De echte impact van Kunstmatige Intelligentie in de productie

Mijn instincten vertellen me dat we een gevoel van urgentie nodig hebben rond het gebruik van kunstmatige intelligentie (AI) in de productie.

De urgentie wordt gedreven door hoe snel technologie vandaag kan bewegen, en hoe een onverwachte doorbraak snel kan domineren. AI wordt gebruikt in gezichtsherkenning, spraak-naar-tekst conversie, en in het winnen van schaakwedstrijden. Zeker, er moet een hoop potentiële toepassingen in de productie zijn.

Terwijl ik eerder schreef dat ik denk dat de realiteit van AI's "intelligentie" complexe wiskunde is, kreeg ik een meer verlichte visie toen ik die visie aan een echte expert voorlegde. In zijn ogen moeten we AI in bredere termen denken. "Het is eerlijk om te zeggen dat het wiskunde is, maar het is makkelijk te veel vast te klampen aan de wiskunde omdat het eigenlijk meer over de data gaat," legde Oliver Christy uit, oprichter van Foxy Machine, een AI-advies- en strategiebedrijf gevestigd in New York City. "AI laat ons nieuwe vragen stellen met data in elke situatie."

Maar zichzelf beperken tot data en wiskunde is, nou ja, beperkend. Een derde overweging moet het bedrijfsprobleem zijn – wat is de situatie die je overweegt en welke tools zijn beschikbaar, volgens Christy. "Je moet elk gegeven probleem vanuit alle drie benaderingen bekijken," legde hij uit. "Wiskunde, data, en het probleem zelf. Die holistische kijk [kan] je een robuuste oplossing geven."

Hij denkt ook dat de productie rijp is voor AI-toepassingen. "Sommige van de makkelijkste problemen voor AI is het oplossen van veiligheids- en productierisico's," zei hij. "We hebben AI-systemen nu die op grote schaal kunnen begrijpen wat er voor risico's zijn en hoe veiligheid te verbeteren." Het gebruik van beeldherkenningstechnieken in kwaliteitscontrole is een andere makkelijke winst. Een toepassing waar Christy recent aan werkte, trainde een AI-systeem om de kwaliteit van staal na warmtebehandeling te herkennen, vlaggende monsters die van belang zouden kunnen zijn. De monsters werden vervolgens in meer detail door een mens onderzocht.

Hij benadrukte een kernpunt over hoe AI het beste gebruikt kan worden – augmenteren in plaats van vervangen van de kwaliteitscontrole-werker. Met digitale afbeeldingen kan een AI-systeem veel meer monsters bekijken en vlaggen dan een mens zonder vermoeidheid. Maar in het staalkwaliteitsgeval kon het die laatste menselijke aanraking niet bieden die nodig was om te zorgen dat het goed was of niet. Hij vertelde hoe een vergelijkbaar systeem gebruikt om huidkanker te vinden beter presteerde dan een getrainde oncoloog, maar het AI-systeem gecombineerd met de oncoloog presteerde nog beter dan elk van beide alleen. "Precies dezelfde aanpak zou in de productie gebruikt moeten worden, waar machinesystemen en mensen hand in hand kunnen werken," zei hij.

Inflexiepunt in Rekenkracht

Terug naar mijn gevoel van urgentie. Veel van vandaag AI-technologie is niet nieuw. Het concept van het gebruik van computers om menselijke vaardigheden na te bootsen in plaats van alleen als rekenmachines bestaat al zo lang als computers zelf. Maar een inflexiepunt in rekenkracht en data maakt het urgent relevant. "Toen ik 20 jaar geleden begon, beperkte de kosten van rekenkracht en data [mogelijke] toepassingen," zei Christy. "Nu hebben we enorme hoeveelheden gemengde data en heel goedkope rekenkracht. Ik heb toegang tot miljoen-dollar-computers, directe toegang tot technologie zoals IBM's Watson die bijna niets kost." Hieraan toevoegen open-source AI-software zoals Google's TensorFlow die effectief gratis te gebruiken is, en we hebben een "perfecte storm van alle componenten die nodig zijn om AI te bouwen en te gebruiken," zei Christy.

Hij gelooft dat AI gemakkelijk het volgende competitieve voordeel kan worden. Echter, het kan intimidant zijn. Zijn advies? Begin klein. Bouw een klein team, begin met data verzamelen rond een pilot- bedrijfsprobleem, en leer hoe de beste benaderingen een productieprobleem kunnen oplossen. "Maar begin vandaag," zei hij.