O ile generatywna sztuczna inteligencja (Gen AI) to wciąż nowe zjawisko, to inne rodzaje AI istnieją już od dziesięcioleci. Dobrym przykładem mogą być systemy oparte na ludzkich, choć już przewyższających je, zdolnościach intelektualnych takich jak myślenie abstrakcyjne czy zdrowy rozsądek. Z kolei inne rodzaje sztucznej inteligencji są wciąż niejasne i pozostają w sferze tematów przyszłości.
Jeszcze dziesięć lat temu pewne rodzaje sztucznej inteligencji były ciekawostką technologiczną wykorzystywaną przez niektóre przedsiębiorstwa, a naukowcy sprawdzali przydatność algorytmów do grania i wygrywania gier logicznych z ludźmi. Od tamtej pory sztuczna inteligencja osiągnęła bardzo duży postęp, a dzięki nowym rozwiązaniom, takim jak ChatGPT, GitHub Copilot dla programistów, Sora czy Midjourney, wszyscy mówią dziś o AI, a przedsiębiorstwa prześcigają się w wymyślaniu dla nich nowych możliwości.
Istnieje jednak ogromna różnica między tym, jak ze sztucznej inteligencji korzystają konsumenci, a do czego używają jej firmy. Wyzwania takie jak budżetowanie, zapewnienie bezpieczeństwa, analiza przypadków użycia, skoncentrowanie na osiągnięciu zwrotu z inwestycji czy zapotrzebowanie na specjalistyczną wiedzę skupiają uwagę przedsiębiorców, pozostawiając im niewiele przestrzeni na obserwowanie szumu wokół tego zjawiska. Mierzalna produktywność, wydajność procesów, optymalizacja pracy, ograniczanie kosztów i wzrost przychodów są najważniejsze.
AI oraz Gen AI – priorytety na 2024
Według danych z raportu BCG dyrektorzy zarządzający zaliczają AI i Gen AI do grupy trzech priorytetów technologicznych na 2024 rok. 54% ankietowanych oczekuje, że sztuczna inteligencja przyniesie jeszcze w tym roku oszczędności kosztów. Spośród nich około połowa spodziewa się oszczędności przekraczających 10%, głównie dzięki wzrostowi produktywności w operacjach, obsłudze klienta i IT. Należy jednak zauważyć, że tylko 6% liderów w znaczący sposób zaczęło podnosić kwalifikacje w zakresie AI i Gen AI, z kolei aż 66% ma ambiwalentne odczucia lub jest niezadowolonych z własnych postępów.
Przyglądając się na przykład branży motoryzacyjnej, możemy odczytać z raportu firmy Zebra Technologies, że 43% liderów ankietowanych w Niemczech i 56% w Wielkiej Brytanii korzysta obecnie z jakiejś formy sztucznej inteligencji, np. głębokiego uczenia stosowanego w projektach związanych z wizją maszynową. Z drugiej strony 34% liderów w Niemczech i 24% w Wielkiej Brytanii twierdzi, że nie wykorzystuje żadnej formy sztucznej inteligencji w podobnych przedsięwzięciach i nie widzi takiej potrzeby. Są również liderzy, którzy oczekują od AI, aby robiła dla nich więcej i osiągała przy tym lepsze efekty.
Różne poziomy technologicznej dojrzałości
Postępy w dziedzinie widzenia maszynowego to jeden z przykładów, gdzie, podobnie jak w innych branżach widzimy, że producenci, znajdują się na różnych poziomach dojrzałości, jeśli chodzi o osiąganie rezultatów dzięki sztucznej inteligencji. Nowoczesne rozwiązania w zakresie wizji maszynowej przenoszą analizę na zupełnie nowy poziom dokładności, zgodności i jakości w procesach produkcyjnych, a także zapewniają inżynierom nowe narzędzia do wydajniejszej pracy, co pokazuje prawdziwą wartość technologii.
W jednym z zakładów produkcyjnych Grupa Bosch opracowuje rozwiązania dla układów wtryskowych silników wysokoprężnych dla przemysłu motoryzacyjnego. Dysze wtryskowe są ważnym elementem, który transportuje olej napędowy do komory spalania silnika. Firma Bosch potrzebowała systemu wizyjnego, aby jeszcze bardziej zautomatyzować procesy odczytu i weryfikacji, poprawić możliwość identyfikacji dysz wtryskowych i zmniejszyć liczbę obrabianych części, które musiały być sprawdzane ręcznie. Dzięki temu rozwiązaniu zakład osiąga produkcję na poziomie 7000 części dziennie. Odsetek nieprawidłowych odrzutów spadł poniżej 5%, co stanowi znaczną poprawę. System działa na oprogramowaniu widzenia maszynowego, które kontroluje cały proces i umożliwia zespołowi zmniejszenie kosztów, a przy tym szybszą i prostszą konfigurację.
Sztuczna inteligencja (i użytkownicy) potrzebują szkolenia
Sieci neuronowe głębokiego uczenia są potężnymi, zaawansowanymi narzędziami sztucznej inteligencji, które naśladują ludzki mózg – w szczególności splotowe sieci neuronowe w przypadku widzenia maszynowego naśladujące korę wzrokową mózgu, która przetwarza obrazy.
Czasami inżynierowie oczekują, że sieci neuronowe będą działały bezbłędnie, a przecież trzeba pamiętać, że mają one swoje ograniczenia. Ważne jest, aby informować o tym wszystkich interesariuszy. Sieci neuronowe mogą osiągać niezwykłe wyniki, ale muszą być stosowane w przemyślany sposób. Realistyczne oczekiwania powinny opierać się na obszarach, w których wyróżniają się one większą wydajnością niż człowiek czy konwencjonalne widzenie maszynowe oparte na regułach. Przykłady takich obszarów to wykrywanie wad powierzchni, rozpoznawanie lub liczenie obiektów, odczytywanie trudnych znaków lub wykrywanie nieoczekiwanych odchyleń (anomalii) od wzorca.
Czytaj także: Czy roboty marzą o 99,9% efektywności? Rozmawiamy z Kacprem Nowickim z Nomagic [podcast]
Istnieje wiele problemów z danymi, które trzeba rozwiązać, aby firma mogła czerpać korzyści ze sztucznej inteligencji. Aby zapewnić prawidłowe działanie rozwiązań opartych na głębokim uczeniu należy brać pod uwagę mieszanie treningowych i testowych zestawów danych, niewystarczające i nierówne rozmiary próbek, niejednoznaczne i niekonsekwentne oznaczenia danych, a także czynniki środowiskowe.
Potrzeba planu, aby wykorzystać potencjał AI
Po przyjęciu unijnego aktu dotyczącego sztucznej inteligencji, przedsiębiorstwa muszą umieć przebić się przez szum informacyjny, aby dowiedzieć się, jaką wartość AI może zapewnić ich działalnościom. Unijna ustawa o sztucznej inteligencji określa wspólne ramy korzystania i dostarczania systemów AI w UE, wraz z klasyfikacją systemów AI o różnych wymaganiach i obowiązkach dostosowanych do podejścia opartego na ryzyku.
Ustawa stanowi dla producentów nowy katalizator do inwestowania w partnerstwa i technologie potrzebne do stworzenia cyfrowych fabryk i rozwoju inteligentnych operacji produkcyjnych. Bardziej zautomatyzowane i autonomiczne przepływy pracy, lepiej wspierani pracownicy oraz analizy predykcyjne i preskryptywne mogą być wspomagane dzięki sztucznej inteligencji i ogromnej ilości cennych danych produkcyjnych.
Czytaj także: Standardy etyczne dla AI mają służyć kierowaniu ludzkim zachowaniem – Steve Nouri (AI4Diversity)
Który proces produkcyjny wymaga automatyzacji i mógłby skorzystać ze sztucznej inteligencji? Jaki rodzaj sztucznej inteligencji byłby najbardziej odpowiedni? W jaki sposób zapewniana i rejestrowana jest zgodność z przepisami? Jakiego personelu i jakich partnerów potrzebują przedsiębiorcy, aby to osiągnąć? Są to pytania, na które nie da się dziś wyłuskać odpowiedzi z szumu informacyjnego wokół sztucznej inteligencji, ale należy się nad nimi pochylić.
Postępy bez zbędnego szumu
W tej chwili nie chodzi o to, że sztuczna inteligencja tworzy czy eliminuje miejsca pracy, chociaż wiele nagłówków w mediach może to sugerować. Podobnie jak w przypadku samochodów, telefonów i Internetu, dzięki rozwojowi sztucznej inteligencji pojawi się wiele nowych profesji i branż. To, co widzimy teraz, to producenci wyposażający swoich inżynierów, programistów i naukowców zajmujących się danymi w nowe i lepsze narzędzia oparte na AI. Dzięki temu mogą oni wykonywać swoje obowiązki szybciej, wydajniej i automatyzować niektóre zadania z wykorzystaniem rozwiązań opartych na sztucznej inteligencji.
Producenci, podobnie jak inne branże, mogą mieć trudności z zatrudnianiem, szkoleniem i utrzymaniem pracowników. W takich przypadkach liderzy biznesowi zwracają się ku automatyzacji, aby uzupełnić braki kadrowe i przyspieszyć szkolenie personelu oraz wspierać już zatrudniony zespół. Pracownicy wykorzystujący możliwości sztucznej inteligencji będą się wyróżniać, ponieważ posiądą wiedzę i doświadczenie, których producenci potrzebują w swoich zakładach.
Czytaj także: Badanie EY: Polska w dziesiątce krajów, które najbardziej zyskają na implementacji AI
Firmy będą również traktować demokratyzację AI i uczenia maszynowego jako priorytet strategiczny. Niezależnie od tego, czy chodzi o inżynierów, analityków danych czy programistów, pracownicy będą podnosić swoje kwalifikacje i otrzymywać zasoby edukacyjne oraz gotowe, łatwiejsze w użyciu narzędzia AI, które przejmą niektóre zadania i będą ich wspierać w innych obszarach. Niektóre rozwiązania mogą być zaprojektowane zgodnie ze standardami low/no code, co oznacza, że są gotowe do użycia od razu po wyjęciu z pudełka i nie wymagają specjalistycznego szkolenia. Przykładem takiego systemu jest narzędzie głębokiego uczenia OCR. Inne narzędzia są bardziej zaawansowane i działają raczej jak gotowe środowiska dla programistów i analityków danych. Służą one do tworzenia rozwiązań przy użyciu dostarczonej platformy, narzędzi i bibliotek.
Ostatecznie podnoszenie kwalifikacji pracowników czy optymalizacja na pierwszej linii dzięki nowym sposobom pracy staną się standardem, a nie wyróżnikiem w walce o talenty. Ci, którzy będą potrafili wprowadzać i wykorzystywać nowe narzędzia sztucznej inteligencji, nie dając się zwieść szumowi informacyjnemu, zapewnią sobie i swoim klientom przewagę w przyszłości.
Autor: Donato Montanari, wiceprezes i dyrektor generalny działu Machine Vision, Zebra Technologies
