Производители достигают окупаемости инвестиций в ИИ — теперь пришло время масштабироваться для большего эффекта

ИИ обеспечивает рентабельность инвестиций в производство, но его масштабирование остается проблемой. Без более надежной базы данных и сети прогресс застопорится.

Ник Лещинский, главный инженер по решениям UKI, Riverbed Technology

От цеха до цепочки поставок искусственный интеллект (ИИ) уже приносит измеримую прибыль на всех этапах производства. Просто спросите 87% лидеров отрасли, которые сообщили в ходе глобального опроса Riverbed 2025 года, что рентабельность инвестиций в искусственный интеллект для ИТ-операций (AIOps) оправдала или превзошла их ожидания.

Однако проблема состоит в том, чтобы масштабировать эти выгоды по всему предприятию. Только 12% инициатив в области искусственного интеллекта сейчас полностью развернуты в производстве, и только 37% организаций в этом секторе в настоящее время чувствуют себя полностью готовыми к масштабному внедрению искусственного интеллекта. Это структурное разделение изображает ИИ как незавершенную работу:частично реализованную, но неспособную дойти до завершения.

Поскольку Индустрия 4.0 уже идет полным ходом, нет необходимости доказывать, что ИИ окупается — данные уже показывают, что это окупается. Но хотя его эффективность доказана в контролируемых тестах, большинство производителей изо всех сил пытаются масштабировать эти преимущества в своих сложных реальных средах. Вероятно, так будет и дальше, пока не будет создана правильная цифровая основа.

Почему оптимизация ИИ препятствует производству

По данным Deloitte, «умное производство», которое использует ИИ для управления такими задачами, как профилактическое обслуживание, обеспечение качества, оптимизация цепочки поставок и мониторинг энергоэффективности, уже позволяет повысить объем производства на 10–20% и свободные мощности на 10–15%. Таким образом, чистый потенциал огромен, однако широта его возможного воздействия усложняет масштабирование ИИ.

Это связано с тем, что интеллектуальная производственная среда зависит от надежного и безопасного потока данных между всеми устройствами, машинами, объектами и логистическими сетями. Модели ИИ должны принимать, интерпретировать и действовать в соответствии с этой запутанной телеметрией в режиме реального времени – часто в устаревших системах, периферийных устройствах и облачных платформах. Лица, принимающие решения, также должны иметь возможность видеть и анализировать эту информацию.

Замысловатые или узкие конвейеры данных создают операционную нагрузку, а ограниченная видимость поведения системы существенно затрудняет оптимизацию и масштабирование. Необходимость решения этих проблем на инфраструктурном уровне возрастает.

Появившийся пробел в готовности данных

Преимущества производительности ИИ неоспоримы. Но из-за ряда структурных проблем масштабируемость этих преимуществ неуловима. Прежде чем технология сможет быть внедрена в масштабах всего предприятия, производители должны создать строгую инфраструктуру, необходимую для ее поддержки. Новые результаты исследований более подробно описывают стремление к обеспечению готовности к использованию ИИ:

– 91% производителей считают, что перемещение данных ИИ имеет решающее значение для их стратегии.

– 96% в качестве главных факторов называют производительность и надежность сети.

– Почти половина (47%) ) не уверены в точности и полноте своих данных.

В совокупности эти цифры доказывают, что еще предстоит добиться гораздо большего прогресса. Если более девяти десятых лидеров считают перемещение данных и производительность сети критически важными, то интеграция ИИ зависит от инфраструктуры, созданной для быстрого и надежного перемещения данных. Однако в то же время почти каждая вторая организация не полностью доверяет перемещаемым данным. Оба компонента должны быть решены, чтобы избежать контрпродуктивных инвестиций.

Хотя производители четко понимают, что необходимо ИИ для процветания, многие из них все еще работают на цифровой основе, которая еще не является достаточно надежной и гибкой, чтобы адаптировать ее в больших масштабах. Добавьте к этому фрагментацию, вызванную множеством инструментов наблюдения, и станет очевидным, почему системы, поддерживающие производственные операции, не могут пройти мимо инициатив по проверке концепции.

Создание основы для внедрения ИИ

На организационном уровне успех ИИ будет зависеть от качества данных, скорости их перемещения и наличия команд прозрачности в системах, которые их передают. Итак, прежде чем инвестировать в полномасштабное внедрение, производителям обязательно:

– Рассматривайте производительность сети и поток данных как стратегические приоритеты.
Производственные системы искусственного интеллекта должны работать в распределенных производственных средах и взаимосвязанных цепочках поставок, и все они управляются большими объемами данных в режиме реального времени. В результате производительность сети больше нельзя рассматривать как фоновую проблему ИТ.

Поскольку переход от пилотной модели к операционной требует целенаправленного руководства и координации, организациям необходима последовательность в том, как их данные собираются и перемещаются. Такие платформы, как OpenTelemetry, помогают достичь стратегического согласования за счет стандартизации телеметрии в сложных сетях, создавая стабильную, высокофункциональную магистраль данных, необходимую ИИ для интеграции в масштабах всего предприятия.

– Повышение качества данных и доверия.
Модели искусственного интеллекта эффективны настолько, насколько эффективны данные, которые они потребляют. А на производстве, где данные генерируются и передаются по целому ряду активных источников, несоответствия или неточности создают риск и ставят под угрозу целостность.

– Уменьшите разрастание инструментов и количество слепых зон, чтобы руководители могли видеть пробелы в производительности.
Поскольку организации обычно используют 13 инструментов наблюдения от девяти поставщиков, фрагментация остается основным препятствием для масштабирования ИИ. Хотя каждый из этих инструментов может решить конкретную задачу, их совместное дублирование приводит к дублированию и ограничивает прозрачность, что затрудняет понимание того, как системы взаимодействуют под рабочими нагрузками, управляемыми искусственным интеллектом.

Именно из-за этого архитектурного противоречия 95% производителей проходят процесс консолидации инструментов. В этом контексте интеграция своего технологического стека в единую платформу наблюдения предоставила глобальной производственной организации доступ к основанным на данных и практическим знаниям для повышения производительности и производительности. Именно такая аналитическая ясность позволяет организациям уверенно и без проблем масштабировать ИИ.

Превращение потенциала ИИ в оперативную реальность

Амбициозно:85 % производителей ожидают, что они будут готовы к внедрению ИИ к 2028 году. Но если сегодня только 37 % чувствуют себя полностью готовыми, жизнеспособность этого графика будет определяться тем, насколько быстро организации смогут ликвидировать разрыв в готовности.

В течение следующих нескольких лет искусственный интеллект станет еще более глубоким, чем сейчас, а его влияние на производственные линии, цепочки поставок и процессы принятия решений только усилит давление на эффективность телеметрии и наблюдения.

Никогда еще не было так очевидно, что производители, которые сейчас инвестируют в точные данные и полный обзор всего стека, а также адаптируют свои стратегические принципы для прогнозирования новых требований Индустрии 4.0, будут иметь наилучшие возможности превратить свои успешные пилотные проекты в области искусственного интеллекта в устойчивые операционные и коммерческие преимущества.

Ник Лещинский — главный инженер по решениям UKI в компании Riverbed Technology.