Quattro modi in cui l'AI generativa affronta le sfide del settore manifatturiero

Il settore manifatturiero si trova in una posizione poco invidiabile. Dovendo affrontare un costante assalto di pressioni sui costi, volatilità della supply chain e tecnologie dirompenti come la stampa 3D e l'IoT. Il settore deve continuamente ottimizzare i processi, migliorare l'efficienza e migliorare l'efficacia complessiva dell'attrezzatura.

Allo stesso tempo, c'è questa enorme ondata di sostenibilità e di transizione energetica. I produttori sono chiamati a ridurre la loro impronta di carbonio, adottare pratiche di economia circolare e diventare più ecologici in generale.

E i produttori devono affrontare la pressione di innovare costantemente, garantendo al contempo stabilità e sicurezza. Una previsione AI imprecisa in una campagna di marketing è una piccola seccatura, ma una previsione AI imprecisa in uno stabilimento di produzione può essere fatale.

La tecnologia e la disruption non sono una novità per i produttori, ma il problema principale è che ciò che funziona bene in teoria, spesso fallisce nella pratica. Ad esempio, come produttori creiamo una knowledge base, ma nessuno può trovare nulla senza passare ore a cercare e sfogliare i contenuti. Oppure creiamo un data lake, che rapidamente degenera in una palude di dati. Oppure continuiamo ad aggiungere applicazioni, quindi il nostro debito tecnico continua ad aumentare. Tuttavia, non siamo in grado di modernizzare le nostre applicazioni, perché la logica sviluppata negli anni è nascosta lì.

Esploriamo alcune delle funzionalità o dei casi d'uso in cui vediamo la maggiore trazione:

1. Riepilogo

La sintesi rimane il principale caso d'uso per la tecnologia di AI generativa (gen AI). In combinazione con la ricerca e l'interazione multimodale, la gen AI è un ottimo assistente. I produttori usano la sintesi in modi diversi.

Potrebbero usarla per progettare un modo migliore per gli operatori di recuperare rapidamente ed efficacemente le informazioni corrette dal vasto archivio di manuali operativi, SOP, registri, incidenti passati e molto altro. Questo permette ai dipendenti di concentrarsi maggiormente sui propri compiti e di fare progressi senza ritardi inutili.

Per raggiungere questo obiettivo, IBM ® dispone di acceleratori di intelligenza artificiale di ultima generazione focalizzati sulla produzione. Inoltre, questi acceleratori sono preintegrati con vari servizi cloud AI e consigliano il miglior LLM (modello di linguaggio ampio) per il loro dominio.

La sintesi è utile anche in ambienti operativi difficili. Se la macchina o l'attrezzatura si guastano, gli ingegneri di manutenzione possono utilizzare il gen AI per diagnosticare rapidamente i problemi basandosi sul manuale di manutenzione e sull'analisi dei parametri del processo.

2. Comprensione dei dati contestuali

I sistemi di dati spesso causano problemi gravi nelle aziende manifatturiere. Sono spesso eterogenei, isolati e multimodali. Varie iniziative per creare un grafo della conoscenza di questi sistemi hanno avuto solo parzialmente successo, a causa della profondità delle conoscenze legacy, della documentazione incompleta e del debito tecnico accumulato nel corso di decenni.

IBM ha sviluppato un sistema di Knowledge Discovery basato su AI che utilizza l'AI generativa per sbloccare nuove intuizioni e accelerare decisioni basate sui dati con dati industriali contestualizzati. IBM ha anche sviluppato un acceleratore per l'ingegneria delle caratteristiche sensibili al contesto nell'ambito industriale. Questo consente una visibilità in tempo reale degli stati del processo (normali/anomali), allevia frequenti ostruzioni del processo e rileva e prevede il golden batch.

IBM ha creato un advisor per la forza lavoro che utilizza la sintesi e la comprensione dei dati contestuali con il rilevamento dell'intento e l'interazione multimodale. Gli operatori e gli ingegneri dello stabilimento possono utilizzarlo per individuare rapidamente un'area problematica. Gli utenti possono porre domande attraverso il linguaggio vocale, il testo e il pointing, e l'advisor basato su gen AI le elaborerà e fornirà una risposta, consapevole del contesto. Questo riduce il carico cognitivo sugli utenti, aiutandoli a effettuare un'analisi della causa principale più rapidamente e riducendo così il loro tempo e i loro sforzi.

3. Assistenza alla codifica

La gen AI aiuta anche nella codifica, compresa la documentazione, la modernizzazione e lo sviluppo del codice. Quale esempio di come la gen AI aiuta nella modernizzazione dell'IT, consideriamo il caso d'uso di Water Corporation. Water Corporation ha adottato Watson Code Assistant, che è alimentato dalle funzionalità di gen AI di IBM, per aiutarla nella transizione verso un'infrastruttura SAP basata su cloud.

Questo strumento ha accelerato lo sviluppo del codice utilizzando raccomandazioni generate dall'AI e basate su input in linguaggio naturale, riducendo significativamente i tempi di implementazione e il lavoro manuale. Con Watson Code Assistant, Water Corporation ha ottenuto una riduzione del 30% nelle attività di sviluppo e nei costi associati, mantenendo al contempo la qualità e la trasparenza del codice.

4. Gestione degli asset

La gen AI ha il potere di trasformare la gestione degli asset.

L'AI generativa può creare modelli di base per gli asset. Quando dobbiamo prevedere più KPI sullo stesso processo o c'è una flotta di asset simili, è meglio sviluppare un modello di base dell'asset e metterlo a punto più volte.

La gen AI può anche addestrare alla manutenzione predittiva. I foundation model sono molto utili se i dati sugli errori sono scarsi. I modelli AI tradizionali richiedono molte etichette per garantire una ragionevole accuratezza. Tuttavia, nei foundation model, possiamo pre-addestrare i modelli senza etichette e metterli a punto con le etichette limitate.

Inoltre, l'AI generativa può fornire supporto tecnico e addestramento. I produttori possono utilizzare le tecnologie di gen AI per creare un simulatore di addestramento per gli operatori e i tecnici. Inoltre, durante il processo di riparazione, le tecnologie AI di ultima generazione possono fornire indicazioni e generare la migliore procedura di riparazione.

IBM ritiene che l'agilità, la flessibilità e la scalabilità offerte dalle tecnologie AI generativa accelereranno significativamente le iniziative di digitalizzazione nel settore manifatturiero.

L'AI generativa potenzia le imprese al centro strategico della loro attività. Entro due anni, i foundation model alimenteranno circa un terzo dell'AI all'interno degli ambienti aziendali.

Nei primi lavori di IBM sull'applicazione dei foundation model, il time to value è fino al 70% più veloce rispetto a un approccio tradizionale di AI. L'AI generativa rende altre tecnologie di AI e analytics più consumabili, aiutando le imprese manifatturiere a realizzare il valore dei loro investimenti.