کند، اولین‌‌‌ قدم‌ها برای غلبه‌‌‌ بر این ‌‌‌مانع‌‌‌ به‌منظور پذیرش است‌‌‌.

فقدان رویکرد استراتژیک‌‌‌ و ارتباطات رهبری

استراتژی هوش مصنوعی‌‌‌ و برنامه‌‌‌ ارتباطی‌‌‌ واضح‌‌‌ در شرکت‌ها اغلب‌‌‌ نادیده گرفته‌‌‌ می‌شود. بدون حامیان مالی‌‌‌ مناسب‌‌‌ و رهبران متعهد برای شروع گفت‌وگو و جمع‌‌‌‌آوری نیاز از کاربران نهایی‌‌‌، نصب‌‌‌ برنامه‌‌‌های هوش مصنوعی‌‌‌ در سراسر شرکت ‌‌‌امکان‌پذیر نیست‌‌‌. از آنجا که‌‌‌ هوش مصنوعی‌‌‌ روش‌های کار را تغییر می‌دهد، بی‌‌‌میلی‌‌‌ نیروی کار می‌تواند مانع‌‌‌ بزرگی‌‌‌ در عمل‌‌‌ باشد. اما برقراری ارتباط با رویکردهای استراتژیک و تبیین‌‌‌ مزایا و فرآیندهای جدید می‌‌‌تواند به‌‌‌ افزایش‌‌‌ تمایل‌‌‌ کاربران نهایی‌‌‌ برای پذیرش آن در کارهای روزمره کمک‌‌‌ کند.

مهارت‌های ناکافی‌‌‌ در حوزه مشترک هوش مصنوعی‌‌‌ و عملیات

مشاوران خارجی‌‌‌ یا کارشناسان فناوری اطلاعات که‌‌‌ درک محدودی از الزامات تولید در سطح‌‌‌ محیط‌‌‌ عملیاتی‌‌‌ تولید دارند، اغلب‌‌‌ پروژه‌های هوش مصنوعی‌‌‌ را رهبری می‌کنند. با این‌‌‌حال، برای موفقیت‌‌‌ برنامه‌‌‌های کاربردی نیازمند هوش مصنوعی، این‌‌‌ افراد باید در قالب‌‌‌ تیم‌‌‌هایی‌‌‌ توسعه‌‌‌ یابند و پیاده‌سازی توسط‌‌‌ تیم‌‌‌‌های متقابل‌‌‌ با تخصص‌‌‌‌های متنوع در زمینه‌‌‌ همگرایی‌‌‌ فناوری اطلاعات، فناوری عملیاتی‌‌‌، داده‌ها و فناوری‌های هوش مصنوعی‌‌‌ می‌‌‌تواند به‌‌‌ موفقیت‌‌‌ پروژه‌ها در محیط‌‌‌ عملیاتی‌‌‌ تولید کمک‌‌‌ شایانی‌‌‌ کند. این‌‌‌ امر مستلزم ارتقای مهارت نیروی کار و جذب استعدادهای جدید در تولید است‌‌‌.

دردسترس بودن داده‌ها و نبود ساختار حکمرانی‌‌‌ داده

استفاده از مدل‌های یادگیری ماشینی‌‌‌ نیازمند آموزش روی مقادیر زیادی از داده‌ها برای تشخیص‌‌‌ الگوها و روابط‌‌‌ است‌‌‌. با این‌‌‌حال، شرکت‌های تولیدی اغلب‌‌‌ بر مجموعه‌‌‌ داده‌های کوچک‌‌‌ و داده‌های تکه‌تکه‌‌‌ تکیه‌‌‌ می‌کنند که‌‌‌ مانع‌‌‌ از دقت‌‌‌ بینش‌‌‌های حاصل‌‌‌ می‌شود. حتی‌‌‌ در صورت موجود بودن، این‌‌‌ مجموعه‌‌‌داده‌ها ممکن‌‌‌ است‌‌‌ موارد شکست‌‌‌ مناسب‌‌‌ یا موقعیت‌‌‌‌های فرآیند مربوطه‌‌‌ را نشان ندهند و عمدتا قابل‌‌‌ تعامل‌‌‌ نیستند.

ایجاد‌‌‌ منبع‌‌‌ اطلاعاتی‌‌‌ واحد تضمین‌‌‌ می‌کند که‌‌‌ کسب‌وکارها براساس داده‌های استانداردشده و مرتبط‌‌‌ در سراسر سازمان عمل‌‌‌ می‌کنند. برای غلبه‌‌‌ بر این‌‌‌ چالش‌‌‌، به‌‌‌‌اشتراک‌گذاری داده‌ها در سراسر مرزهای شرکت‌ها می‌‌‌تواند از تلاش‌های مشترک برای اتخاذ تکنیک‌‌‌‌های هوش مصنوعی‌‌‌ در بخش‌‌‌ تولید حمایت‌‌‌ کرده و به‌‌‌ نوبه‌‌‌ خود بر مجموعه‌‌‌ای از عوامل‌‌‌ موفقیت‌‌‌ سازمانی‌‌‌ و فناوری تکیه‌‌‌ کند.

فقدان مدل‌های هوش مصنوعی‌‌‌ قابل‌‌‌ توضیح‌‌‌ در بخش‌‌‌ تولید

درک مدل‌های هوش مصنوعی‌‌‌ به‌‌‌ عنوان سیستم‌های پیچیده، غیرشفاف و غیرقابل‌‌‌ تفسیر، مانع‌‌‌ استقرار آنها می‌شود. تولیدکنندگان به‌‌‌ مدل‌های هوش مصنوعی‌‌‌ نیاز دارند که‌‌‌ برای ایجاد اعتماد در پیش‌بینی‌‌‌ها و نتایج‌‌‌ خاص یا قابل‌‌‌ تفسیر برای کارشناسان حوزه در جهت پذیرش آنها باز و شفاف باشند. پیش‌بینی‌‌‌های ارائه‌‌‌‌شده توسط‌‌‌ هوش مصنوعی‌‌‌ باید معنادار و قابل‌‌‌ توضیح‌‌‌، دقیق‌‌‌ و دارای مکانیزم هشداردهنده برای به‌‌‌ حداقل‌‌‌ رساندن خطرات باشند. ابزارها و تکنیک‌‌‌های قابل‌‌‌ توضیح‌‌‌ هوش مصنوعی‌‌‌به‌‌‌ متخصصان اجازه می‌دهند تا نتایج‌‌‌ خود را در قالبی‌‌‌ توجیه‌‌‌ کنند که‌‌‌ کاربران سازنده بتوانند آن را درک کنند. هرچه‌‌‌ اعتماد به‌‌‌ خروجی‌‌‌ مبتنی‌‌‌ بر هوش مصنوعی‌‌‌ بیشتر باشد، استقرار هوش مصنوعی‌‌‌ سریع‌‌‌‌تر و گسترده‌تر می‌‌‌تواند اتفاق بیفتد.

تلاش‌های قابل‌توجه‌‌‌ برای سفارشی‌‌‌‌سازی در سراسر عملیات تولید

کارخانه‌‌‌ها سیستم‌های مهندسی‌‌‌ پیچیده‌ای هستند و مدل‌های هوش مصنوعی‌‌‌ برای تطبیق‌‌‌ با هر فرآیند و مطابقت‌‌‌ با محدودیت‌های آن به‌‌‌ پیکربندی نیاز دارند. از این‌‌‌‌رو نمی‌توان به‌‌‌‌سادگی‌‌‌ مدل‌های آموزش‌دیده هوش مصنوعی‌‌‌ را از یک‌‌‌ مورد کاربرد تولیدی به‌‌‌ مورد دیگر اعمال کرد. طراحی‌‌‌ یک‌‌‌ مجموعه‌‌‌ یادگیری ماشین‌‌‌ و پیش‌‌‌پردازش، آموزش و آزمایش ‌‌‌مدل‌های هوش مصنوعی‌‌‌ برای سفارشی‌‌‌‌سازی نیاز به‌‌‌ مداخله‌‌‌ دستی‌‌‌ دارد که‌‌‌ هنوز کاملا خودکار نیست‌‌‌. علاوه بر این‌‌‌، شرکت‌های صنعتی‌‌‌ برای یافتن‌‌‌ سخت‌افزار و نرم‌افزار تجاری در دسترس با ویژگی‌‌‌های هوش مصنوعی‌‌‌ که‌‌‌ نیاز به‌‌‌ سفارشی‌‌‌‌سازی جزئی‌‌‌ دارند، تلاش می‌‌‌کنند. روشن‌‌‌کردن این‌‌‌ چالش‌‌‌ها و درک آنها می‌‌‌تواند به‌‌‌ شناسایی‌‌‌ راه‌حل‌‌‌ها و رویکردهای مناسب‌‌‌ برای غلبه‌‌‌ بر آنها کمک ‌‌‌کند.

فرصت‌‌‌های هوش مصنوعی

هوش مصنوعی‌‌‌ می‌‌‌تواند برخی‌‌‌ از پایدارترین‌‌‌ مشکلات در تولید را حل‌‌‌ کند و فرصت‌‌‌های جدیدی خلق‌‌‌ کند که‌‌‌ به‌‌‌ شرکت‌ها اجازه می‌دهد عملکرد عملیاتی‌‌‌ خود را افزایش‌‌‌ دهند، دستور کار پایداری را پیش‌‌‌ ببرند و نیروی کار را توانمند کنند. در حالی که‌‌‌ چالش‌‌‌های سازمانی‌‌‌ و فناوری هنوز مانع‌‌‌ استقرار برنامه‌‌‌های کاربردی هوش مصنوعی‌‌‌ در مقیاس بزرگ هستند، تولیدکنندگان پیشرو با موفقیت‌‌‌ از پتانسیل‌‌‌ مشتق‌شده از هوش مصنوعی‌‌‌ استفاده کرده و طیف‌‌‌ گسترده‌ای از موارد کاربرد را برای سلامت‌‌‌ و ایمنی‌‌‌، کیفیت‌‌‌، تعمیر و نگهداری، فرآیند تولید، زنجیره‌های تامین و مدیریت‌‌‌ منابع‌‌‌ و انرژی با استفاده از یک‌‌‌ رویکرد گام به‌‌‌ گام توسعه‌‌‌ داده‌اند. مدیران ارشد شرکت‌ها می‌‌‌توانند برنامه‌‌‌های کاربردی مرتبط‌‌‌ را شناسایی‌‌‌ کرده و با موفقیت‌‌‌ آنها را پیاده‌سازی کنند.دیجیتالی‌‌‌ شدن و هوش مصنوعی‌‌‌ می‌‌‌توانند عصر جدیدی را برای بهبود مستمر در تولید فراتر از ابزارهای سنتی‌‌‌ افزایش‌‌‌ بهره‌وری ایجاد و در نتیجه‌‌‌ ارزش بیشتری خلق‌‌‌ کنند. اگرچه‌‌‌ سازندگان پیشرو قبلا از مزایای قابل‌توجهی‌‌‌ از برنامه‌‌‌های هوش مصنوعی‌‌‌ بهره برده‌اند، اما برخی‌‌‌ هنوز در تلاش برای شروع و به‌‌‌ دنبال چارچوب مشترکی‌‌‌ هستند که‌‌‌ راه را برای استقرار هوش مصنوعی‌‌‌ در تولید با بازگشت‌‌‌ سرمایه‌‌‌ مثبت‌‌‌ هموار کند.