Раскрытие потенциала ИИ в производстве: путь к эффективности и инновациям

Обрабатывающая промышленность находится на пороге цифровой трансформации, обусловленной интеграцией искусственного интеллекта (ИИ). В недавнем отчёте McKinsey прогнозируется, что ИИ может к 2030 году сгенерировать колоссальные 13 триллионов долларов США в общую экономическую деятельность, причём ожидается, что существенный объём в 1 триллион долларов США будет приносить только промышленный сектор. 

Между тем, исследование Zebra «Видение экосистемы автомобилей 2022» показывает, что почти 90% автопроизводителей планируют начать цифровую трансформацию к 2027 году. На фоне этих достижений отрасль также сталкивается с надвигающейся нехваткой рабочей силы: по прогнозам, к 2030 году около 2,1 млн рабочих мест в производственной сфере останутся незаполненными.

 ИИ является важнейшим союзником в решении этих проблем и дальнейшей цифровизации производственных процессов.

matic шаги к интеграции ИИ

Интеграция ИИ в производственные процессы — это не универсальное решение. Лицам, принимающим решения, рекомендуется действовать осторожно, предпринимая небольшие, но обдуманные шаги для раскрытия огромного потенциала ИИ. 

Первоначальным этапом внедрения ИИ должна быть конкретная и целенаправленная цель, например, контроль качества. Отличной отправной точкой станет внедрение оптического распознавания символов (OCR) — специализированного приложения на основе ИИ.

Системы оптического распознавания символов (OCR) на основе глубокого обучения способны «видеть» и «читать» текст на производственных компонентах без специальных знаний в области кодирования или изучения шрифтов. Эта технология повышает точность критически важных данных, включаяdentномера транспортных средств (VIN), коды производственных партий, коды дат и серийные номера. 

Снижая количество ошибок и tracизделия на протяжении всей производственной линии, OCR гарантирует, что нужные компоненты попадут в соответствующие зоны сборки. Процесс внедрения чрезвычайно прост и включает в себя простую задачу выделения нужного текста. Системы искусственного интеллекта могут быть эффективно внедрены для решения конкретных задач всего за несколько минут.

Для более сложных задач, таких какdentдефектов автомобильных деталей или обнаружение дефектных этикеток, выбор инструмента ИИ должен определяться характером проблемы. Машинное зрение становится идеальным инструментом, если известны дефекты и указано их местоположение. 

Однако когда дефекты неизвестны или их местоположение неопределенно, предпочтительным подходом становится сочетание машинного зрения с глубоким обучением, что позволяет ИИ обнаруживать и понимать ранее не замеченные аномалии.

Развитие когнитивных способностей ИИ

Эффективность ИИ в решении производственных задач зависит от его способности «обучаться» и адаптироваться. Этот процесс включает в себя создание нейронной сети, подобно обучению детей цветам. В случае машинного зрения с глубоким обучением, если ИИ должен распознавать дефекты в автомобильных деталях, он должен постоянно сталкиваться с этими дефектами и понимать их, предъявляя соответствующие изображения. 

Этот итеративный процесс обучения требует значительной вычислительной мощности, как правило, графических процессоров (GPU), а также организованного и ответственно аннотированного хранилища изображений.

Создание нейронных сетей во многом зависит от качества и количества изображений, предоставляемых ИИ. Пренебрежениеmaticсбором и обработкой изображений может привести к путанице в системе ИИ. 

Подобно тому, как ребёнок, которому показали неравное количество красных и оранжевых предметов, может ошибочно воспринять их как объекты одного цвета, ИИ может ошибочно интерпретировать данные без надёжного и сбалансированного набора данных. Поэтому производители должны уделять первоочередное внимание постоянному созданию, обучению и проверке наборов данных для обеспечения эффективности своих моделей ИИ.

Принятие кривой обучения

ИИ, как и люди, проходит кривую обучения. Поначалу он можетdentлишь часть дефектов, но с каждой итерацией его эффективность повышается. В конечном итоге он может обнаруживать невидимые человеческому глазу дефекты, даже до установки деталей на автомобиль. Непрерывное обучение с помощью ИИ может выявлять изменения в производственных процессах, которые могут не заметить опытные операторы, открывая новые возможности для совершенствования.

Впечатляющим достижением в области ИИ для производства стало появление технологии «обнаружения аномалий». В отличие от традиционных методов, требующих от ИИ изучения как годных, так и дефектных деталей, технология обнаружения аномалий обучается исключительно на качественных изображениях. 

Это достижение позволяет ИИ различать качественные и дефектные детали, анализируя изображения компонентов без дефектов. Этот прорыв обещает ускорить внедрение ИИ и, как ожидается, станет стандартной практикой в ​​производстве в ближайшие годы.

Хотя человеческий мозг остаётся непревзойдённым по своим вычислительным возможностям, он подверженtrac, усталости и скуке, особенно в монотонной производственной среде. ИИ, с другой стороны, работает неустанно и последовательно. 

Настало время, когда производители должны начать использовать приложения искусственного интеллекта, нейронные сети и непрерывное обучение, а люди должны взять на себя ведущую роль в освоении огромного потенциала этой технологии.