Ваша ИИ-стратегия реалистична или просто мечта?

Люк Дуркан, директор EcoStruxure в Schneider Electric, рассказывает о разговоре с руководителем промышленной фирмы, который заявил: «Мы хотим сделать немного ИИ. Мы хотим внедрить немного ИИ в наш процесс как можно быстрее».

Когда Дуркан спросил: «Когда?», руководитель ответил: «Вероятно, июль».

Дуркан заметил, что руководитель явно не имел глубокого понимания процессов, механизмов и требований, необходимых для интеграции ИИ. Он отметил, что во многих промышленных контекстах «ИИ» часто используется как буззворд, а не как конкретная способность.

Эксперты в промышленной аналитике и дата-сайенсе последовательно согласны на дисциплинированном, шаг-за-шагом подходе: контекстуализировать данные, затем применять аналитику, машинное обучение и глубокое обучение для достижения реальных бизнес-результатов.

Атиф Курейши, глава инициативы ИИ и глубокого обучения Teradata, определяет ИИ как набор поддерживающих техник — аналитика, машинное обучение, глубокое обучение — адаптированных для решения конкретных бизнес-проблем. «Например, глубокое обучение — используя нейронные сети, GPU-ориентированные вычисления и высокоразмерные данные — позволяет всё более точные предсказания», — объясняет Курейши.

Отрасли, принявшие эти техники рано, включают потребительские технологии, финансовые услуги и страхование. Ритейл, телеком и авто следуют близко. В производстве автосектор среди самых быстрых адоптеров, движимый фокусом на автономные автомобили.

Дуркан подсвечивает нефтегазовую отрасль как пионера в процессных секторах. «Эти организации инвестировали в данные, инфраструктуру и технологии десятилетиями, потому что это последовательно доставляло ценность», — говорит он.

Дальше по кривой зрелости, потребительские упакованные товары, материалы, минералы и горнодобывающие секторы показывают стабильный прогресс, в то время как дискретные производители — такие как производители электроники — уже довольно продвинуты.

Итак, что должны делать отстающие промышленные фирмы, чтобы догнать в эре Индустрии 4.0, умных фабрик и ИИ? И какие следующие шаги должны предпринять компании среднего уровня?

Первый шаг — самоаудит для обеспечения надежного фундамента дата-сайенса. Teradata часто помогает клиентам строить базовые элементы, служившие её банковским клиентам 30 лет. Многие промышленные компании должны идентифицировать контекстуальные данные, которыми они обладают, калибровать датчики и фокусироваться на «data-science 101» — таланты, инструменты и среда.

Согласно исследованию Gartner 2023 года, более 87% организаций по всем секторам демонстрируют низкую зрелость бизнес-интеллекта и аналитики.

В начале производитель может развернуть сеть датчиков по своим операциям для захвата условий, которые материал переживает во время производства. С контекстуальными данными в руке компания может обнаруживать аномалии, предшествующие дефектам и браку. «Это ещё не полное предсказание, но это лучшая характеристика процесса», — отмечает Курейши.

Дуркан подчеркивает, что технологии должны интегрироваться с людьми и процессами. «В типичном brownfield-заводе опытные сотрудники держат бесценное процессное знание. Ваши ИИ-инструменты должны дополнять эту экспертизу, доставляя инкрементальную ценность», — говорит он.

Как только у фирмы есть твердая дата-сайенс база, она может исследовать более продвинутые техники вроде нейронных сетей. По мере роста зрелости фокус смещается от описания событий к корреляции переменных и установлению причинно-следственных связей. «Когда А случается, происходит Б, поэтому мы знаем, что С материализуется», — объясняет Курейши. «Этот предиктивный инсайт позволяет проактивное вмешательство».

Дальнейшая сложность позволяет прескриптивные рекомендации для оптимизации или исправления процессов. Вершина этого пути — полностью автоматизированное обнаружение и разрешение аномалий — по сути, автоматизированный «терминатор» дефектов, как пошутил Курейши.

Дуркан предостерегает, что путь ИИ не имеет конечной цели. «Нет нирваны на горизонте; ландшафт продолжает эволюционировать», — говорит он.

Наконец, отраслевые лидеры должны приоритизировать интеграцию данных. Данные в одиночестве — просто отправная точка для предиктивных или аналитических моделей. Понимание иерархии активов, модели и контекста критично. Оттуда организации могут строить детальные потоки данных и инфраструктуру, позволяя описательные визуализации и операционные ответы. «Это то, для чего 90% людей используют данные», — добавляет Дуркан. «Первый шаг — самый сложный».