Sztuczna inteligencja w praktyce. Nudna, ale użyteczna?

• AI wspiera robota przemysłowego
• Zwiększona wydajność i bezpieczeństwo - w fabryce i poza nią
• W przemyśle nie ma miejsca na błędne informacje
• Ciężka praca i cierpliwość

Powszechny zachwyt nad możliwościami, jakie oferuje ChatGPT, to nie pierwsza w historii sytuacja, gdy AI nie schodzi z nagłówków gazet. W roku 2011 w amerykańskiej edycji teleturnieju znanego w Polsce jako „Va Banque” jednym z uczestników został system Watson (i wygrał!), co rozbudziło globalną dyskusję na temat sztucznej inteligencji, stopnia jej rozwoju i potencjalnych praktycznych zastosowań. Niedługo potem szał na AI ucichł. Pytanie brzmi: czy teraz ponownie atmosfera wokół AI ulegnie ochłodzeniu? A może jednak odważne plany twórców generatywnej sztucznej inteligencji zostaną wcielone w życie?

Najbardziej prawdopodobnym scenariuszem jest to, że tym razem uda się osiągnąć równowagę. Analityk Benedict Evans zasugerował, że generatywna sztuczna inteligencja będzie sprowadzać się do "nudnej automatyzacji nudnych procesów w nudnych biurach nudnych firm". Brzmi to trochę pesymistycznie, ale te "nudne" zastosowania będą w rzeczywistości tym, co przełoży się na efekt skali.

AI wspiera robota przemysłowego

Spójrzmy na zastosowanie AI w oparciu o rozwiązanie dla robotów przemysłowych. Asystent działający na bazie generatywnej sztucznej inteligencji zwiększa wydajność i bezpieczeństwo podczas instalacji, obsługi i konserwacji robota przemysłowego. Działa jak wysoce wyspecjalizowany technik serwisowy, który wspiera personel fabryki w wykonywaniu złożonych zadań.

Komunikując się z asystentem AI, pracownicy fabryki nie muszą korzystać z żadnego specjalnego systemu ani używać konkretnych poleceń. Dialog z maszyną możliwy jest w kilku językach. Prostym przykładem interakcji może być: "Wypadek! Jak mogę natychmiast zatrzymać robota?" Odpowiedź: "Naciśnij przycisk zatrzymania awaryjnego. To duży czerwony przycisk w prawym górnym rogu urządzenia".

Komunikacja z asystentem AI może odbywać się również za pośrednictwem obrazów. Na przykład podczas konfiguracji robota operator może zrobić zdjęcie danego znaku kalibracyjnego, na podstawie którego system stwierdzi, czy jest to prawidłowa pozycja maszyny.

Zwiększona wydajność i bezpieczeństwo - w fabryce i poza nią

Opisane możliwości mogą znacząco przyczynić się do zwiększenia wydajności i bezpieczeństwa operacji wykonywanych przez roboty. Personel fabryki nie musi być zależny od pomocy wyspecjalizowanego technika serwisowego, co pozwala zaoszczędzić czas i pieniądze. Asystent AI wspiera personel fabryki również w przestrzeganiu przepisów bezpieczeństwa - na przykład pomagając w określeniu, czy obecna pozycja robota jest bezpieczna. W przypadku poważnych problemów, asystent AI może dostarczyć kluczowych informacji, aby zapobiec uszkodzeniom i przestojom w produkcji.

Działanie takiego asystenta AI można rozszerzyć na całe środowisko produkcyjne fabryki, a także na łańcuch dostaw - szkoląc go w zakresie dalszej dokumentacji technicznej, a także dostarczając informacji o dostawcach, umowach, warunkach prawnych i regulacjach, kosztach czy emisjach CO2. Generatywna sztuczna inteligencja staje się zatem narzędziem do obniżania kosztów, minimalizowania ryzyka i poprawy zrównoważonego rozwoju w całym łańcuchu dostaw.

W przemyśle nie ma miejsca na błędne informacje

Wdrażanie aplikacji takich, jak wcześniej wspomniana, wymaga realistycznego spojrzenia na ryzyko i ograniczenia technologii, a także dokładnego planowania i rygorystycznej realizacji. Jest to szczególnie ważne w przypadku produkcji przemysłowej. W fabryce wyposażonej w setki zaawansowanych maszyn nie można zaakceptować działania podejmowanego na bazie błędnych zaleceń. Jednocześnie to właśnie przemysł jest obszarem, gdzie zwiększenie wydajności o kilka punktów procentowych może dać decydującą przewagę konkurencyjną (np. na hiperkonkurencyjnych rynkach, takich jak podzespoły samochodowe) – nawet jeśli ewangeliści AI takie rodzaje wdrożeń uznają za mało spektakularne czy po prostu nudne.  

Z operacyjnego punktu widzenia, wdrażanie generatywnej sztucznej inteligencji w przedsiębiorstwie zazwyczaj rozpoczyna się od testów i programów pilotażowych. Ale jeśli podchodzimy do sprawy na poważnie i rozważamy przejście od pilotażu do wdrożenia na pełną skalę, od samego początku należy wziąć pod uwagę cały szereg strategicznych, organizacyjnych i technicznych zależności.

Obejmuje to podstawowe wymagania, takie jak wiedza specjalistyczna w zakresie tworzenia wartości danych i sztucznej inteligencji, a także integracja asystentów AI z procesami bezpieczeństwa operacyjnego i zarządzania ryzykiem. Uruchomienie dużego modelu językowego w ramach prywatnej lokalnej infrastruktury IT pomaga chronić tajemnice handlowe i uniknąć zależności od publicznej chmury. Wreszcie, model sztucznej inteligencji musi umożliwiać wyjaśnianie generowanych przez siebie treści - oznacza to, że musi istnieć możliwość prześledzenia treści do jej źródeł danych. Dzięki temu informacje generowane przez AI bez odpowiednich, godnych zaufania źródeł, mogą zostać bezpośrednio zablokowane.

Ciężka praca i cierpliwość

Wykorzystanie generatywnej sztucznej inteligencji jako faktycznego wsparcia w przedsiębiorstwie nie jest rewolucyjnym rozwiązaniem. To skomplikowany, czasem nużący proces. Wbrew chwytliwym hasłom, nie chodzi w nim o ratowanie planety czy wymyślanie na nowo procesów funkcjonowania całej branży. Chodzi natomiast o sukcesywne generowanie oszczędności w codziennym działaniu, przyspieszanie procesów biznesowych i zapobieganie przestojom.

Wymaga to cierpliwości i wytrwałości. Mówi się, że generatywna sztuczna inteligencja jest jak dostępność tysięcy sprawnych stażystów na wyciągnięcie ręki. Umożliwiają oni osiągnięcie znacznego wzrostu produktywności już teraz, ale przyszłość jest znacznie bardziej obiecująca. Obietnica ta zostanie jednak spełniona tylko wtedy, gdy firmy zainwestują w dalsze szkolenia - zarówno w zakresie technologii, jak i własnej zdolności do tworzenia wartości za jej pomocą.

Autor: Maciej Kalisiak
Compute and Data Services Sales Manager, Hewlett Packard Enterprise.
Z wykształcenia inżynier mikro- i optoelektroniki. Ukończył studia na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej. Od 2008 roku związany z branżą IT. Zaczynał jako inżynier wsparcia sprzedaży serwerów x86 na rynku SMB i Enterprise. W obecnej roli poszukuje nowych, innowacyjnych rozwiązań związanych z najnowszymi trendami IT. Prywatnie mąż i ojciec dwóch córek oraz zapalony sportowiec amator.

Polecamy: „Spółki. W jakiej formie prowadzić biznes”