Daugeliui didelių kompanijų šiuo metu pati naudingiausia AI forma mažai susijusi su el. laiškų rašymu ar atsakymu į klausimus. „PepsiCo“ AI testuojamas vietose, kur klaidos kainuoja brangiai, o pakeitimus sunku atšaukti – gamyklos išdėstymas, gamybos linijos ir fizinės operacijos.
Šis pokytis matomas iš to, kaip „PepsiCo“ naudoja dirbtinį intelektą ir skaitmeninius dvynius, kad galėtų modeliuoti ir pritaikyti savo gamybos įrenginius prieš imdamasi pokyčių realiame pasaulyje. Užuot eksperimentavusi su pokalbių sąsajomis ar biuro įrankiais, įmonė AI taiko vienai iš pagrindinių problemų: kaip greičiau konfigūruoti gamyklas su mažesne rizika ir mažiau trikdžių.
Skaitmeniniai dvyniai yra virtualūs fizinių sistemų modeliai. Gamyboje jie gali imituoti įrangos išdėstymą, medžiagų srautą ir gamybos greitį. Kartu su AI šie modeliai gali išbandyti tūkstančius scenarijų, kuriuos būtų nepraktiška arba brangu išbandyti tiesioginėje gamybos linijoje.
„PepsiCo“ bendradarbiauja su partneriais, siekdama pritaikyti dirbtinio intelekto pagrįstus skaitmeninius dvynius savo gamybos tinklo dalyse, o pirmieji bandomieji darbai buvo skirti tobulinti patalpų projektavimą ir pritaikymą laikui bėgant.
Tikslas nėra automatizavimas dėl savęs. Tai ciklo laikas. Užuot trukusias savaites ar mėnesius, kad patvirtintų pakeitimus atliekant fizinius bandymus, komandos gali virtualiai išbandyti konfigūracijas, anksčiau nustatyti problemas ir veikti greičiau, kai reikia naujinimų.
Nuo planavimo kliūties iki veiklos nuorodos
Didelėse plataus vartojimo prekių įmonėse gamyklų pakeitimai linkę judėti lėtai. Net ir nedideliems koregavimams – naujam linijos išdėstymui, kitokiam pakuočių srautui ar įrangos atnaujinimui – gali prireikti ilgų planavimo ciklų, patvirtinimų ir etapinio testavimo. Kiekvienas vėlavimas turi neigiamą poveikį tiekimo grandinėms ir produktų prieinamumui.
Skaitmeniniai dvyniai yra būdas išvengti šios kliūties. Modeliuodamos gamybos aplinką, komandos gali pamatyti, kaip pokyčiai gali turėti įtakos pralaidumui, saugai ar prastovoms, prieš prisiliesdamos prie faktinio įrenginio.
Ankstyvieji PepsiCo bandomieji projektai parodė greitesnį patvirtinimo laiką ir pralaidumo pagerėjimo požymius pradinėse vietose, nors bendrovė dar nepaskelbė išsamios metrikos. Svarbiau nei skaičiai yra modelis: dirbtinis intelektas naudojamas fizinių operacijų sprendimų ciklams suspausti, o ne pakeisti darbuotojus ar panaikinti žmogaus nuomonę.
Toks naudojimo atvejis atitinka platesnę tendenciją. Įmonės, kurios peržengia bandomuosius projektus, dažnai sutelkia dėmesį į siauras, tiksliai apibrėžtas problemas, dėl kurių AI gali sumažinti esamų darbo eigų trintį. Gamybos, logistikos ir sveikatos priežiūros operacijos rodo didesnį trauką nei atviras žinių darbas.
Kodėl PepsiCo AI traktuoja kaip operacijų inžineriją, o ne biuro produktyvumą
„PepsiCo“ požiūris taip pat pabrėžia tylesnį AI programų pateisinimo didelėse įmonėse pokyčius. Vertė siejama su veiklos rezultatais – sutaupytu laiku, mažiau trikdžių, geresniu planavimu, o ne su bendrais teiginiais apie produktyvumą.
Tas skirtumas yra svarbus. Daugelis įmonių dirbtinio intelekto pastangų stringa, nes sunku susieti naudojimą su išmatuojamu poveikiu. Įrankiai įdiegiami, tačiau darbo eigos išlieka tokios pačios.
Skaitmeniniai dvyniai keičia šią dinamiką, nes jie tiesiogiai dalyvauja planavimo ir inžinerijos procesuose. Jei dėl imituoto pakeitimo gamyklos atnaujinimas sutrumpėja savaitėmis, nauda matoma. Jei tai sumažina prastovų riziką, operacijų komandos gali tai įvertinti laikui bėgant.
Šis dėmesys proceso pokyčiams, o ne įrankiams, atspindi tai, kas vyksta kituose sektoriuose. Pavyzdžiui, sveikatos priežiūros srityje „Amazon“ išbando dirbtinio intelekto asistentą savo „One Medical“ programoje, kuri naudoja paciento istoriją, kad sumažintų pasikartojantį vartojimą ir palaikytų priežiūros sąveiką, teigiama šią savaitę pateiktuose generalinio direktoriaus Andy Jassy komentaruose. Asistentas yra įtrauktas į priežiūros darbo eigą, nesiūlomas kaip atskira funkcija.
Abu atvejai rodo tą pačią pamoką: dirbtinio intelekto pritaikymas vyksta greičiau, kai jis atitinka jau atliktus darbus, o ne prašo komandų sugalvoti naujų įpročių.
Kodėl tai svarbu kitoms įmonėms
Tikėtina, kad PepsiCo skaitmeninis dvynių darbas ilgai nebus unikalus. Stambūs maisto, cheminių medžiagų ir pramoninių prekių gamintojai susiduria su panašiais planavimo apribojimais ir išlaidų spaudimu. Daugelis jau naudoja modeliavimo programinę įrangą. AI suteikia šiems modeliams greičio ir masto.
Įdomiau yra tai, ką tai sako apie kitą įmonės AI priėmimo etapą.
Pirma, svorio centras krypsta nuo plačių, bendrų įrankių link sutelktų sistemų, susietų su konkrečiais sprendimais. Antra, sėkmė mažiau priklauso nuo modelio kokybės, o nuo duomenų kokybės, proceso nuosavybės ir valdymo. Skaitmeninis dvynys yra tiek pat naudingas, kiek jį teikiantys operatyviniai duomenys.
Trečia, toks AI darbas dažniausiai nepatenka į dėmesio centrą. Tai nesukuria ryškių demonstracinių versijų, tačiau gali pakeisti tai, kaip įmonės planuoja kapitalo išlaidas ir valdo riziką.
Tai taip pat paaiškina, kodėl daugelis įmonių išlieka atsargios. Tikslių skaitmeninių dvynių kūrimas ir priežiūra reikalauja laiko, koordinavimo tarp komandų ir gilių fizinių sistemų žinių. Atlyginimas gaunamas iš pakartotinio naudojimo, o ne vienkartiniai laimėjimai.
PepsiCo gamybos AI darbas yra tylus signalas, kurį verta stebėti
AI aprėptyje lengva sutelkti dėmesį į naujus modelius, agentus ar sąsajas. Tokios istorijos kaip PepsiCo nukreiptos kita linkme. Jie rodo, kad dirbtinis intelektas yra traktuojamas kaip infrastruktūra – kažkas, kas slypi po kasdieniais sprendimais ir palaipsniui keičia darbo srautą organizacijoje.
Įmonių lyderiams svarbu ne kopijuoti technologijų krūvą. Reikia ieškoti vietų, kur planavimo vėlavimai, patvirtinimo ciklai ar veiklos rizika sulėtina verslą. Tuose trinties taškuose AI turi didžiausią galimybę prilipti.
„PepsiCo“ skaitmeninių dvynių pilotai teigia, kad gamyklos grindys šiandien gali būti viena iš praktiškiausių AI bandymų aikštelių – ne todėl, kad tai madinga, o todėl, kad poveikį lengviau pastebėti, kai laikas ir klaidos turi akivaizdžių išlaidų.
(NIKHIL nuotrauka)
Taip pat žiūrėkite: „Deloitte“ skleidžia pavojaus signalą, nes DI agento diegimas viršija saugos sistemas
Norite daugiau sužinoti apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite „AI & Big Data Expo“, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra TechEx dalis ir vyksta kartu su kitais pagrindiniais technologijų renginiais. Norėdami gauti daugiau informacijos, spustelėkite čia.
AI naujienas teikia TechForge Media. Čia rasite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
