Közel tíz éve foglalkozom vállalati mesterséges intelligenciával több iparágban, ezen belül a gyártóipar hangsúlyos szerepet kapott. Ez idő alatt újra és újra ugyanazt tapasztaltam: az AI akkor válik igazán érdekessé egy szervezet számára, amikor már nem magáról az AI-ról beszélünk, hanem a szervezet saját munkájáról és kihívásairól.

Egy gyártóvállalat vezetői csapatával például arról beszélgettünk, hogyan használhatnák jobban az anyacég által már bevezetett Microsoft Copilotot. A promptolás alapjai, a dokumentumelemzés vagy a webes kutatás lehetőségei önmagukban mérsékelt érdeklődést váltottak ki. A helyzet akkor változott meg, amikor előkerült egy komplex Excel-tábla gépkihasználtsági és állásidő-adatokkal. Amikor megnéztük, hogyan lehet az AI-val okokat és összefüggéseket keresni, illetve a kihasználtság javításának lehetőségeit vizsgálni, az eszköz hirtelen kézzelfoghatóvá vált.

Ugyanaz a technológia volt. Csak már a saját problémájukról beszéltünk.

A jó AI-projekt közös megértéssel kezdődik

Korábbi vállalati AI-projektjeim döntő többségében ezt valamilyen képzés alapozta meg. Nem azért, mert mindenkiből AI-szakértőt kell képezni, hanem mert nehéz jó alkalmazási eseteket felismerni anélkül, hogy a vezetők és szakemberek értenék, mire képes az AI, mire nem, és milyen szempontok alapján érdemes egy lehetőséget megítélni.

Ezután következhet a saját működés feltérképezése, az alkalmazási esetek (use case-ek) azonosítása és priorizálása. Még azokban a ritkább esetekben is, amikor egy ügyfél már konkrét AI-ötlettel érkezett, az elképzelést rendszerint pontosítani, szűkíteni vagy akár újragondolni kellett.

Például egy járműipari vállalat kutató-fejlesztő mérnökeivel AI-képzéssel kezdtük a közös munkát. Ezután maguk a mérnökök kezdtek olyan problémákat azonosítani, ahol az AI segítséget jelenthetne. Több ötlet született, miközben a vállalatnak egyetlen projekt megvalósítására volt reális költségkerete és kapacitása.

Végül egy olyan feladatot választottunk ki, amelyben húsz év alatt felhalmozott műszaki rajzok közül kellett adott keresési szempontok alapján leválogatni a megfelelőket. Egy viszonylag egyszerű, gépi látásra épülő megoldás jelentős időt takarított meg a mérnököknek egy olyan keresési és válogatási munkában, amely önmagában nem igényelt mérnöki szakértelmet.

A projekt fontos tanulsága számomra nem maga a technológia volt, hanem az, hogy a megfelelően felkészített szakemberek a saját munkájukban jó AI-lehetőségeket képesek felismerni. A külső szakértő feladata ilyenkor az is, hogy gondolkodási keretet adjon, majd segítsen strukturálni és priorizálni a lehetőségeket.

Az AI-lehetőségeket nem PowerPointban érdemes keresni

Gyártóvállalatoknál az alkalmazási lehetőségek feltárásakor többször is azt kérem a mérnököktől és vezetőktől, hogy menjünk le együtt a gyártórészlegre. Szeretném látni, hogyan történik valójában a termelés, milyen információkból dolgoznak az emberek, hol akad meg egy folyamat, milyen adatokat használnak, és milyen döntéseket kell meghozniuk.

Egy folyamatot a tárgyalóteremben el lehet magyarázni. A helyszínen azonban nemcsak a gépek működését érdemes megfigyelni, hanem az azt körülvevő információs, egyeztetési és dokumentációs munkát is.

A gyártóipari AI-t könnyű leszűkíteni néhány látványos területre: robotikára, gépi látásra, prediktív karbantartásra vagy termelésoptimalizálásra. Ezek nyilván fontos alkalmazások, de mellettük jelentős lehetőség rejlik a gyártást körülvevő mérnöki és üzleti tudásmunkában is.

A termeléstervezéshez szükséges információk összegyűjtése, az adatelemzés előkészítése és eredményeinek értelmezése, a minőségügyi dokumentáció összeállítása vagy a műszaki és karbantartási információk feldolgozása mind olyan részfeladat, amelyben a generatív AI támogatást adhat. Ez nem jelenti azt, hogy a teljes tervezési, elemzési vagy döntési feladatot is ilyen eszközre érdemes bízni. Egy gyártóvállalatnak pedig pénzügyi, HR-, beszerzési, értékesítési és más vállalati funkciói is vannak, ahol ugyanúgy érdemes AI-lehetőségeket keresni és a munkatársak AI-használati képességeit fejleszteni.

Nem feltétlenül az a kérdés, hogy „mit tud a Copilot vagy a ChatGPT?”. Inkább az, hogy milyen munkát végzünk ma, hol van benne jelentős információs, elemzési vagy dokumentációs teher, és ebből mit lehet az AI segítségével gyorsabban vagy jobban elvégezni.

Az AI nem egyetlen technológia

Fontos tisztán látni, hogy a vállalati AI nem egyenlő a jelenleg legnépszerűbb generatív AI-eszközökkel.

Dolgoztam olyan gyógyszeripari kutatás-fejlesztési projekteken, ahol sok változó időbeli alakulását leíró adatok elemzését támogattuk egyedi AI-fejlesztéssel. Más esetben kutatóknak fejlesztettünk tudásgráfra épülő rendszert, amely segített eligazodni a hasonló témájú, egymásra hivatkozó, olykor egymásnak ellentmondó kutatási cikkek és riportok között. A cél az volt, hogy a kutatók ne csak dokumentumokat találjanak, hanem átlássák az összefüggéseket, és saját kutatásukhoz használható támpontokat kapjanak. A fenti járműipari példában a gépi látás jelentette a megfelelő irányt, míg más feladatnál akár egy általános célú generatív AI-eszköz is elegendő lehet.

A problémából kell kiindulni, és ahhoz megkeresni a megfelelő megoldást – nem fordítva. Különböző problémák különböző megközelítéseket igényelhetnek, és azt is érdemes felismerni, amikor nincs szükség AI-ra.

Előbb megérteni, aztán választani

A feltárt lehetőségek közül üzleti érték és megvalósíthatóság alapján érdemes választani. Ehhez a szervezet felkészültségét is mérlegelni kell: rendelkezésre állnak-e a szükséges adatok, technikai feltételek, képességek és kapacitások? Ezek alapján lehet eldönteni, melyik kezdeményezésből legyen pilot vagy komolyabb projekt.

Ezt a megközelítést követjük az Industry Hub mentorprogramjában is, amelyben AI-mentorként veszek részt: a résztvevők először közös AI-alapokat kapnak, majd saját szervezetükben keresnek és értékelnek alkalmazási lehetőségeket.

A felkészülés akkor éri el a célját, ha a végén a szervezet meg tudja mondani: melyik feladattal érdemes elindulnia, milyen javulást vár, és mire van szüksége a megvalósításhoz.

A szerző: Werschitz Ottó – vállalati AI-tanácsadó

A borítókép illusztráció, forrás: 123RF /Envato