ما در یک لحظه کلیدی در عملیات صنعتی ایستاده ایم که با ظهور فناوری های مرزی که این حوزه را تغییر می دهد، هدایت می شود. هوش مصنوعی (AI) در قلب این تحول قرار دارد که توسط پیشرفت‌های نمایی در قدرت محاسباتی تامین می‌شود. هوش مصنوعی نه تنها فناوری های موجود را تقویت می کند، بلکه راه را برای نوآوری های کاملاً جدید هموار می کند.

یک پیشرفت قابل توجه در هوش مصنوعی، توسعه مدل‌های پایه چندوجهی بوده است که گستره وسیعی از کاربردهای صنعتی جدید را باز کرده است. چندوجهی قابلیت‌های هوش مصنوعی را گسترش می‌دهد و مدل‌ها را قادر می‌سازد تا متن، صدا، ویدئو و دیگر انواع داده‌های موجود در تولید را پردازش کنند.

در این میان، مدل‌های زبان بزرگ (LLM) مانند ChatGPT-4 معروف، پتانسیل هوش مصنوعی را برای فراتر رفتن از برنامه‌های کاربردی فقط متخصص نشان می‌دهد و هوش مصنوعی پیشرفته را برای همه در صنایع قابل دسترس می‌سازد.

عوامل هوش مصنوعی جهش بعدی در هوش مصنوعی هستند. این عوامل تأثیر LLM را با دادن توانایی دسترسی به ابزارها و افزایش توانایی آنها در برنامه ریزی، اولویت بندی و اجرای اقدامات تقویت می کنند. در ترکیب با سایر فناوری‌ها، عوامل هوش مصنوعی قفل فناوری‌های مرزی را در عملیات باز می‌کنند: همراه با روباتیک، انسان‌نماها را به واقعیت تبدیل می‌کنند. با ابزارهای دیجیتال، سیستم های مستقل را فعال می کنند.

این فناوری‌های مرزی منجر به مزایای قابل توجهی برای بهره‌وری، انعطاف‌پذیری، توانمندسازی نیروی کار و پایداری در سراسر زنجیره ارزش می‌شوند. پتانسیل بسیار زیاد است، اما این برنامه ها در عمل چگونه خواهند بود؟ این فناوری‌ها چقدر بالغ هستند و برای اجرای موفقیت‌آمیز بر چه چالش‌های کلیدی باید غلبه کرد؟

از عوامل هوش مصنوعی انتظار می رود که عملیات را به دو صورت تغییر دهند. عوامل دانش به کارگران توانمند می شوند، در حالی که عوامل اتوماسیون وظایف در عملیات را خودکار می کنند.

عوامل دانش از کل پلت فرم داده شرکت برای حمایت از کارگران و مهندسان در تصمیم گیری استفاده می کنند. این عوامل با ارائه بینش و توصیه اقدامات مورد نیاز، استفاده از منابع داده مربوطه و استفاده از هر ابزار دیجیتالی برای رسیدن به هدف خود به تیم ها کمک می کنند.

تعامل انسان و عامل با گفتار یا نوشتار امکان پذیر است، در حالی که می توان از چندین فناوری برای تجسم استفاده کرد – به عنوان مثال، دستگاه های هوشمند مانند تبلت ها و ساعت ها یا فناوری های غوطه ور مانند واقعیت ترکیبی.

به عنوان مثال، یک عامل توصیه تعمیر و نگهداری، قابلیت‌های موجود از یادگیری ماشین (ML) را برای پیش‌بینی خرابی‌ها با دستورالعمل‌های تعمیر خاصی که از منابع مختلف مانند کتابچه راهنمای ماشین دریافت می‌کند، ترکیب می‌کند.

علاوه بر این، می‌تواند علت اصلی خرابی را شناسایی کند، اقدامات لازم را به کارگر در طبقه مغازه بگوید و سفارش خرید قطعه مورد نیاز را آماده کند. برنامه های مشابهی را نیز می توان برای برنامه ریزی تولید توسعه داد.

عوامل اتوماسیون می توانند وظایف اتوماسیون را به طور مستقل بر اساس استدلال و مهارت های اجرایی خود انجام دهند و عامل های اتوماسیون مجازی و تجسمی را قادر می سازند. بر اساس گزارش BCG ، نمایندگان مستقل می توانند مستقیماً به سایر سیستم های سازمانی بگویند که چه کاری انجام دهند، اساساً عملیات شرکت را تغییر داده و اتوماسیون جامع تر را امکان پذیر می کنند و هزینه های نیروی کار را به میزان قابل توجهی کاهش می دهند.

این عوامل از طریق توانایی خود در دسترسی مستقل و استفاده از ابزارهای مختلف، نرم افزار را خودکار می کنند. یک مثال شناخته شده به طور گسترده، یک آژانس رزرو خودکار مسافرتی است. در عملیات، برنامه‌ها می‌توانند شامل بهینه‌سازی نقطه تنظیم باشند، که در آن یک پارامتر ماشین مشخص به طور خودکار توسط عامل برای بهینه‌سازی عملکرد تطبیق داده می‌شود.

این سیستم تجزیه و تحلیل عملکرد مبتنی بر ML و بینایی ماشین را از سیستم کیفیت با به روز رسانی خودکار پارامترهای ماشین ترکیب می کند که تولید را در زمان واقعی بهبود می بخشد. همچنین می‌توان از این عوامل در برنامه‌ریزی تولید برای آزمایش خودکار سناریوهای برنامه تولید بر اساس تقاضای مشتری، موجودی و عملکرد کارخانه استفاده کرد.

این عوامل با ترکیب ربات ها با درک موقعیت، استدلال و مهارت های اجرا، اتوماسیون فیزیکی را تغییر می دهند. این قابلیت های جدید به طور قابل توجهی دامنه اتوماسیون را گسترش می دهند و بر چالش های موجود غلبه می کنند.

عوامل هوش مصنوعی به روبات‌ها انعطاف‌پذیری لازم را برای سازگاری با محیط‌های مختلف و مهارت برای رسیدگی به هر شی می‌دهند. شرکت‌هایی مانند Covariant با موفقیت روبات‌هایی را در مراکز توزیع پیاده‌سازی کرده‌اند که می‌توانند وظایف پیچیده کیت، انتخاب و قرار دادن اقلام تصادفی را با دقت بالا انجام دهند.

فراتر از ربات های مفصلی، عوامل هوش مصنوعی تجسم یافته قابلیت های بسیاری از انواع ربات ها از جمله روبات های متحرک مستقل (AMR) برای حمل و نقل مواد و هواپیماهای بدون سرنشین را افزایش می دهند. پیشرفت دیگر، توسعه ربات‌های انسان‌نما و دو پدال است که می‌توانند کارهایی شبیه انسان را انجام دهند.

استارت‌آپ‌هایی مانند Agility Robotics با Digit و Boston Dynamics با Atlas این پیشرفت‌ها را در سال‌های اخیر راه‌اندازی کرده‌اند. در حالی که برنامه های فعلی عمدتاً نمایشی و آزمایشی هستند، توسعه بیشتر برای استقرار گسترده تر مورد نیاز است.

عوامل هوش مصنوعی تنها با موفقیت در ترکیب با سایر فناوری‌ها و لایه‌های زیربنایی کار می‌کنند:

فراتر از این لایه‌ها، قدرت محاسباتی مناسب (هم ابر و هم لبه)، اتصال شبکه و امنیت سایبری از فناوری‌های توانمند ضروری هستند.

برخی از چالش ها در استقرار عوامل اتوماسیون باقی مانده است. قابلیت اطمینان و ایمنی این سیستم ها نگرانی هایی است که شرکت های فناوری باید قبل از استقرار در مقیاس بزرگ به آن توجه کنند. در این میان، شرکت ها هنوز باید خود را آماده کنند و این فناوری ها را در استراتژی های میان مدت خود در نظر بگیرند.

درک تأثیر بالقوه آنها برای صنایع مربوطه و چگونگی امکان استقرار آنها در مقیاس در سراسر زنجیره تأمین، کلیدی برای ایجاد تحول موفق و مسئولانه در بخش صنعت خواهد بود.

برای حمایت از تولیدکنندگان در درک تأثیر تحول‌آفرین فناوری‌های مرزی آتی، مجمع جهانی اقتصاد با همکاری گروه مشاور بوستون، ابتکار جهانی « فناوری‌های مرزی برای عملیات: هوش مصنوعی و فراتر از آن» را راه‌اندازی کرده است که بر اساس آموخته‌های ابتکار قبلی در زمینه صنعتی مبتنی بر هوش مصنوعی است. عملیات .

این تلاش جدید به دنبال ایجاد یک نمای کلی از فناوری‌های مرزی است که عملیات‌ها را تغییر می‌دهد، غواصی عمیق در هوش مصنوعی، با همکاری AI Governance Alliance و همچنین سایر فناوری‌های پیشرفته برای ارزیابی پتانسیل ارزش و بلوغ آن‌ها با توسعه سناریوهای هدف. 2030.

مجمع جهانی اقتصاد از شرکت های تولیدی دعوت می کند تا به این ابتکار بپیوندند تا به طور جمعی تحول به سمت عملیات صنعتی مبتنی بر هوش مصنوعی را تسریع کنند.