Предполагам, че през последните месеци ви прави впечатление, че всички български и чужди медии са постоянно заливани от нови и нови интересни новини за изкуственият интелект (AI, от “Artificial Intelligence”). Днес, най-модерната дума сред програмисти и журналисти е ChatGPT, а дизайнери, ентусиасти и тийнейджъри заливат мрежата с генерирани от Midjourney и DALL-E картини, на които и самият Салвадор Дали би завидял, ако бе сред живите.
Няма и грам съмнение – бъдещето принадлежи на технологията с изкуствен интелект, макар и тази статия все още да не е написана от него. Но дали големият бизнес и движещите сили на световните икономики са приели този факт, запознати ли са с възможностите на AI или… някои вече го използват активно? Всички възможности са верни.
Още през 2018 година, известни анализаторски компании, като McKinsey & Company – доверени съветници за много от най-влиятелните бизнеси и институции в света, споделиха, че бизнесът, който може да разчита на възможностите на изкуствения интелект е за над 1 трилион долара и то само в сферата на промишлеността. Няколко години след това, докато компаниите се възстановяват от пандемията, нови изследвания показват, че талантът, устойчивостта, технологичното развитие във всички области и органичният растеж са техни основни приоритети. И в центъра на прогреса стои разбира се AI.
Въпреки появяващата се революционна възможност да впрегнат мощният синтетичен „ум“ за свои цели, днес все още голям брой топ мениджъри признават, че не са сигурни къде точно могат да приложат AI решенията, за да уловят „златната рибка“. Резултатът? Бавни темпове на приемане и въвеждане на технологиите за изкуствен интелект в много видове бизнес, като е факт че дори днес много от големите световни компании предприемат политиката на търпеливо изчакване, вместо да се „гмуркат“ направо в дълбокото.
Истината е, че вместо губейки ценно време за обмисляне на възможните приложения, истински добрите мениджъри по-скоро би трябвало да определят общата посока и т. нар. „пътна карта“ за техния бизнес, а след това да стеснят фокуса си на действие към области, в които AI може да реши техните специфични бизнес проблеми и да създаде осезаема добавена стойност. Като първа стъпка обаче, топ мениджърите би трябвало да се опитат да придобият по-добро разбиране за AI технологията и как тя може да се използва за решаване на конкретните им бизнес проблеми. Тогава те биха били в по-добра позиция и ще могат да получат повече увереност и свободата да експериментират с новите приложения на супермодерните технологии.
През последните години терминът „изкуствен интелект“ започна да страда от сериозна прекомерна употреба и с него буквално се злоупотребява. Ако преди години си представяхме изкуственият интелект в образа на малко момченце-робот с невероятни интелектуални заложби, то днес дори пералнята ви е обявена като собственик на такъв. AI почти се е превърнал в стенограма за всяко приложение на авангардна технология, замъглявайки истинското му определение и цел. Затова е добре да внимавате и да се интересувате какво точно е AI и по-специално – има ли такъв във вашата сфера на работа – например при индустриалните компании.
Накратко, AI е способността на машината (компютър, софтуер или микс от тях) да изпълнява когнитивни функции, обикновено свързвани или присъщи досега само за човешкия ум. Или казано по-просто – начинът по който всеки човек възприема околния свят, разсъждава, учи и се образова, взаимодейства с околната среда, решава проблеми и задачи. В наши дни има много примери за AI технологии, например при роботиката, автономните превозни средства, компютърното зрение, езиците, виртуални агенти в различни сфери и разбира се – машинното обучение.
Ако говорим обаче конкретно за промишлеността и бизнеса, изкуственият интелект вече може да бъде впрегнат да създава добавена стойност за промишлеността (да връща вложените пари). И това става чрез увеличаването на способностите на работещите, по-специално на инженерите, подпомогнати от този нов интелект. Те вече могат да разчитат на нов тип приложения, използващи предсказващите възможности на AI. Тоест, компаниите и бизнеса могат да преформулират традиционните бизнес проблеми в такива, при които AI може да използва алгоритмите си за машинно обучение, за да обработва данни и опит, да открива модели и да дава препоръки. Или отново по-просто казано: да мисли вместо вас, само че много по-бързо!
За да може AI да ускори решаването на проблеми обаче, мениджърите и инженерите трябва първо да дефинират много точно и ясно вече съществуващият бизнес проблем, преди да „помолят“ AI да го реши. Неуспехът в този етап определено може да демотивира много от тези организации и да ги откаже да внедрят най-новото AI решение, а това би била сериозна грешка. Затова е по-добре да се учим от чуждия опит, да разглеждаме как другите около нас са сгрешили или пък – успели?
Следващите няколко примера само демонстрират възможностите на AI за рационализиране на работните процеси и са част от „живия живот“.
Някои от най-трудните предизвикателства за индустриалните компании са планирането на сложни производствени линии, максимизирането на производителността при минимизиране на разходите и осигуряване на навременна доставка на продуктите до крайния клиент. Логистиката наистина е нещо сложно, но AI може да помогне чрез способността си да разглежда и взема под внимание множество променливи наведнъж, за да открие в крайна сметка най-оптималното решение.
Например в един голям завод за производство на метали агентът за планиране, базиран на AI успява да намали загубите с 20 до 40 процента, като същевременно значително подобрява навременната доставка за клиентите. Но как става това ли? Може би знаете, че традиционните подходи за оптимизация стават неизползваеми, ако опитвате да предвиждате значително голяма несигурност и колебания в предлагането или търсенето. Проблем, който стана особено актуален предвид крахът в световните вериги за доставки през последните няколко години, причинен от пандемията. Използвайки AI агент за планиране, базиран на машинно обучение, вие можете да преобразувате проблема в конкретен въпрос „Коя поръчка е най-вероятно да максимизира печалбата?“ – и да получите ясна препоръка.
За да разрешат този проблем, компаниите трябва първо да изградят среда, в която агентът за планиране на AI може да се научи да прави добри прогнози. Базирането на исторически данни (както прави типичното машинно обучение) в случая просто не е достатъчно добро, защото агентът няма да може да предвиди бъдещи проблеми (като прекъсвания на веригата за доставки).
Вместо това инженерите от завода за производство на метали, споменат по-нагоре, започнали с изграждането на симулация или „цифров близнак“ на производствената си линия и системата си за поръчки. По този начин дават възможност на агента, отговарящ за графика, да може да планира линията на производство и доставки. Изпълнението на даден график от агента се оценява въз основа на цената, производителността и навременната доставка на продуктите. След това тази „игра на планиране“ се повтаря милиони пъти с различни видове сценарии. Не след дълго агентът вече е в състояние да създава графици с висока производителност и да работи съвместно с хората, за да оптимизира производството. Оптималният план-график, намаляващ разходите и увеличаващ производството и скоростта на доставка до крайният потребител е намерен и може дори да се коригира в реално време спрямо променящите се обстоятелства (пандемията например).
Много компании са изправени пред сериозен проблем: идентифицирането на най-подходящите данни, когато са изправени пред решаването на конкретно предизвикателство. AI може да ускори този процес, като буквално поглъща огромни обеми данни и бързо намира информацията, която най-вероятно ще бъде полезна на инженерите при решаване на проблема. Например, компаниите могат да използват AI, за да намалят тромавия скрининг на данни от половин час до едва няколко секунди, като по този начин повишават поне с 10 до 20 процента производителността на висококвалифицираните инженерни екипи. В допълнение, AI може дори да открие трудно проследими връзки в данните, които преди това са били неизвестни на инженерите.
След десетилетия на събиране на информация, компаниите често са богати на записани данни, но бедни на предвиждания, което прави почти невъзможно трудна задача навигирането сред милионите записи от структурирани и неструктурирани данни за намиране на подходяща информация. Това предизвикателство е особено важно, когато инженерите отстраняват нови проблеми в много сложни системи (например самолети, космически кораби и електроцентрали), за да намерят най-подходящите процедури, данни за производителността на машината, история на операциите и случаи на сходни проблеми при подобни системи. Инженерите често са оставени да разчитат на предишния си опит, да говорят с други експерти или да се ровят в купища данни, за да намерят подходящата информация. И когато става дума за критични проблеми, този лов „напосоки“ в най-добрия случай е само стресиращ, но в лошия често води до грешни или неоптимални резултати.
Компаниите могат да научат AI да навигира в структурирани и неструктурирани технически документи, изобилстващи с текст, като му предоставят технически речници, справочни таблици и друга информация. След това могат да изградят алгоритми, за да помогнат на AI да разбере семантичните връзки между различните текстове. После да се нарисува динамична информационна мрежа (Knowledge Graph), представяща всички семантични и други връзки в техническите документи и данни. Използвайки тази графика, агентът би могъл да определи кое къде се е провалило при конкретна процедура, използвана за решаване на проблем в миналото. Тя позволява чрез потребителски интерфейс инженерите да правят заявки към нея и да идентифицират решения за конкретни проблеми. Системата може да бъде настроена да събира обратна връзка от инженерите относно това дали информацията е уместна (нещо, което виждаме и в ChatGPT), което от своя страна позволява на AI да се самообучава и да подобрява производителността си с течение на времето.
За много индустриални компании системният дизайн на техните продукти е станал невероятно сложен. Добрата новина е, че те вече могат да използват AI, за да допълнят спецификацията на продукта с данни, извлечени от неговата конфигурация, разработка и снабдяване. Този процес идентифицира възможностите за повторно използване, подобряване на стандартния работен процес и поддръжката на предварително производство. Така може значително да се намалят инженерните часове (времето за разработка и проектиране от хора-инженери) и да се премине към производство по-бързо.
Когато един проект има милиони части и хиляди модули и подсистеми, може да се окаже почти невъзможно за всеки инженер да има пълен поглед над системата, както и да получи разбиране за детайлния дизайн на отделните компоненти. В това число влизат и самите проекти. В резултат се случва това, че системите се проектират наново със старта на всеки нов проект, но се пренебрегват възможностите за повторно използване на части от предишния, което увеличава разходите и сложността на веригата за доставки. В допълнение, инженерите могат да се сблъскат със значителна преработка на проекта, тъй като не разбират напълно зависимостите в системата. И така да губят още ценно време.
За щастие работата на AI няма такива ограничения. Разполагащи с достатъчно памет и мощност за изчисления, решенията, базирани на AI, могат лесно да преглеждат милиони части и проекти и милиарди връзки, за да идентифицират възможности за повторна употреба и последователност на процесите, да избегнат повторна преработка.
Редом с еволюцията на съвременните продукти, разширяването на границите на производителността става все по-голямо предизвикателство. Индустриалните компании, които могат бързо да създават иновации и по-бързо да пуснат на пазара продукти с по-висока производителност, е много по-вероятно спечелят по-голям пазарен дял и да спечелят повече ресурси в своите пазарни сегменти.
През последните три десетилетия компютърно подпомаганото инженерство (CAE) и симулациите помогнаха доста, но ограниченията на тяхната изчислителна мощност им пречат да изследват напълно възможностите и да оптимизират производителността при сложни проблеми. Например, компонентите за симулация обикновено имат повече от десет параметъра на дизайн, с до 100 опции за всеки параметър. Тъй като изпълнението на една такава симулация отнема десет часа, само няколко от получените трилиони потенциални проекти могат да бъдат изследвани за период от една седмица. Компаниите, които разчитат на опитни инженери, за да стеснят обхвата от най-обещаващи проекти за тестване, до реална серия планирани експерименти, рискуват да оставят производителността си само на хартия и да се простят с мечтите си.
AI използва невронна мрежа за дълбоко обучение, за да създаде дигитален близнак на компонента и да предвиди производителността. Преминаването от милиони ненужни, макар и точни изчисления, към по-насочен и селективен подход за решаване на проблеми, фокусиран върху прогнози, експоненциално ускорява оценката на дизайна. Така само една машина може да генерира милиони потенциални дизайни, които да се оценяват бързо с помощта на дигиталния близнак, използващ дълбоко обучение (Deep Learning). След това алгоритъм може да оптимизира системата и да използва множество показатели за ефективност едновременно (например за максимална скорост на автомобила и икономия на гориво).
Индустриалните компании изграждат своята репутация въз основа на качеството на своите продукти, а иновациите са ключови за непрекъснатия растеж. Печелившите компании са в състояние бързо да установяват първопричините за различните им проблеми с продуктите, да ги разрешат и да интегрират придобитите знания занапред. AI може драстично да ускори този процес.
Тъй като сложността на продуктите и работните условия нарасна неимоверно през последните години, инженерите се борят да идентифицират първопричините за всеки проблем и да проследят оптималните решения. В резултат на това компаниите са силно зависими от разпознаването на модели от опитни инженери и прекарват много време в опити да пресъздадат проблемите в лабораторни среди в опит да стигнат до първопричината.
Подходите на AI и причинно-следственото моделиране могат да преформулират тази сложност в дефиниран бизнес проблем: „Кои са първите пет най-вероятни първопричини за този проблем?“ Компаниите могат да започнат с изграждането на базиран на събития модел на данни, който свързва хиляди променливи в историята на продукта и жизнения цикъл на разработката, включително конфигурации на дизайна, производствени параметри и история на поддръжка и ремонт.
След това модел, базиран на AI, може да предскаже инциденти, свързани с конкретен проблем. На следващ етап, причинно-следственото моделиране създава отделни променливи, а потребителският интерфейс позволява на инженерите да правят запитвания и да намират най-вероятните първопричини за нови проблеми.
Всичко написано дотук може да звучи доста сложно, скъпо или неприложимо за бизнеса у нас, но всяко начало изглежда сложно и трудно – дори да не е такова. AI все още е в сравнително ранен етап на развитието си и е готов да расте бързо и да наруши традиционните подходи за решаване на проблеми. Затова му обърнете внимание още сега, подхождайте към него с доверие. И ако експериментирате с AI приложенията сега, то със сигурност в близко бъдеще ще се окажете в по-добрата позиция и ще можете да генерирате по-голяма добавена стойност за компанията си през следващите години.
