אימוץ בינה מלאכותית עולה, אך קנה המידה התעשייתי נותר מוגבל
בינה מלאכותית הפכה לאחת הטכנולוגיות המדוברות ביותר בייצור המודרני. על פי מחקר שנערך לאחרונה בתעשייה, 72% מהיצרנים כבר הטמיעו פתרונות בינה מלאכותית בפעילותם. עם זאת, רק אחוז קטן הצליח להרחיב את הטכנולוגיות הללו על פני מספר מתקנים או רשתות ייצור.
פער זה חושף מציאות חשובה: האתגר של אימוץ בינה מלאכותית תעשייתית אינו עוד רק זמינות טכנולוגית. יצרנים יכולים לרכוש פלטפורמות בינה מלאכותית, להתקין מערכות מחוברות ולאסוף כמויות אדירות של נתוני ייצור. המשימה הקשה יותר היא יצירת סביבה שבה מהנדסים, מפעילים וצוותי תחזוקה סומכים על החלטות המונעות על ידי בינה מלאכותית.
מניסיוני בעבודה עם מערכות אוטומציה תעשייתיות , פריסה מוצלחת של טכנולוגיה תמיד הייתה תלויה באנשים. בין אם מדובר ביישום שדרוגי PLC, מודרניזציה של מערכות DCS או פלטפורמות תחזוקה חזויה, הגורם האנושי נותר הקשר הסופי בין השקעה בהנדסה לשיפור תפעולי.
המכשול העיקרי אינו יכולת בינה מלאכותית, אלא ביטחון כוח העבודה
חברות ייצור רבות מניחות בתחילה שבעיות אימוץ בינה מלאכותית נובעות ממגבלות תשתית, חששות מאבטחת סייבר או משאבי מחשוב לא מספקים. בעוד שגורמים אלה חשובים, נתוני התעשייה הנוכחיים מצביעים על כך שחוסר הוודאות בכוח העבודה הפך לאחד המכשולים הגדולים ביותר.
מפעילים לעתים קרובות תוהים כיצד בינה מלאכותית תשפיע על תחומי האחריות היומיומיים שלהם. בסביבות שבהן אוטומציה החליפה באופן היסטורי משימות ידניות חוזרות ונשנות, עובדים באופן טבעי רוצים תשובות ברורות לגבי האם בינה מלאכותית תתמוך בעבודתם או תצמצם את תפקידם.
לדעתי, ארגונים תעשייתיים צריכים להימנע מהצגת בינה מלאכותית כטכנולוגיה חלופית. פתרונות האוטומציה החזקים ביותר תמיד תוכננו כדי לשפר את קבלת ההחלטות האנושית. בינה מלאכותית צריכה לעזור למפעילים לזהות מצבים חריגים מהר יותר, לשפר את יציבות התהליך ולהפחית ניתוח ידני מיותר.
מפעיל מיומן בשילוב עם כלים חכמים לרוב יקר ערך יותר מטכנולוגיה או מומחיות אנושית הפועלים בנפרד.
התנגדות לבינה מלאכותית נובעת לעתים קרובות מתקשורת לקויה
מנהלי ייצור מתארים לעיתים עובדים כמתנגדים ליישום בינה מלאכותית. עם זאת, הבעיה בפועל היא לעתים קרובות חוסר תקשורת ולא חוסר רצון להשתנות.
עובדים צריכים להבין מדוע מערכת בינה מלאכותית מייצרת המלצה, כיצד מחושבת ההחלטה, ואיזה תפקיד ממלאים בני אדם בתהליך הסופי. התראת תחזוקה חזויה, לדוגמה, הופכת בעלת ערך רב יותר כאשר טכנאים מבינים את מגמות הרעידות, תנאי ההפעלה והתקלות ההיסטוריות העומדות מאחורי האזהרה.
אוטומציה תעשייתית תמיד דרשה שקיפות. מהנדסים סומכים על מערכות בקרה משום שהם מבינים את זרימת האותות, תכנות הלוגיקה ועקרונות ההפעלה. מערכות בינה מלאכותית חייבות לפעול לפי אותה פילוסופיה.
המלצה לא מוסברת יוצרת אי ודאות. המלצה גלויה ומובנת בונה ביטחון.
אוריינות בינה מלאכותית צריכה להפוך לחלק מאסטרטגיית הנדסת תעשייה
יצרנים רבים מתייחסים להכשרת בינה מלאכותית כאל אחריות של ה-IT. גישה זו מגבילה את האימוץ משום שעובדי המפעל הם המשתמשים העיקריים של מערכות אלו.
אוריינות בינה מלאכותית צריכה להפוך לחלק מאסטרטגיית ההנדסה התעשייתית הרחבה יותר. מפעילים, טכנאי תחזוקה, מהנדסי תהליכים ומנהלי ייצור זקוקים לרמות ידע שונות בהתאם לאחריותם.
לדוגמה, על מפעילים להבין המלצות לתהליכים שנוצרו על ידי בינה מלאכותית וסדרי עדיפויות לאזעקות. על צוותי תחזוקה להבין ניתוח ניבויי וניטור מצב הציוד. על צוותי הנדסה להבין את איכות הנתונים, מגבלות המודל ודרישות שילוב המערכת.
גישה זו דומה להפעלת פלטפורמת אוטומציה חדשה. אף חברה לא תתקין מערכת PLC, SIS או DCS מורכבת ללא הכשרת הצוות האחראי על התפעול והתחזוקה. בינה מלאכותית צריכה לקבל את אותה דיסציפלינה הנדסית.
פרויקטים קטנים של בינה מלאכותית יוצרים אימוץ תעשייתי חזק יותר
פריסה רחבת היקף של בינה מלאכותית נכשלת לעיתים קרובות משום שחברות מנסות ליישם אותה ברחבי הארגון לפני שהן מוכיחות ערך מעשי.
גישה יעילה יותר היא להתחיל באתגר ייצור ספציפי. דוגמאות לכך כוללות צמצום זמן השבתה לא מתוכנן, אופטימיזציה של צריכת אנרגיה, שיפור בדיקת איכות או ניתוח מגמות ביצועי מכונות.
כאשר מפעילים רואים שיפורים מדידים בעבודתם היומיומית, מתפתח ביטחון באופן טבעי. פרויקט פיילוט מוצלח מספק ראיות תפעוליות לכך שבינה מלאכותית יכולה לפתור בעיות אמיתיות.
בסביבות תעשייתיות, נתוני ביצועים משכנעים יותר ממצגות ניהוליות. צוות ייצור יבטח במערכת בינה מלאכותית לאחר שיראה פחות כשלים, פתרון בעיות מהיר יותר ועקביות משופרת בתהליך.
משוב אנושי חייב להישאר בתוך לולאת הבינה המלאכותית
לקח חשוב אחד מההיסטוריה של אוטומציה תעשייתית הוא שמשוב מניע שיפור. מערכות בקרה מסורתיות מסתמכות על חיישנים ולולאות משוב כדי לשמור על פעולה יציבה. מערכות מבוססות בינה מלאכותית דורשות מנגנונים דומים הכוללים ניסיון אנושי.
על היצרנים ליצור ערוצים ברורים שבהם עובדים יכולים לדווח על המלצות שגויות, להציע שיפורים ולספק משוב תפעולי.
מפעילים לעיתים קרובות מבינים את התנהגות הייצור טוב יותר מכל אלגוריתם אחר, משום שהם עובדים עם ציוד מדי יום. הידע המעשי שלהם יכול לשפר מודלים של בינה מלאכותית, לזהות תנאי תהליך נסתרים ולמנוע החלטות אוטומציה שגויות.
המפעל העתידי לא יהיה אוטונומי לחלוטין. במקום זאת, הוא ישלב אינטליגנציה של מכונה עם מומחיות אנושית באמצעות אינטראקציה מתמשכת.
קנה מידה מוצלח של בינה מלאכותית תלוי באמון, לא רק באלגוריתמים
החברות המובילות באימוץ בינה מלאכותית תעשייתית לא בהכרח יהיו אלו עם המודלים המורכבים ביותר או תשתית הנתונים הגדולה ביותר. הן יהיו ארגונים המשלבים בהצלחה הטמעת טכנולוגיה עם מעורבות כוח אדם.
בינה מלאכותית בייצור הופכת לשכבה נוספת של אוטומציה תעשייתית, בדומה לרשתות בקרים מתוכנתים (PLC), פלטפורמות MES, רובוטיקה ומערכות תקשורת תעשייתיות. כל טכנולוגיה דורשת אימות טכני, קבלה על ידי מפעילים ושיפור מתמיד.
השלב הבא של ייצור חכם יהיה תלוי בבניית אמון בין אנשים למערכות חכמות. בינה מלאכותית יכולה לספק תובנות רבות עוצמה, אך אנשי מקצוע תעשייתיים מנוסים נותרים חיוניים לפירוש מידע, קבלת החלטות ושיפור ביצועי הייצור.
היצרנים שמזהים את האיזון הזה ישיגו צמיחה בת קיימא וניתנת להרחבה יותר באוטומציה בשנים הקרובות.
