Производители могут заложить основу для более надежного ИИ, сохраняя знания, лежащие в основе продуктов и инженерных решений.
Автор Роб МакЭвени , технический директор, Aras
Как производители могут подготовить ИИ для поддержки надежных инженерных решений?
Будущая ценность ИИ в производстве будет меньше зависеть от сложности ИИ моделей, чем в инженерном контексте, который им предоставляют организации. Каждое дизайнерское решение, рабочий процесс, утверждение и изменение продукта могут способствовать более глубокому пониманию не только того, что произошло, но и почему. Производители, которые сегодня укрепляют свою цифровую нить, делают больше, чем просто улучшают отслеживаемость. Они создают организационную память, с которой ИИ может работать сегодня и с которой более способные агенты могут учиться завтра.
Ключевые выводы
- AI обеспечивает большую ценность, когда у него есть контекст, лежащий в основе инженерных решений, а не только конечные данные.
- A Современный цифровой поток сохраняет контекст принятия решений и создает организационную память, которая может поддерживать ИИ сегодня и сделать будущих агентов более способными.
- Решение трассировки помогают уловить не только то, что изменилось, но и почему оно изменилось и какие ограничения повлияли на результат.
- Управление, наблюдаемость и объяснимость имеют важное значение, поскольку ИИ берет на себя больше работы в инженерных рабочих процессах.
- Производители могут повышать готовность ИИ постепенно, улучшая один рабочий процесс за раз, сохраняя при этом человеческое суждение и подотчетность там, где им место.
В течение многих лет производители рассматривают цифровой поток прежде всего как способ объединения данных о продукте на протяжении всего жизненного цикла. Акцент был сделан на улучшении отслеживания, устранении разрозненности данных и обеспечении работы команд на основе единого источника данных о продуктах. Эти цели остаются важными, но роль цифровой резьбы расширяется.
Почти 80% производителей планируют увеличить . Расходы на инструменты искусственного интеллекта в ближайшие 12–24 месяца. Чтобы эти инвестиции оправдались, потребуется нечто большее, чем просто добавление искусственного интеллекта в существующие процессы. ИИ может обобщать документы, искать спецификации, анализировать большие наборы данных или автоматизировать повторяющуюся работу. Но инженерные решения зависят от контекста. Почему требование было изменено? Какие альтернативы рассматривались? Какие ограничения поставщика, производства, затрат, нормативных требований или качества повлияли на результат? Что в результате произошло ниже по течению? Если этот контекст исчезнет после принятия решения, ИИ не сможет надежно восстановить его позже.
Это меняет то, как производители должны думать о цифровом потоке. Объединение данных о продуктах остается основой. Следующим шагом является сохранение контекста того, как эти данные появились.
Извлеченные требования становятся структурированными управляемыми данными PLM с такими атрибутами, как состояние, редакция, право собственности, приоритет, сложность и риск, что делает их доступными для последующих процессов. ЗГ44З ЗГ45З ЗГ46З ЗГ47З ЗГ48З1. Цифровая нить становится организационной памятью Инженерные организации ежедневно генерируют огромные объемы знаний, но большую их часть трудно использовать повторно. Окончательные проекты всегда сохраняются, но причины, по которым они были созданы, часто отсутствуют.
Команды знают, какие требования были изменены или какое инженерное изменение было одобрено, но предположения, альтернативы, компромиссы и ограничения, лежащие в основе этих решений, могут оставаться разбросанными по собраниям, электронным письмам, документам, электронным таблицам и индивидуальному опыту.
Для инженерных команд это создает проблему координации. Инженеры тратят время на реконструкцию предыдущих решений. Новые сотрудники должны заново открыть для себя контекст. Команды повторяют анализ, который уже был проведен.
Для ИИ разрыв еще более фундаментален. Модель может выявлять закономерности в больших объемах данных, но она не может восстановить обоснование решения, которое никогда не было зафиксировано.
Именно здесь цифровая нить начинает играть новую роль. Помимо связывания требований, структур продукта, изменений, производственных процессов, данных о качестве и записей об услугах, он может сохранять контекст, окружающий решения, которые их связывают.
Со временем эти следы решений создают организационную память: запись не просто о том, каким стал продукт, но и о том, как и почему он стал таким. полное понимание того, почему были приняты инженерные решения".
— Роб МакЭвени, технический директор, Aras
Эта память имеет непосредственную ценность для инженеров, пытающихся понять предыдущую работу. Это также создает более богатый контекст для использования ИИ, поскольку интеллектуальные возможности все глубже внедряются в инженерные рабочие процессы.
2. Отслеживание решений делает данные о продуктах более ценными
Связанные и надежные данные о продуктах являются основой для ИИ, но это еще не вся картина. Решения, принятые на основе этих данных, обеспечивают еще один уровень контекста: почему что-то изменилось, какие альтернативы рассматривались и какие ограничения повлияли на результат.
Рассмотрите порядок инженерных изменений. Традиционная запись может сообщить нам, какие компоненты были изменены, кто одобрил изменения и когда изменения вступили в силу. Это важно для управления конфигурацией, отслеживания и обеспечения соответствия, но не обязательно говорит нам, почему произошло изменение. Были ли ограничения у поставщиков? Производственная проблема? Отклонила ли команда другой вариант, потому что он создавал неприемлемые риски по затратам или графику? Эти отношения имеют значение, поскольку инженерные решения редко существуют изолированно. Каждое изменение может оказать последующее влияние на требования, производство, качество, закупки, поставщиков, соответствие требованиям и обслуживание.
Регистрация трассировки решений дает как людям, так и ИИ больше контекста для понимания этих отношения. Вместо того, чтобы видеть только окончательное состояние данных, они могут понять путь, по которому они были созданы.
Это различие будет становиться все более важным по мере того, как ИИ выходит за рамки поиска и обобщения и переходит к анализу, рекомендациям и более автономным задачам. Агент, оценивающий новое инженерное изменение, должен быть способен отличать достоверные данные от логических выводов, понимать соответствующие зависимости и распознавать, где требуется человеческое суждение.
Создаваемый сегодня цифровой поток обеспечивает такой операционный контекст. Решения, принимаемые с помощью этих рабочих процессов, также могут стать ценным вкладом в разработку и совершенствование будущих агентов.
Производители не просто накапливают больше данных. Они создают историю того, как делается работа.
3. Большее делегирование требует большего доверия
Поскольку ИИ берет на себя больше работы в рамках инженерных рабочих процессов, организации должны иметь возможность доверять тому, как эта работа выполняется. Это требует управления, наблюдаемости и объяснимости.
Управление устанавливает четкие правила работы, отслеживаемые решения и контролируемую власть. Организации должны определить, к каким данным агент может получить доступ, какие действия он может предпринять и где требуется одобрение человека.
Observability обеспечивает видимость поведения агента и потребления ресурсов. Организации должны иметь возможность видеть, что делает агент, какие ресурсы он использует и как он работает в рабочем процессе. В агентской экосистеме появятся шаблоны, которые предоставят возможности для оптимизации.
Объяснимость объясняет "почему", лежащее в основе рекомендаций и действий. Инженеры должны понимать причину результата, чтобы иметь возможность оценить его в контексте.
A Команда может изначально позволить агенту анализировать большой набор данных и рекомендовать действия, пока человек проверяет каждый результат. По мере роста уверенности агент может взять на себя большую часть рабочего процесса, в то время как люди сосредотачиваются на исключениях, компромиссах и более ценные решения. Доверие необходимо заслужить на каждом этапе.
Инженерная ответственность не исчезает по мере того, как ИИ становится более способным. Люди по-прежнему обеспечивают суждение, творческий подход, контроль и ответственность за решения, которые влияют на качество продукции, безопасность, соответствие требованиям и результаты бизнеса.
Цель состоит не в том, чтобы отстранить инженеров от процесса. Это делается для того, чтобы их внимание применялось там, где человеческое суждение создает наибольшую ценность.
Полная структура спецификации в Aras Innovator предоставляет версионированные, управляемые и учитывающие разрешения данные о продукте для последующих процессов, таких как управление изменениями, конфигурация и планирование производства. ЗГ106З ЗГ107З ЗГ108З ЗГ109З ЗГ110З4. Готовность к искусственному интеллекту запускает один рабочий процесс за раз Производителям не нужно ждать масштабной трансформации искусственного интеллекта, чтобы приступить к созданию этой основы. Начните с одного рабочего процесса. Ищите работу, которая отнимает значительное время, поскольку командам приходится собирать данные, согласовывать их, выявлять взаимосвязи или неоднократно реконструировать контекст, прежде чем они смогут принять решение. Прием требований, анализ инженерных изменений, анализ данных поставщиков, сортировка проблем и проверки соответствия — все это примеры.
Затем задайте другой набор вопросов. Какую работу ИИ может выполнять хорошо? Где требуется человеческое суждение? Какой контекст необходимо уловить? Как будет подтвержден результат? И как организация узнает, почему была принята рекомендация или действие? Ответы определяют, как можно делегировать работу ИИ, не отказываясь от человеческого суждения и ответственности.
Агент может обрабатывать объемы данных, выявлять взаимосвязи или выявлять аномалии. Инженер проверяет результат и применяет суждение. Взаимодействие и результирующее решение становятся частью цифрового потока. Затем перейдите к следующему рабочему процессу. Этот поэтапный подход приносит пользу уже сейчас, а со временем создает более обширную трассировку решений. Лучшие рабочие процессы создают лучший контекст. Лучше контекст делает возможным более эффективный ИИ. А по мере роста доверия организации могут ответственно делегировать больше работы. Готовность к искусственному интеллекту — это не пункт назначения и не одноразовый технологический проект. Это способность, которая развивается каждый раз, когда организация делает свои инженерные данные более взаимосвязанными, свои решения более отслеживаемыми и рабочие процессы более наблюдаемыми.
По мере развития возможностей ИИ их ценность будет зависеть от контекста, который организации создали вокруг них. Производители, создающие этот фундамент, теперь могут делегировать больше работы ИИ, не жертвуя человеческим суждением и подотчетностью.
Часто задаваемые вопросы
Почему инженерный контекст становится настолько важным для ИИ?
AI Модели могут обрабатывать огромные объемы данных, но рекомендации более полезны, когда они включают инженерный и бизнес-контекст, связанный с принятием решения. Сбор замысла проекта, компромиссов, утверждений и истории изменений дает ИИ контекст, необходимый для понимания взаимосвязей, а не просто распознавания закономерностей.
Требуется ли для перехода к искусственному интеллекту замена существующих инженерных систем?
Нет. Большинство производителей могут добиться значительного прогресса, объединив существующие данные, улучшив управление, захватив более богатый контекст рабочих процессов и постепенно модернизируя ключевые инженерные процессы. Целью не является замена каждого приложения. Это необходимо для сохранения контекста по мере прохождения работы.
Какую роль цифровой поток будет играть в будущих инициативах в области ИИ?
A Зрелый цифровой поток обеспечивает связанные, надежные и контекстные данные, необходимые ИИ для поддержки инженерных решений на протяжении всего жизненного цикла продукта. Поскольку организации также сохраняют следы и обоснование решений, цифровая нить становится формой организационной памяти, которая может обеспечить контекст для ИИ сегодня и помочь сделать будущих агентов более способными. МакЭвени приносит всю жизнь увлекался технологиями и занял должность технического директора в Aras. Последние 20 лет он сосредоточил свою страсть на создании многофункциональных программных платформ, которые решают сложные бизнес-задачи крупных промышленных компаний. Роб выступает в роли технологического провидца Aras и обеспечивает надзор за проектированием будущих технологий PLM, оставаясь при этом в курсе реалий управления конфигурациями, системной интеграции и многих других проблем, связанных с поставкой корпоративного программного обеспечения. До прихода в Арас Роб руководил техническими отделами продаж компании Eigner, одной из первых компаний, вышедших на рынок PLM. Он начал свою карьеру в компании Boeing, где приобрел широкое понимание инженерных и производственных систем и процессов.
Больше от автора:
Стимулирование роста бизнеса в условиях спада | Промышленность сегодня , май 2023 г.
0 комментариев