Bu yıl, yapay zeka nihayet kitle pazarına doğru bir atılım yapıyor gibi görünüyor. Yapay zekanın ekonomiyi kökten değiştireceği bir süredir aşikardı. 2018 istatistiğine göre, yapay zekanın GSYİH üzerinde önemli bir pozitif etkiye sahip olması bekleniyor.

2018'de, AI'nın ABD GSYİH'sine tahmini katkısı yaklaşık 191 milyar dolardı. Bu rakamın önümüzdeki yıllarda istikrarlı bir şekilde artması öngörülüyor. 2025 yılı için tahmini AI katkısı yaklaşık 515 milyar dolar olarak beklenirken, 2030 yılı için yaklaşık 1,2 trilyon dolarlık bir rakam tahmin ediliyor.

Ancak özellikle üretimde, AI uygulamalarının benimsenmesi yavaş oldu. Bunun nedenlerinden biri, anlamlı -yani karlı- uygulama alanlarının hala nadir olmasıdır. TÜV anketinde , şirketlerin %50'si şirketlerinde AI için anlamlı bir kullanımdan haberdar olmadıklarını söyledi; %42'si AI'nın onlar için ne yapabileceği konusunda net değildi. Bu 2020'ydi - sayılar o zamandan beri muhtemelen iyileşmiştir. Yine de, seri üretimde, pratik kullanım örnekleri hala her köşede bulunmuyor.

Üretimde AI uygulamaları bugünün en son teknolojiyle iyi bir etki yaratacak şekilde nerede konuşlandırılabilir? Bazı alanlarda, mevcut AI'lar aşağıdaki dört alanda olduğu gibi büyük üretkenlik kazanımları potansiyeli getiriyor:

Robotik

Çoğu endüstriyel robot şu anda oldukça kör ve aptaldır. Sabit kodlanmış kurallara göre çalışırlar. Bu, otomotiv üretimindeki kaynak robotları gibi standartlaştırılmış seri üretimdeki büyük parti boyutları için işe yarar.

Ancak, çevre veya ürünler daha fazla değiştiğinde, robotların daha akıllı hale gelmesi gerekir. Örneğin, bireysel malların üretiminde ve kullanılmış ürünlerin yenilenmesinde veya geri dönüştürülmesinde. AI tabanlı robotlar, örneğin tasarımlarına, durumlarına veya amaçlanan kullanımlarına bağlı olarak parçaları farklı şekilde işlemeyi öğrenebilir. AI için bir diğer uygulanabilir kullanım durumu, parçaları alıp bırakmaktır. Robot, kaplarda kaotik bir şekilde saklanan parçaları doğru bir şekilde kavrayabilir ve manuel hazırlık çalışmasına gerek kalmadan tekrar aşağı koyabilir.

Sözde cobotlar da kısmen yapay zeka ile çalışır. Çalışma alanını insanlarla paylaşırlar; örneğin koridorlarda hareket ederler. Bunu yapmak için, mevcut durumları anlayıp tepki verebilmeleri gerekir. Tehlikeleri öngörebilmeli ve insanların farklı çalışma biçimlerine uyum sağlayabilmelidirler.

Kalite kontrol

Kalite kontrolü, AI çözümlerinin bir süredir karlı bir şekilde kullanıldığı alanlardan biridir. Görev, AI'ların yetenekleri ve özellikle popüler makine öğrenimi alt alanı için önceden belirlenmiştir. AI'lar, bileşenleri katı kurallara göre iyi ve kötü olarak sınıflandırmak yerine, sapmaları -sınırda kalan alanlara düşenleri bile- tespit edebilir, sınıflandırabilir ve değerlendirebilir. Bu yetenekler, diğer şeylerin yanı sıra, sözde kusur oranlarını azaltmak veya insan denetçiler tarafından değerlendirilmek üzere büyük miktarda veri hazırlamak için kullanılabilir.

Üretim planlaması

Üretim planlama ve programlamada çok sayıda faktör dikkate alınmalıdır: Sipariş durumu, sipariş edilen ürünlerin türü ve miktarı, teslimat tarihleri, envanter, hammadde ve yarı parçaların fiyatları ve bulunabilirliği, insan ve makine bulunabilirliği vb. Bu, görevi oldukça karmaşık hale getirir.

Yapay zeka tabanlı yazılım, birçok veriyi gerçek zamanlı olarak değerlendirebilir ve planlama önerilerinde bulunabilir. Ayrıca, güncel piyasa verileri, sektör endeksleri veya müşterilerin sipariş davranışlarına ilişkin geçmiş veriler gibi ek verileri de içerebilir. Planlamacılar, yapay zekayı kullanarak farklı senaryoları simüle edebilir ve daha iyi kararlar almak için tahminler oluşturabilir.

Makinelerin parametrelendirilmesi

Küçük parti boyutları veya özelleştirilmiş ürünler için, her üretim makinesinin parametreleri ayarlanmalı ve koordine edilmelidir. Düzinelerce parametreyle, bu uzun kesintilere yol açar. Ayrıca, nadiren üretilen parçalar için genellikle deneyim eksiktir ve önce ideal ayar bulunmalıdır.

AI bu kısmı basitleştirebilir. Örneğin, ürünler arasındaki benzerlikleri tanır ve uygun ayarları önerir. Ya da birkaç önceden tanımlanmış parametreye dayanarak ideal genel yapılandırmayı hesaplar.

Şirketlerin AI için karlı uygulama alanlarını belirlemesinin en iyi yolu nedir? İvme, ideal olarak süreçleri ve sorunları bilen iş departmanından gelmelidir. Tamamen teknoloji odaklı projeler - "AI ile bir şeyler yapmalıyız" - genellikle başarısızlığa mahkumdur.

Sorumlular kendi süreçlerini analiz etmelidir: Hangi görevler tekrarlayıcıdır? Hangi görevler nispeten monotondur ve bu nedenle zamanla insanlar için zorlayıcıdır? Prensip olarak, bu tür süreçler AI kullanımına önceden belirlenmiştir. Ancak dijital bilgi çalışması da giderek daha fazla otomatikleştirilebilir veya en azından AI tarafından desteklenebilir.

Ancak, diğer faktörler de doğru olmalıdır: Bir sistemin ne kadar çok arayüzü varsa, o kadar karmaşık hale gelir. Öte yandan, izole sistemler idealdir, örneğin yukarıda açıklanan kalite kontrol veya robotik alanları. Ardından şirketlerin bir AI için gerekli eğitim verilerine sahip olması gerekir; bir makine öğrenimi çözümünün başarısı büyük ölçüde buna bağlıdır.

Son olarak, şirketlerin uygulama için gerekli bilgi birikimine ve yetenekli çalışanlara ihtiyacı vardır. Yukarıda belirtilen TÜV anketinde, %40'ı bu iki yönü AI'nın daha fazla kullanılmasının önündeki en büyük engeller olarak gösterdi. Şirketler kendileri için anlamlı uygulama alanları belirlediyse, en azından bu başarısız olmamalıdır: Araştırma enstitüleri ve çok sayıda hizmet sağlayıcısı genel ve kısmen önceden eğitilmiş AI modelleri sunar ve uygulama sırasında destek sağlar.