การควบคุมพลังของ AI

ปัญญาประดิษฐ์เป็นเทคโนโลยีล่าสุดและอาจเปลี่ยนแปลงเกมได้มากที่สุดในการเข้าสู่โลกการผลิตในรอบหลายทศวรรษ ในภาคส่วนบรรจุภัณฑ์และการแปรรูปจำนวนมากใช้ AI มาหลายปีแล้ว โดยอาจไม่ทราบว่า AI เป็นส่วนหนึ่งของการใช้งานในชีวิตประจำวันของเครื่องจักรบางเครื่องอยู่แล้ว OEM จัดสัมมนาผ่านเว็บเรื่องการควบคุมพลังของ AI ร่วมกับ David McGraw ผู้อำนวยการอาวุโสของ Alvarez และ Marsal เพื่อหารือเกี่ยวกับหัวข้อนี้ วิธีนำ AI ไปใช้ในการผลิตแล้ว และจุดที่สามารถนำไปใช้ได้ในอนาคต หากต้องการดูการบันทึกการสัมมนาผ่านเว็บแบบออนดีมานด์ คลิกที่นี่ ด้านล่างนี้เป็นสำเนาสรุปของการสนทนา Sean Riley: ฉันได้อ่านบทความใน Axios เมื่อเร็วๆ นี้ว่าสหรัฐอเมริกาเป็นหนึ่งในประเทศที่ยอมรับช้าที่สุดและมีแง่บวกน้อยที่สุดเกี่ยวกับ AI ว่าเป็นประโยชน์ต่อสถานที่ทำงาน ทำไมคุณถึงคิดว่าคนอเมริกันโดยทั่วไปลังเลที่จะยอมรับ AI โดยเฉพาะในที่ทำงาน David McGraw:เป็นคำถามที่ฉันคิดมาก มีเหตุผลหลายประการ หนึ่งในนั้นอาจมีความกลัวเล็กน้อย แต่นั่นก็ไม่ใหญ่เท่ากับที่ผู้คนคุ้นเคยกับการทำงานในแบบที่พวกเขาเคยทำมาโดยตลอด พวกเขาพบว่าตัวเองหรืออย่างน้อยก็รับรู้ถึงงานของตัวเองมีประสิทธิผลมาก บางคนอาจรู้สึกว่าพวกเขามีแบนด์วิธที่จำกัดในการทำงานระบบหรือซอฟต์แวร์ใหม่ เช่น AI ในกระบวนการทำงานประจำวัน ฉันคิดว่ามันใหญ่พอๆ กับสิ่งอื่นๆ ยิ่งไปกว่านั้น AI ยังคงเป็นกล่องดำสำหรับหลายๆ คนในท้ายที่สุด ซึ่งนั่นก็ทำให้บางคนปิดตัวลง Sean Riley:คุณเชื่อไหมว่าผู้คนกลัวว่า AI จะมาแย่งงานของพวกเขา David McGraw: คำถามนั้นซับซ้อนขึ้นเล็กน้อยในการตอบทุกวัน ความเห็นของผม อย่างน้อยในระยะสั้นคือ ผมไม่คิดว่า AI จะเข้ามาแย่งงานของคุณ แต่คนที่ยอมรับ AI และทำให้มันเป็นส่วนหนึ่งของขั้นตอนการทำงานในแต่ละวันจะมีโอกาสที่ดีกว่ามากในการรับงานของคุณ ตัวอย่างที่ฉันยกให้คือ หากคุณมีคนที่ประสบความสำเร็จในการใช้ AI ในเวิร์กโฟลว์และทำงานได้อย่างมีประสิทธิภาพมากขึ้นสอง สาม สี่ หรือแม้แต่สิบเท่า แน่นอนว่าบริษัทไม่ต้องการคนจำนวนมากในการทำงานนั้น เป็นการทำงานร่วมกันระหว่างมนุษย์กับ AI จริงๆ Sean Riley: คุณเปรียบเทียบสถานะปัจจุบันของ AI กับเวลาที่อินเทอร์เน็ตเข้ามามีบทบาท David McGraw: ฉันยังสามารถให้การเปรียบเทียบที่ฉันชอบใช้ได้อีกด้วย บางทีผมอาจเริ่มด้วยการเปรียบเทียบ แล้วเราลอกมันกลับมาได้ งานแรกของฉันเมื่อออกจากวิทยาลัยคือเป็นโปรแกรมเมอร์ ฉันจำได้ว่านั่งอยู่ข้างๆ คนที่อายุมากกว่าฉัน และพวกเขาก็มีวิธีการทำสิ่งต่างๆ หากคุณเป็นนักเทคโนโลยี คุณจะไม่มีวันเขียนโค้ดที่สมบูรณ์แบบได้ และไม่สามารถทำได้ทันที คุณกำลังแก้ไขข้อบกพร่องจำนวนมากและค้นคว้าข้อมูลเพื่อทำความเข้าใจปัญหาให้ดียิ่งขึ้น ฉันจะใช้อินเทอร์เน็ตเพราะเพิ่งออกจากวิทยาลัย อินเทอร์เน็ตเริ่มได้รับความนิยม และโดยทั่วไปแล้วก็มีข้อมูลที่ดี ฉันจะค้นหาคำตอบด้วยระบบอิเล็กทรอนิกส์หรือเปิด PDF ของคู่มืออ้างอิงแล้วค้นหาในนั้น แต่คนที่ฉันทำงานด้วยมักจะหัวเราะเมื่อพวกเขานำกระบอกล้อบรรจุคู่มืออ้างอิงจำนวน 10,000 หน้าเข้ามา และพูดว่า “คำตอบทั้งหมดของคุณอยู่ที่นี่” ประเด็นก็คือการใช้อินเทอร์เน็ตมีประสิทธิภาพมากกว่ามาก ภายในไม่กี่ปี ฉันก็ไม่เห็นคนเหล่านั้นอีกต่อไป พวกเขาหายตัวไปจากงานและอาจลาออกจากงานไปเลยเพราะพวกเขาไม่เต็มใจที่จะปรับตัวเข้ากับเทคโนโลยีใหม่ๆ ฉันมองว่า AI มีการเปลี่ยนแปลงมากขึ้น เมื่อใช้อินเทอร์เน็ต จะใช้เวลาประมาณเจ็ดปีหรือมากกว่านั้นในการสร้างรายได้ จากนั้นเราย้ายไปที่แอปบนอุปกรณ์เคลื่อนที่ และช่วงวิกฤตจริงๆ ที่ทำให้แอปบนอุปกรณ์เคลื่อนที่ก้าวขึ้นมาอยู่แถวหน้าและให้โอกาสมากมายในการสร้างรายได้ ตอนนี้ AI มาถึงแล้ว ซึ่งไม่ว่าจะด้วยเหตุผลใดก็ตาม ต้องใช้เวลานานกว่าจะหาการนำมาใช้ ฉันคิดว่าเนื่องจาก generative AI การมุ่งเน้นไปที่ AI ไม่ว่าจะเป็นโมเดล AI แบบดั้งเดิมหรือรุ่นใหม่บางรุ่น แม้ว่าอินเทอร์เน็ตและแอปมือถือจะใช้เวลาเจ็ดหรือแปดปีในการหาวิธีสร้างรายได้ แต่นั่นไม่ใช่กรณีของ AI ฉันคิดว่าสิ่งนี้จะสร้างรายได้ได้เร็วกว่าที่เราเคยเห็นในอดีตมาก แต่เมื่อฉันเชื่อมโยงทั้งสองเข้าด้วยกัน (อินเทอร์เน็ตและ AI) ฉันกำลังเชื่อมโยงความจริงที่ว่า AI คือการเปลี่ยนแปลง ไม่ใช่อุปกรณ์หรือแอป มันเป็นเทคโนโลยีการเปลี่ยนแปลงที่จะเปลี่ยนแปลงวิธีที่เราทำสิ่งต่างๆ Sean Riley:คุณช่วยยกตัวอย่างทั่วไปว่าบริษัทด้านการผลิตใช้ AI ไปแล้วซึ่งอาจทำให้ผู้คนประหลาดใจได้อย่างไร เดวิด แมคกรอว์:มีบางอย่างที่ชัดเจน เช่น การบำรุงรักษาเชิงคาดการณ์ นั่นเป็นกรณีการใช้ผลไม้แบบแขวนต่ำ ฉันคิดว่านี่เป็นหนึ่งในกรณีการใช้งานที่ใช้กันทั่วไปมากกว่า เนื่องจากทุกคนสามารถเข้าใจเป้าหมายได้ง่าย แต่ก็ไม่ใช่กรณีการใช้งานที่ง่ายมากที่จะนำไปใช้ ขึ้นอยู่กับปริมาณข้อมูลที่คุณมีและสิ่งที่ต้องใช้เพื่อให้ได้ข้อมูล อีกอย่างคือการควบคุมคุณภาพ เมื่อคุณมีระบบตรวจสอบด้วยภาพในพื้นที่ต่างๆ ในสายการผลิตหรือตลอดกระบวนการผลิต ระบบเหล่านั้นบางส่วนมีมานานแล้ว มีการเพิ่มประสิทธิภาพห่วงโซ่อุปทาน และเมื่อฉันพูดถึงการเพิ่มประสิทธิภาพห่วงโซ่อุปทาน มีหลายวิธีในการดู คุณสามารถดูได้จากมุมมองด้านลอจิสติกส์ ตั้งแต่การคาดการณ์ความต้องการไปจนถึงการปรับเส้นทางการจัดส่งให้เหมาะสม ไปจนถึงการจัดการระดับสินค้าคงคลัง นั่นเป็นกรณีการใช้งานที่เป็นไปได้มากมายและกว้างใหญ่ ฉันไม่รู้จักบริษัทใดที่ใช้เทคโนโลยีเหล่านั้นได้ดีกว่า Amazon Amazon ใช้งานโมเดลแมชชีนเลิร์นนิงนับล้านอยู่เบื้องหลังเพื่อคาดการณ์ว่า Sean Riley จะซื้ออะไร และจะทำให้แน่ใจว่าคลังสินค้าที่อยู่ใกล้คุณที่สุดจะมีผลิตภัณฑ์เหล่านั้น ดังนั้นเมื่อคุณสั่งซื้อ คุณจะได้รับภายใน 24 ชั่วโมง จากมุมมองของ Amazon AI ได้สร้างความแตกต่างอย่างมาก กรณีการใช้งานอีกประการหนึ่งที่ได้รับความนิยมมากขึ้นคือการจัดการพลังงาน โดยเกี่ยวข้องกับการพยายามทำความเข้าใจว่าควรใช้พลังงานอย่างไรและเมื่อใดได้ดีที่สุดเพื่อลดค่าใช้จ่ายบางส่วนลงพร้อมทั้งลดการใช้พลังงานไปด้วย มีระบบทุกประเภทเพื่อช่วยในเรื่องนี้ ความสามารถในการคาดเดาหรือการเรียนรู้ของเครื่องมีมากน้อยเพียงใดในระบบเหล่านั้นบางระบบ ฉันไม่สามารถพูดได้อย่างแน่นอน แต่ฉันคิดว่านั่นจะเป็นประเด็นที่มุ่งเน้นในอนาคต สิ่งสุดท้ายที่ฉันจะพูดถึงคือความปลอดภัยของพนักงาน ฉันเคยทำงานกับกรณีการใช้งานเหล่านี้มาบ้างแล้วในอดีต แม้ว่านี่จะเป็นเรื่องยาก เนื่องจากมีประโยชน์มากมาย แต่ก็มีข้อกังวลด้านกฎหมายอยู่บ้าง ดูเหมือนว่าจะมีบางอย่างที่ต้องห้ามในการติดตามผู้คนและวิธีการทำงานของพวกเขา แม้ว่าจะเป็นการปรับปรุงความปลอดภัยในที่ทำงานก็ตาม ยังมีแง่มุมอื่นอีก โดยเฉพาะเกี่ยวกับสหภาพแรงงานด้วย เพราะตอนนี้คุณมีพรรคอื่นที่คุณต้องทำให้พอใจแล้ว มันไม่ใช่วิธีที่ง่ายที่สุด Sean Riley:เมื่อคำนึงถึงตัวอย่างเหล่านี้และตัวอย่างอื่นๆ แล้ว จะนำ AI มาใช้เพื่อเพิ่มประสิทธิภาพกระบวนการ เพิ่มประสิทธิภาพ และนำการผลิตเข้าสู่ศตวรรษที่ 21 อย่างเต็มที่ได้อย่างไร David McGraw:มีกรณีการใช้งานสองสามกรณีที่ฉันได้ทำอยู่ หนึ่งในนั้นคือการเพิ่มประสิทธิภาพกระบวนการและการวิเคราะห์เชิงคาดการณ์ คุณมีผู้ปฏิบัติงานในโรงงานผลิตที่ควบคุมอินพุตเป็นหลัก เช่น ความเร็วที่เครื่องจักรจะทำงานและพารามิเตอร์อื่นๆ ที่พวกเขาสามารถเข้าถึงได้ ข้อสังเกตของฉันคือผู้ปฏิบัติงาน แม้ว่าพวกเขาจะบอกว่า “เก็บพารามิเตอร์ไว้ที่ X, Y และ Z เสมอ” หากพวกเขาอยู่บนเครื่องเหล่านี้มาเป็นเวลานาน ก็ยังมีแนวโน้มที่จะปรับเปลี่ยนตามสิ่งที่พวกเขาทำ เคยเห็นมาแล้ว สิ่งที่พวกเขาสบายใจ และสิ่งที่พวกเขาประสบความสำเร็จมากที่สุด ลองนึกภาพสถานการณ์ที่ฉันมีข้อมูลที่ฉันรวบรวมจากการทำงานทั้งหมดในเครื่องนี้ อัลกอริธึมการเรียนรู้ของเครื่องของฉันบอกว่าสำหรับพารามิเตอร์เหล่านี้ ให้ตั้งค่า X, Y และ Z ให้แสดง 1, 2 และ 3 เป็นต้น ซึ่งคาดการณ์ได้ว่าจะให้ผลลัพธ์ที่ดีที่สุดแก่คุณ แต่อาจไม่จำเป็นต้องขึ้นอยู่กับผลลัพธ์ จะมีตัวแปรควบคุมที่คุณพยายามปรับให้เหมาะสมด้วย AI และไม่ว่าตัวแปรนั้นจะเป็นเช่นไร โมเดลของคุณก็จะคาดการณ์ว่าต้องตั้งค่าพารามิเตอร์เหล่านั้นเป็นเท่าใด นั่นเป็นตัวอย่างที่ดี ฉันได้เห็นสิ่งนั้นในการผลิต มันทำงานได้ดีทั้งในด้านการปรับปรุงปริมาณงานและคุณภาพ ดังนั้น AI จึงเป็นกรณีการใช้งานที่ดีเยี่ยมในการเพิ่มประสิทธิภาพกระบวนการต่างๆ ยังมีประสิทธิภาพด้วยโคบอทส์ หากคุณจำได้ว่าเมื่อเราเริ่มหลุดพ้นจากโควิด โคบอทส์ซึ่งเปิดตัวมานานแล้วก็เริ่มได้รับความนิยมเนื่องจากบริษัทผู้ผลิตไม่สามารถหาคนงานได้ พวกเขาจึงได้โคบอทเหล่านี้มา ซึ่งโดยพื้นฐานแล้ว ก็คือโคบอท เพราะว่ามันทำงานร่วมกับมนุษย์โดยใช้ AI ในสถานการณ์ที่ฉันอธิบายไว้ เมื่อเราพ้นจากสถานการณ์โควิด และเราประสบปัญหาด้านทรัพยากรทั้งหมดนี้ นี่เป็นโซลูชันแบบ Plug and Play ที่ดีมากสำหรับบริษัทต่างๆ มันทำงานได้ดี และมนุษย์ก็มีส่วนเกี่ยวข้องกับ AI เป็นอย่างมาก เมื่อเราคิดถึง AI มีการใช้งานบางส่วนที่มนุษย์ต้องมีส่วนร่วม นอกจากนี้ยังมีกรณีการใช้งานบางกรณีที่ไม่สำคัญ การเพิ่มประสิทธิภาพกระบวนการเป็นสิ่งที่อยู่ตรงกลาง แต่สำหรับโคบอทส์ แน่นอนว่าจะต้องมีมนุษย์อยู่ในวงจร สิ่งต่อไปที่ฉันจะพูดถึงคือเรื่องการควบคุมคุณภาพ นั่นเป็นข้อได้เปรียบอย่างมากกับ AI หากคุณกำลังพิจารณา OEE ของคุณ มีความสามารถในการคาดการณ์ปัญหาที่อาจเกิดขึ้น ความผิดปกติบางอย่างในวิดเจ็ตที่คุณกำลังบรรจุ หรือมีอะไรผิดปกติ? ไม่เพียงช่วยประหยัดเวลาเท่านั้น แต่เมื่อคุณมีระบบการมองเห็นที่ใช้ AI คุณยังอาจได้รับบรรจุภัณฑ์ทั้งหมดที่ถูกต้อง ในขณะที่มนุษย์ไม่สามารถทำสิ่งนั้นได้อย่างมีประสิทธิภาพเท่าที่ควร คุณจะเพิ่มคุณภาพและตระหนักถึงข้อบกพร่องได้เร็วขึ้น และข้อมูลทั้งหมดที่คุณรวบรวม หากคุณป้อนกลับเข้าไปในโมเดลการเรียนรู้ของเครื่อง ก็มีโอกาสที่จะปรับปรุงกระบวนการดังกล่าว ฉันได้พูดถึงกรณีการใช้งานครั้งแรกนั้นว่าข้อมูลบางส่วนอาจป้อนเข้าไป บางทีคุณอาจต้องเปลี่ยนพารามิเตอร์บางตัว บางทีคุณอาจทำงานเร็วเกินไป และทำให้เกิดปัญหาด้านคุณภาพ หรือข้อมูลนั้นจะถูกส่งกลับไปยังผู้จัดการผลิตภัณฑ์บางส่วน และอาจมีข้อบกพร่องในบรรจุภัณฑ์หรือผลิตภัณฑ์ที่กำลังบรรจุซึ่งจำเป็นต้องได้รับการแก้ไข มีหลายสถานการณ์ที่ข้อมูลนั้นมีความเกี่ยวข้องอย่างมาก ไม่เพียงแต่เพื่อปรับปรุงคุณภาพเท่านั้น แต่ยังเพื่อปรับปรุงกระบวนการอีกด้วย สิ่งที่คุณเริ่มเห็นคือเมื่อคุณรวบรวมข้อมูลจากระบบวิชันซิสเต็ม จากโคบอทของคุณ จากการบำรุงรักษาเชิงคาดการณ์หรือการปรับกระบวนการให้เหมาะสม คุณจะนำข้อมูลทั้งหมดมารวมกัน และคุณเริ่มมีโอกาสไม่มีที่สิ้นสุดสำหรับกรณีการใช้งานที่คุณสามารถนำไปแก้ไขได้ Sean Riley:คุณช่วยอธิบายให้เราทราบเกี่ยวกับ AI ที่สร้างการบำรุงรักษาเชิงคาดการณ์ได้หรือไม่ และ AI มีประโยชน์ต่อผู้ใช้อย่างไร David McGraw:นั่นเป็นกรณีการใช้งานที่ฉันรู้จักดีจริงๆ สิ่งแรกที่คุณต้องทำคือเพียงสามารถดึงข้อมูลออกจากเครื่องได้ หากคุณกำลังเริ่มต้นการเดินทางและไม่มีเครื่องจักรอัจฉริยะ คุณจะต้องเพิ่มเซ็นเซอร์ของบริษัทอื่นเพื่อเริ่มรวบรวมข้อมูลดังกล่าว ซึ่งจะป้อนเข้าสู่ระบบคลาวด์หรืออุปกรณ์ Edge นี่คือจุดที่โมเดลการเรียนรู้ของเครื่อง AI ของคุณจะทำงาน ในโลกอุดมคติ หากมีความล้มเหลวเกิดขึ้น คำทำนายนั้นจะแจ้งให้ทราบล่วงหน้าหนึ่งวันหรืออาจสี่ชั่วโมงเป็นอย่างน้อยเพื่อให้บุคคลสามารถดำเนินการได้ ต้องใช้ความพยายามในการฝึกโมเดลการเรียนรู้ของเครื่องเหล่านั้น คุณต้องมีข้อมูลที่ดี และหากคุณพยายามทำนายความล้มเหลวประเภทใดประเภทหนึ่ง คุณจะต้องมีความล้มเหลวประเภทนั้นในชุดข้อมูลของคุณด้วย ดังนั้นโมเดลจึงสามารถเรียนรู้ความล้มเหลวประเภทต่างๆ ได้ ตอนนี้ เมื่อมันคาดการณ์ มันอาจฉลาดพอที่จะบอกว่าไม่เพียงแต่เครื่องจักรจะพังเท่านั้น แต่ยังจะล้มเหลวเพราะ X, Y หรือ Z ด้วย หากคุณสามารถทำให้แบบจำลองของคุณทำเช่นนั้นได้ บอกคุณว่า X, Y หรือ Z อาจเป็นไปได้ที่จะรวมเข้ากับ AI ทั่วไปที่อยู่เหนือเอกสารอ้างอิงจำนวนมากของคุณ และจะให้คำแนะนำในการแก้ไขและเครื่องมือที่คุณต้องการ นั่นเป็นสถานการณ์ประเภทหนึ่งของนิพพาน แต่ก็เป็นไปได้ ประโยชน์ที่สำคัญคือการย้ายเวลาหยุดทำงานโดยไม่ได้วางแผนไปเป็นการหยุดทำงานตามแผน และปรับปรุงความปลอดภัยของผู้ปฏิบัติงาน ซึ่งจะต้องคลานไปทั่วเครื่องจักรเพื่อค้นหาสาเหตุของความล้มเหลว หากต้องการดูการสัมมนาผ่านเว็บทั้งหมด โปรดดาวน์โหลดบันทึกตามความต้องการของเราที่นี่



แหล่งที่มาของข้อมูล