Čak i u polju generacije AI postoje ogromne razlike: jedan je generativni AI obučen o određenim skupovima podataka koji su specifični za određene proizvodne pogone i njihovu opremu i softverske sisteme; Drugi je generativni AI koji su hranili podatke o širokom rasponu tema iz različitih izvora - od kojih mnogi možda nisu dovoljno pouzdani za početak.
Da biste razjasnili ovo pitanje, pogledajmo aplikacije AI u analitiku podataka i generativne AI u proizvodnji proizvodnih operacija i kako komuniciraju s industrijskim tehnologijama za automatizaciju.
Razlika između AI za analizu podataka i generativne AI
Započnimo s AI za analizu podataka. Iako je ovo relativno novi dodatak polju tehnologije automatizacije, u upotrebi je nekoliko godina, a aplikacije se kreću od proizvodnih analitike za prediktivno održavanje. U svom najosnovnijem okruženju, analitika podataka AI u suštini obrađuje unos podataka iz biljne opreme i softverskih sustava i primjenjuje algoritme da bi se prosipali za isticanje trendova i anomalija i pružanja uvida o poslovnim mogućnostima na osnovu korelacije podataka prikupljenih ovim različitim sistemima.
Generativni AI može generirati originalni sadržaj - uključujući tekst, slike, video, audio ili softverski kod - na temelju korisničkih upita ili zahtjeva. Budući da generativni AI može primiti velike količine podataka iz toliko različitih izvora, vidimo pitanja poput "halucinacije", koje ljude treba u potpunosti provjeriti prije nego što se rezultati u potpunosti prenose u praksi. Napomena, međutim, da je ovo generativna AI opće namjene.
U kontroliranijoj okolini rezultati će biti pouzdaniji ako se podaci koji se hrane generiranim AI sistemom pruža pouzdan izvor i fokusiran je na opremu i sisteme određene kompanije ili grupu partnerskih kompanija.
Zbog toga vidite mnoge kompanije za tehnologiju automatizacije koje provode generativne AI tehnologije za razvoj sistema koji se obično nazivaju "kopilotom". Ovi su sustavi obučeni za relativno zatvorene skupove podataka koji su specifični za korisnički scenarij aplikacija i tehnologije povezane s njom, a ne struganjem raznih resursa s Interneta.
Kako dobavljači tehnologije automatizacije mogu implementirati generativni AI
Baš kao što je AI za analitiku podataka postala sveprisutna u svim vrstama proizvodnih sistema u posljednjih nekoliko godina, upotreba generativnog AI-a u proizvodnji i dizajnerskim aplikacijama danas se brzo povećavaju. Za promociju industrijske cyber-sigurnosti i pokretanje integracije generativnog AI-a u operacije trgovine.
Interakcija između statičkih i dinamičnih podataka stroja korisnicima će pružiti korisnicima platformu novim nivoom kontrole nad operativnim procesima. "Nova razina kontrole" znači da će korisnici moći da komuniciraju sa Copilot tehnologijom na vlastitim jeziku i dobiju detaljna uputstva i preporuke na osnovu njihovih zahteva. Servisnost kaže da je njegova sposobnost automatizacije radnih tokova - od planiranja održavanja do rješavanja problema u stvarnom vremenu - pomaže da uvid u AI-u koji su uvidi u kopilotu prevode u opipljive, efikasne radnje koje povećavaju produktivnost i minimiziranje prekida rada.
Generativni dizajn već dugo koriste automatizacijski proizvođači za osmišljavanje svojih proizvoda, a integracijom generativnog AI-a, generativni dizajn prolazi glavnoj evoluciji. Generativni AI donosi novu dimenziju generativnom dizajnu, mijenjajući način na koji se inženjeri i proizvođači začeću, kreiraju i optimiziraju tehnologije automatizacije uvođenjem "Human-In-The-The-Loop" mogućnosti.
Važno je razlikovati postojeće generativne mogućnosti dizajna koristeći tradicionalni AI i trend u nastajanju integrirane generacije AI. Za razliku od tradicionalnih generativnih metoda dizajna, koje se oslanjaju samo na algoritme AI, dodavanje generativnog AI uvodi interaktivniji i iterativni pristup gdje inženjeri mogu pružiti povratne informacije za vođenje AI sustava na optimizirane rješenja. To im omogućava da istražuju širok dizajnerski prostor i stvaraju veliki broj potencijalnih dizajna na temelju navedenih parametara, ograničenja i ciljeva performansi. Ovaj pristup je posebno pogodan za automatizirane sisteme, gdje često postoji potreba za ravnoteže više varijabli i konkurentskih ciljeva.
Primjena generativnog generalnog dizajna AI-a za automatizirani sustavi može povećati brzinu na kojoj se generiraju i procjenjuju više alternativa za dizajn. Za nekoliko sati ili dana, kaže Tony, sustav može stvoriti stotine ili čak hiljade opcija dizajna, a svaka je optimizirana za određeni parametar.
Druga primjena navela se odnosi na usklađivanje tehnologije sa industrijskim standardima i najboljim praksama. Generativni AI može se koristiti za provjeru da sistem zadovoljava standarde cyber-sigurnosti isticanja područja u kojima sustav odstupa od utvrđenih normi, pomažući inženjerima da održavaju konzistentnost i kvalitetu širom projekta. Tehnologija se koristi i za standardizaciju prakse inženjerskih timova, posebno u situacijama u kojima se inženjeri sa različitim nivoima iskustva trebaju pridržavati istih dizajnerskih standarda i koristiti konzistentne biblioteke. Ova konzistencija je vrlo vrijedna prilikom kopiranja sustava na različitim web lokacijama ili okruženjima, kao generativni AI mogu predložiti odgovarajuća prilagođavanja uz održavanje cjelokupnog integriteta dizajna.
Otvorite otvoreni um o industrijskim generacijama AI aplikacija
Problem sa općim generativnim AI alatima, koji dobivaju najviše medijske pažnje je da su odbacite nove aplikacije AI koji se pojavljuju u tehnologijama automatizacije. Industrijski generativni AI alati iz dobavljača automatizacije fokusiraju se na određene skupove podataka i izvore podataka kako bi se osigurala tačnost rezultata.
Da biste svoj um otvorili za industrijski generativni AI, razmotrite ovaj slučaj: prije nekih 20 godina, mnogi inženjeri za proizvodnju nisu smatrali Ethernet-u da bi Ethernet bio efikasan izbor za tvorničku mrežu.
Daljnji razvoj generativne AI tehnologije važan je da se proizvodna industrija fokusira na stjecanje znanja o svom profesionalnom inženjerstvu, operacijama i održavanju osoblja za vođenje sljedeće generacije industrijskih radnika. Ovi proizvodni fokusirani generacijski AI alati se očekuje da budu tehnologije koje olakšavaju taj cilj postizanje.