Pat ģeneratīvās AI jomā pastāv milzīgas atšķirības: viena ir ģeneratīva AI, kas apmācīta īpašās datu kopās, kas raksturīgas īpašām ražošanas iekārtām un to aprīkojuma un programmatūras sistēmām; Otrs ir ģeneratīvs AI, kas tiek barots ar datiem par plašu tēmu klāstu no dažādiem avotiem - daudzi no tiem var nebūt pietiekami uzticami, lai sāktu.
Lai palīdzētu noskaidrot šo problēmu, apskatīsim AI lietojumus datu analītikā un ģeneratīvo AI ražošanas darbībās un to, kā tās mijiedarbojas ar rūpnieciskās automatizācijas tehnoloģijām.
Atšķirība starp AI datu analīzē un ģeneratīvo AI
Sāksim ar AI datu analīzei. Lai gan tas ir salīdzinoši jauns papildinājums automatizācijas tehnoloģijas jomai, tas tiek izmantots vairākus gadus ar lietojumprogrammām, sākot no ražošanas analītikas līdz prognozējošai apkopei. Visvienkāršākajā ražošanas vidē datu analītika AI būtībā apstrādā datu ievadi no uzņēmuma augu aprīkojuma un programmatūras sistēmām un izmanto algoritmus, lai izsijātu to caur to, lai izceltu tendences un anomālijas un sniegtu ieskatu par uzņēmējdarbības iespējām, pamatojoties uz šo dažādo sistēmu apkopoto datu korelāciju.
Ģeneratīvais AI var ģenerēt oriģinālo saturu, ieskaitot tekstu, attēlus, video, audio vai programmatūras kodu, pamatojoties uz lietotāja uzvednēm vai pieprasījumiem. Tā kā ģeneratīvais AI var saņemt lielu datu daudzumu no tik daudziem dažādiem avotiem, mēs redzam tādas problēmas kā "halucinācijas", kuras cilvēkiem ir pilnībā jāpārbauda, pirms rezultāti tiek ieviesti praksē. Tomēr ņemiet vērā, ka tas ir vispārējas nozīmes ģeneratīvs AI.
Kontrolētākā vidē rezultāti būs ticamāki, ja datus, kas ievadīti ģeneratīvā AI sistēmā, nodrošina uzticams avots un tie ir vērsti uz konkrēta uzņēmuma vai partneru uzņēmumu grupas aprīkojumu un sistēmām.
Tāpēc jūs redzat, ka daudzi automatizācijas tehnoloģiju uzņēmumi ievieš ģeneratīvas AI tehnoloģijas, lai izstrādātu sistēmas, kuras parasti dēvē par “kopilotu”. Šīs sistēmas ir apmācītas salīdzinoši slēgtās datu kopās, kas ir raksturīgas lietotāja lietojumprogrammu scenārijam un ar to saistītajām tehnoloģijām, nevis nokasīt dažādus resursus no interneta.
Kā automatizācijas tehnoloģiju pārdevēji var ieviest ģeneratīvo AI
Tāpat kā AI datu analītikai ir kļuvis visuresošs visos ražošanas sistēmu veidos dažu pēdējo gadu laikā, arī ģeneratīvās AI izmantošana ražošanas darbībās un projektēšanas lietojumprogrammās mūsdienās strauji palielinās. Lai veicinātu rūpniecisko kiberdrošību un padziļinātu ģeneratīvās AI integrāciju veikalu grīdas darbībās.
Statisko un dinamisko mašīnu datu mijiedarbība nodrošinās platformas lietotājiem jaunu kontroles līmeni pār darbības procesiem. "Jaunais kontroles līmenis" nozīmē, ka lietotāji varēs mijiedarboties ar kopilota tehnoloģiju savā valodā un saņemt detalizētus norādījumus un ieteikumus, pamatojoties uz viņu prasībām. ServiceNow saka, ka tā spēja automatizēt darbplūsmas - sākot no tehniskās apkopes plānošanas līdz reāllaika problēmu risināšanai - palīdz nodrošināt, ka Copilot sniegtās AI darbinātās atziņas pārvērš taustāmās, efektīvās darbībās, kas palielina produktivitāti un samazina dīkstāvi.
Ģeneratīvo dizainu jau sen izmantojuši automatizācijas ražotāji, lai izstrādātu savus produktus, un, integrējot ģeneratīvo AI, ģeneratīvais dizains tiek veikta liela evolūcija. Ģeneratīvā AI rada jaunu dimensiju ģeneratīvajam dizainam, mainot inženieru un ražotāju ieceres, izveidošanu un optimizēšanu automatizācijas tehnoloģijas, ieviešot "cilvēka-cilpas" iespējas.
Ir svarīgi atšķirt esošās ģeneratīvās projektēšanas iespējas, izmantojot tradicionālās AI un topošo integrētās ģeneratīvās AI tendences. Atšķirībā no tradicionālajām ģeneratīvajām dizaina metodēm, kuras paļaujas tikai uz AI algoritmiem, ģeneratīvās AI pievienošana ievieš interaktīvāku un iteratīvāku pieeju, kur inženieri var sniegt atgriezenisko saiti, lai AI sistēmas virzītu uz optimizētākiem risinājumiem. Tas viņiem ļauj izpētīt plašu dizaina vietu un ģenerēt lielu skaitu potenciālo dizainu, pamatojoties uz noteiktiem parametriem, ierobežojumiem un veiktspējas mērķiem. Šī pieeja ir īpaši piemērota automatizētām sistēmām, kur bieži ir nepieciešams līdzsvarot vairākus mainīgos un konkurējošos mērķus.
Ģeneratīva AI virzīta ģeneratīva dizaina piemērošana automatizētām sistēmām var palielināt ātrumu, kādā tiek ģenerētas un novērtētas vairāku dizaina alternatīvas. Dažu stundu vai dienu laikā Tonijs saka, ka sistēma var ģenerēt simtiem vai pat tūkstošiem dizaina iespēju, kas katra ir optimizēta dotajam parametram.
Cita lietojumprogramma citēta ir saistīta ar tehnoloģiju saskaņošanu ar nozares standartiem un labāko praksi. Ģeneratīvo AI var izmantot, lai pārbaudītu, vai sistēma atbilst kiberdrošības standartiem, izceļot apgabalus, kur sistēma atšķiras no noteiktām normām, palīdzot inženieriem saglabāt konsekvenci un kvalitāti dažādos projektos. Šī tehnoloģija tiek izmantota arī inženieru komandu prakses standartizēšanai, it īpaši situācijās, kad inženieriem ar dažādu pieredzi ir jāievēro tie paši dizaina standarti un jāizmanto konsekventas bibliotēkas. Šī konsekvence ir ļoti vērtīga, kopējot sistēmas dažādās vietnēs vai vidē, jo ģeneratīvā AI var ieteikt atbilstošas korekcijas, vienlaikus saglabājot vispārējo dizaina integritāti.
Atklāts prātā par rūpniecisko ģeneratīvo AI lietojumprogrammām
Problēma ar vispārējas nozīmes ģeneratīviem AI rīkiem, kuriem tiek pievērsta vislielākā plašsaziņas līdzekļu uzmanība, ir tā, ka tie noraida jaunas AI lietojumprogrammas, kas parādās automatizācijas tehnoloģijās. Rūpniecisko ģeneratīvo AI rīki no automatizācijas pārdevējiem koncentrējas uz konkrētām datu kopām un datu avotiem, lai nodrošinātu rezultātu precizitāti.
Lai jūsu prāts būtu atvērts rūpnieciskajam ģeneratīvajam AI, apsveriet šo gadījumu: pirms apmēram 20 gadiem daudzi ražošanas inženieri neuzskatīja Ethernet par efektīvu izvēli rūpnīcas grīdas tīklam.
Turpmākā ģeneratīvās AI tehnoloģijas attīstība ir svarīga ražošanas nozarei, lai koncentrētos uz zināšanu iegūšanu par tās profesionālo inženiertehnisko, operāciju un uzturēšanas personālu, lai vadītu nākamās paaudzes nozares darbiniekus. Paredzams, ka šie ražošanai vērstie ģeneratīvie AI rīki būs tehnoloģijas, kas padara šo mērķi vieglāku.