Как и мы, вы, вероятно, заметили, что за последние два года большинство дискуссий об искусственном интеллекте в промышленном производстве были сосредоточены на том, что большие языковые модели (LLM) могут сделать для инженеров, планировщиков и других специалистов умственного труда, пишут в корпоративном блоге вице-президенты, главные аналитики Forrester Джордж Лоури и Мишель Пелино.

Поставщики демонстрировали «вторых пилотов», которые обобщают документы, отвечают на вопросы и генерируют контент. Эти возможности важны, но, возможно, именно они в конечном итоге не обеспечат наибольшего влияния на бизнес производителей.

В предыдущих исследованиях мы изучали важность для операционной устойчивости анализа с низкой задержкой и быстрого реагирования. Но теперь у нас есть новые цифровые промышленные платформы и развертывания ИИ, сочетающие промышленную автоматизацию, агентный ИИ и архитектуры, учитывающие особенности периферии.

Наше текущее исследование передовых технологий ИИ в производстве начинается с простой гипотезы: производители создадут больше ценности, если ИИ будет непосредственно участвовать в циклах принятия оперативных решений, чем когда он будет использоваться в основном для поиска информации и генерации контента. Сами по себе модели не создают результатов. Реальная ценность заключается в рабочих процессах, управлении и возможностях выполнения, которые они обеспечивают. Для достижения этих результатов в масштабе производителям необходимы платформы, которые связывают ИИ с выполнением операционных задач.

Следующее поле битвы — гемба: почему промышленный ИИ должен сместиться на периферию

Специалисты по бережливому производству используют термин «гемба» для описания места, где создается ценность. Для производителей это означает производственные линии или ячейки, склады, ремонтные мастерские, логистические центры и сервисные центры. Именно здесь производители диагностируют отказы оборудования, сокращают риски или исключения, связанные с качеством, безопасностью и соответствием нормативным требованиям, корректируют производственные графики, определяют приоритеты технического обслуживания, управляют перебоями в поставках и координируют действия сервисных служб. Они принимают эти решения постоянно и в условиях нехватки времени. Специалист по техническому обслуживанию, устраняющий неполадки в критически важном оборудовании, руководитель, реагирующий на проблему качества, или планировщик, управляющий сбоем в производстве, не всегда могут позволить себе задержки в облаке, зависимости от подключения или длительные циклы обработки. Для них скорость, контекст, отказоустойчивость и доверие часто важнее масштаба модели.

Бóльшие модели не всегда лучше: переход от периферийной аналитики к периферийному интеллекту

В индустрии ИИ обращают много внимания на мощные передовые модели. Однако в производственных сценариях основное внимание часто уделяется переменным, которые модели упускают из виду, — таким факторам, как предсказуемое время отклика, операционная устойчивость или экономическая эффективность. Именно поэтому производители, как правило, внедряют передовые модели ИИ в рамках более широкой архитектуры, а не рассматривают их как универсальное решение.

Формирующийся шаблон напоминает иерархию интеллекта:

  • Передовые модели обеспечивают рассуждения, планирование и координацию.
  • Специализированные промышленные модели предоставляют экспертные знания в области производства.
  • Более мелкие модели, работающие на периферии, обеспечивают быструю локальную поддержку принятия решений (например, в вопросах технического обслуживания и безопасности).
  • Механизмы оптимизации обеспечивают соблюдение инженерных, операционных и бизнес-ограничений.

Фабрика будущего будет полагаться на множество форм интеллекта, работающих вместе, а не на одну доминирующую модель ИИ.