4 cara AI generatif mengatasi tantangan manufaktur

Industri manufaktur berada dalam posisi yang tidak patut ditiru. Industri menghadapi tekanan biaya yang terus-menerus, volatilitas rantai pasokan, dan gangguan teknologi seperti pencetakan 3D dan IoT. Industri harus terus mengoptimalkan proses, meningkatkan efisiensi, dan memaksimalkan efektivitas peralatan.

Pada saat yang sama, terjadi gelombang besar transisi energi dan upaya keberlanjutan. Produsen dituntut mengurangi jejak karbon, mengadopsi praktik ekonomi sirkular, dan menjadi lebih ramah lingkungan.

Dan produsen menghadapi tekanan untuk terus berinovasi sambil menjaga stabilitas dan keamanan. Prediksi AI yang meleset dalam kampanye pemasaran mungkin hanya gangguan kecil, tetapi prediksi AI yang salah di lantai produksi dapat berakibat fatal.

Teknologi dan disrupsi bukanlah hal baru bagi produsen, namun masalah utamanya adalah bahwa apa yang berhasil dalam teori sering gagal dalam praktik. Misalnya, sebagai produsen, kami membuat basis pengetahuan, tetapi tidak ada yang bisa menemukan apa pun tanpa menghabiskan berjam-jam mencari dan menelusuri kontennya. Atau kita membangun data lake yang dengan cepat berubah menjadi data swamp. Atau kita terus menambah aplikasi, sehingga utang teknis ikut meningkat. Namun kami tidak bisa memodernisasi aplikasi karena logika yang dibangun selama bertahun-tahun tersimpan di dalamnya.

Mari kita jelajahi beberapa kemampuan atau contoh penggunaan dengan daya tarik terbesar:

1. Ringkasan

Ringkasan tetap menjadi salah satu contoh penggunaan utama teknologi AI generatif (gen AI). Dipadukan dengan pencarian dan interaksi multimodal, gen AI menjadi asisten yang kuat. Produsen memanfaatkannya dengan berbagai cara.

Mereka dapat menggunakannya untuk merancang cara yang lebih efisien bagi operator dalam mengambil informasi yang tepat dari repositori besar manual operasi, SOP, buku catatan, insiden sebelumnya, dan lainnya. Hal ini memungkinkan karyawan lebih fokus pada tugas mereka dan membuat kemajuan tanpa penundaan yang tidak perlu.

IBM® memiliki akselerator gen AI yang berfokus pada manufaktur untuk melakukan hal ini. Akselerator tersebut juga terintegrasi dengan berbagai layanan AI cloud dan merekomendasikan LLM (model bahasa besar) terbaik untuk domain mereka.

Ringkasan juga membantu dalam lingkungan operasi yang berat. Jika mesin atau peralatan gagal, insinyur pemeliharaan dapat menggunakan gen AI untuk mendiagnosis masalah dengan cepat berdasarkan manual pemeliharaan dan analisis parameter proses.

2. Pemahaman data kontekstual

Sistem data sering menyebabkan masalah besar di perusahaan manufaktur. Sistem sering berbeda, tersilo, dan multi-modal. Berbagai inisiatif untuk membuat grafik pengetahuan dari sistem ini hanya sebagian berhasil karena pengetahuan lama yang mendalam, dokumentasi yang tidak lengkap, dan hutang teknis yang menumpuk selama beberapa dekade.

IBM® mengembangkan sistem Knowledge Discovery yang didukung AI yang menggunakan AI generatif untuk membuka insight baru dan mempercepat pengambilan keputusan berbasis data dengan data industri yang terkontekstualisasi. IBM® juga mengembangkan akselerator untuk rekayasa fitur yang sadar konteks di domain industri. Ini memungkinkan visibilitas real-time terhadap status proses (normal atau abnormal), mengurangi hambatan proses yang sering terjadi, serta mendeteksi dan memprediksi batch emas.

IBM® membangun penasihat tenaga kerja yang memanfaatkan ringkasan dan pemahaman data kontekstual dengan deteksi maksud dan interaksi multimodal. Operator dan insinyur pabrik dapat menggunakannya untuk dengan cepat menangani area yang bermasalah. Pengguna dapat mengajukan pertanyaan melalui ucapan, teks, atau penunjuk, dan penasihat gen AI akan memprosesnya serta memberikan tanggapan dengan memiliki kesadaran konteksnya. Ini mengurangi beban kognitif pengguna dengan membantu mereka melakukan analisis akar masalah lebih cepat, sehingga mengurangi waktu dan upaya yang diperlukan.

3. Bantuan Pengodean

Gen AI juga mendukung pengodean, termasuk dokumentasi, modernisasi, dan pengembangan kode. Sebagai contoh bagaimana gen AI mendukung modernisasi, lihat kasus penggunaan Water Corporation. Water Corporation mengadopsi Watson Code Assistant, yang didukung kemampuan gen AI IBM®, untuk membantu transisi mereka ke infrastruktur SAP berbasis cloud.

Alat ini mempercepat pengembangan kode dengan rekomendasi AI dari input bahasa alami, mengurangi waktu penerapan dan pekerjaan manual. Dengan Watson Code Assistant, Water Corporation menurunkan upaya pengembangan dan biaya sebesar 30% sambil tetap menjaga kualitas kode dan transparansi.

4. Manajemen Aset

Gen AI memiliki kekuatan untuk mengubah manajemen aset.

AI generatif dapat membuat model dasar untuk aset. Ketika kita harus memprediksi beberapa KPI pada proses yang sama atau ada armada aset serupa. Lebih baik mengembangkan satu model dasar aset dan menyempurnakannya beberapa kali.

Gen AI juga dapat dilatih untuk pemeliharaan prediktif. Model dasar berguna ketika data kegagalan langka. Berbeda dengan model AI tradisional yang membutuhkan banyak label untuk mencapai akurasi. Namun, model dasar dapat dilatih tanpa label dan disempurnakan hanya dengan sedikit label.

Selain itu, AI generatif dapat mendukung dan melatih teknisi. Produsen dapat menggunakan gen AI untuk membuat simulator pelatihan bagi operator dan teknisi. Selama proses perbaikan, gen AI dapat memberikan panduan dan menyusun prosedur perbaikan terbaik.

IBM® meyakini bahwa kelincahan, fleksibilitas, dan skalabilitas yang ditawarkan teknologi AI generatif akan secara signifikan mempercepat inisiatif digitalisasi di industri manufaktur.

AI generatif memberdayakan perusahaan di inti strategis bisnis mereka. Dalam dua tahun, model dasar akan mendukung sekitar sepertiga AI di lingkungan perusahaan.

Dalam penerapan awal model dasar oleh IBM®, time to value hingga 70% lebih cepat dibanding pendekatan AI tradisional. AI generatif membuat AI dan teknologi analitik lebih mudah diakses, membantu perusahaan manufaktur memperoleh nilai dari investasi mereka.