Čak i u polju generativnog AI, postoje ogromne razlike: jedna je generativni AI obučen na određenim skupovima podataka koji su specifični za specifične proizvodne pogone i njihove opreme i softverske sustave; Drugi je generativni AI koji se bavi podacima o širokom rasponu tema iz različitih izvora - od kojih mnogi možda nisu dovoljno pouzdani za početak.
Da bismo pomogli razjasniti ovo pitanje, pogledajmo aplikacije AI u analizi podataka i generativnom AI u proizvodnji proizvodnih operacija i kako oni komuniciraju s tehnologijama industrijske automatizacije.
Razlika između AI za analizu podataka i generativnog AI
Započnimo s AI za analizu podataka. Iako je ovo relativno novi dodatak području tehnologije automatizacije, koristi se već nekoliko godina, a aplikacije se kreću od analitike proizvodnje do prediktivnog održavanja. U svom najosnovnijem, u proizvodnom okruženju, analitika podataka AI u osnovi obrađuje unos podataka iz tvrtke opreme i softverskih sustava tvrtke i primjenjuje algoritme za prosijavanje kroz njega kako bi istaknuli trendove i anomalije i pružili uvid u poslovne mogućnosti na temelju povezanosti podataka prikupljenih ovim različitim sustavima.
Generativni AI može generirati originalni sadržaj - uključujući tekst, slike, video, audio ili softverski kôd - na temelju korisničkih upita ili zahtjeva. Budući da generativni AI može primiti velike količine podataka iz toliko različitih izvora, vidimo pitanja poput "halucinacije", koje ljudi moraju u potpunosti provjeriti prije nego što se rezultati provede u praksi. Imajte na umu da je to opće namjena generativni AI.
U kontroliranijem okruženju, rezultati će biti pouzdaniji ako podaci uhrani u generativni AI sustav pruža pouzdan izvor i usredotočeni su na opremu i sustave određene tvrtke ili grupe partnerskih tvrtki.
Zbog toga vidite mnoge tvrtke za tehnologiju automatizacije koje implementiraju generativne AI tehnologije za razvoj sustava koji se obično nazivaju "copilot". Ovi su sustavi obučeni na relativno zatvorene skupove podataka koji su specifični za korisnikov scenarij aplikacije i tehnologije povezane s njim, a ne o strujanju različitih resursa s Interneta.
Kako dobavljači tehnologije automatizacije mogu implementirati generativni AI
Baš kao što je AI za analizu podataka postao sveprisutna u svim vrstama proizvodnih sustava u posljednjih nekoliko godina, upotreba generativnog AI u proizvodnim operacijama i dizajnerskim aplikacijama danas se brzo povećava. Promicati industrijsku cyber -sigurnost i pokretanje integracije generativnog AI u trgovine.
Interakcija između statičkih i dinamičnih podataka strojeva pružit će korisnicima platforme novu razinu kontrole nad operativnim procesima. "Nova razina kontrole" znači da će korisnici moći komunicirati s Copilot tehnologijom na svom jeziku i dobiti detaljne upute i preporuke na temelju svojih zahtjeva. ServiceNow kaže da njegova sposobnost automatizacije tijekova rada - od rasporeda održavanja do rješavanja problema u stvarnom vremenu - pomaže osigurati da se uvidi na AI pogone koje pruža Copilot prevode u opipljive, učinkovite radnje koje povećavaju produktivnost i minimiziraju vrijeme zastoja.
Proizvođači automatizacije već dugo koriste generativni dizajn za dizajniranje svojih proizvoda, a s integracijom generativnog AI, generativni dizajn prolazi kroz veliku evoluciju. Generativni AI donosi novu dimenziju generativnom dizajnu, mijenjajući način na koji inženjeri i proizvođači zamišljaju, stvaraju i optimiziraju tehnologije automatizacije uvođenjem mogućnosti "čovjeka-u-petlje".
Važno je razlikovati postojeće generativne mogućnosti dizajniranja koristeći tradicionalni AI i novi trend integriranog generativnog AI. Za razliku od tradicionalnih generativnih metoda dizajna, koje se oslanjaju samo na AI algoritme, dodavanje generativnog AI uvodi interaktivniji i iterativniji pristup gdje inženjeri mogu pružiti povratne informacije za vođenje AI sustava za optimizirana rješenja. To im omogućuje da istražuju širok dizajnerski prostor i generiraju veliki broj potencijalnih dizajna na temelju navedenih parametara, ograničenja i ciljeva izvedbe. Ovaj je pristup posebno prikladan za automatizirane sustave, gdje često postoji potreba za uravnoteženjem više varijabli i konkurentskih ciljeva.
Primjena generativnog generativnog dizajna vođenog AI na automatizirane sustave može povećati brzinu kojom se generira i procjenjuje višestruke alternative dizajna. Za nekoliko sati ili dana, kaže Tony, sustav može generirati stotine ili čak tisuće opcija dizajna, od kojih je svaka optimizirana za određeni parametar.
Druga citirana aplikacija odnosi se na usklađivanje tehnologije s industrijskim standardima i najboljim praksama. Generativni AI može se koristiti za provjeru da li sustav ispunjava standarde kibernetičke sigurnosti ističući područja na kojima sustav odstupa od utvrđenih normi, pomažući inženjerima da održavaju dosljednost i kvalitetu u svim projektima. Tehnologija se također koristi za standardizaciju praksi inženjerskih timova, posebno u situacijama u kojima se inženjeri s različitim razinama iskustva moraju pridržavati istih standarda dizajna i korištenje dosljednih knjižnica. Ta je dosljednost vrlo vrijedna prilikom kopiranja sustava na različitim mjestima ili okruženjima, jer generativni AI može sugerirati odgovarajuća prilagođavanja uz održavanje cjelokupnog integriteta dizajna.
Držite otvoreni um o industrijskim generativnim AI aplikacijama
Problem s generativnim AI alatima opće namjene, koji dobivaju najviše medijske pozornosti, je taj što odbacuju nove AI aplikacije koje se pojavljuju u tehnologijama automatizacije. Industrijski generativni AI alati od dobavljača automatizacije usredotočeni su na određene skupove podataka i izvore podataka kako bi se osigurala točnost rezultata.
Kako bi vaš um bio otvoren za industrijski generativni AI, razmotrite ovaj slučaj: prije nekih 20 godina, mnogi inženjeri proizvodnje nisu smatrali Ethernet učinkovitim izborom za tvorničko umrežavanje.
Daljnji razvoj generativne AI tehnologije važan je da se proizvodna industrija usredotoči na stjecanje znanja o njegovom profesionalnom inženjerstvu, operacijama i osoblju za održavanje kako bi se vodila sljedeća generacija radnika u industriji. Očekuje se da će ove proizvodne generativne AI alate biti tehnologije koje olakšavaju taj cilj.