Selv inden for generativ AI er der enorme forskelle: den ene er generativ AI -trænet i specifikke datasæt, der er specifikke for specifikke produktionsfaciliteter og deres udstyr og softwaresystemer; Den anden er generativ AI, der fodres data om en lang række emner fra forskellige kilder - hvoraf mange muligvis ikke er pålidelige nok til at begynde med.
For at hjælpe med at afklare dette problem, lad os se på applikationerne af AI i dataanalyse og generativ AI i fremstilling af produktionsoperationer, og hvordan de interagerer med industrielle automatiseringsteknologier.
Forskellen mellem AI til dataanalyse og generativ AI
Lad os starte med AI til dataanalyse. Selvom dette er en relativt ny tilføjelse til området for automatiseringsteknologi, har det været i brug i flere år med applikationer, der spænder fra produktionsanalyse til forudsigelig vedligeholdelse. På det mest basale, i et fremstillingsmiljø, behandler dataanalyse AI i det væsentlige dataindgangen fra et virksomheds planteudstyr og softwaresystemer og anvender algoritmer til at sile gennem det for at fremhæve tendenser og afvigelser og give indsigt om forretningsopgaver baseret på korrelationen af de data, der er indsamlet af disse forskellige systemer.
Generativ AI kan generere originalt indhold - inklusive tekst, billeder, video, lyd eller softwarekode - baseret på brugeroptagelser eller anmodninger. Fordi generativ AI kan modtage store mængder data fra så mange forskellige kilder, ser vi spørgsmål som "hallucinationer", som skal fuldt ud overvåges af mennesker, før resultaterne bliver udført i praksis. Bemærk dog, at dette er generelt generativ AI.
I et mere kontrolleret miljø vil resultaterne være mere pålidelige, hvis de data, der føres til et generativt AI -system, leveres af en betroet kilde og er fokuseret på udstyr og systemer i et specifikt firma eller en gruppe partnerfirmaer.
Dette er grunden til, at du ser mange automatiseringsteknologiselskaber, der implementerer generative AI -teknologier, til at udvikle systemer, der ofte benævnes "copilot." Disse systemer er trænet i relativt lukkede datasæt, der er specifikke for brugerens applikationsscenarie og de teknologier, der er forbundet med det, snarere end at skrabe forskellige ressourcer fra Internettet.
Hvordan kan automatiseringsteknologileverandører implementere generativ AI
Ligesom AI for dataanalyse er blevet allestedsnærværende i alle typer fremstillingssystemer i de sidste par år, øges brugen af generativ AI til fremstillingsoperationer og designapplikationer hurtigt i dag. At fremme industriel cybersikkerhed og drive integrationen af generativ AI i butiksgulvoperationer.
Interaktionen mellem statiske og dynamiske maskindata vil give brugere af platformen et nyt niveau af kontrol over operationelle processer. Det "nye kontrolniveau" betyder, at brugerne vil være i stand til at interagere med copilot -teknologi på deres eget sprog og modtage detaljerede instruktioner og anbefalinger baseret på deres krav. ServiceNow siger, at dens evne til at automatisere arbejdsgange - fra vedligeholdelsesplanlægning til problemløsning i realtid - hjælper med at sikre, at den AI -drevne indsigt, der leveres af Copilot, oversættes til konkrete, effektive handlinger, der øger produktiviteten og minimerer nedetid.
Generativt design er længe blevet brugt af automatiseringsproducenter til at designe deres produkter, og med integrationen af generativ AI gennemgår generativt design en større udvikling. Generativ AI bringer en ny dimension til generativt design, der ændrer den måde, ingeniører og producenter forestiller, skaber og optimerer automatiseringsteknologier ved at introducere "human-in-the-loop" -funktioner.
Det er vigtigt at skelne mellem eksisterende generative designfunktioner ved hjælp af traditionel AI og den nye tendens med integreret generativ AI. I modsætning til traditionelle generative designmetoder, der udelukkende er afhængige af AI -algoritmer, introducerer tilføjelsen af generative AI en mere interaktiv og iterativ tilgang, hvor ingeniører kan give feedback for at guide AI -systemer til mere optimerede løsninger. Dette giver dem mulighed for at udforske et bredt designrum og generere et stort antal potentielle design baseret på specificerede parametre, begrænsninger og præstationsmål. Denne tilgang er især velegnet til automatiserede systemer, hvor der ofte er behov for at afbalancere flere variabler og konkurrerende mål.
Anvendelse af generativ AI-drevet generativt design på automatiserede systemer kan øge den hastighed, hvormed flere designalternativer genereres og evalueres. I løbet af få timer eller dage, siger Tony, kan systemet generere hundreder eller endda tusinder af designmuligheder, der hver især er optimeret til en given parameter.
En anden citeret applikation vedrører tilpasning af teknologi med industristandarder og bedste praksis. Generativ AI kan bruges til at verificere, at et system opfylder cybersikkerhedsstandarder ved at fremhæve områder, hvor systemet afviger fra etablerede normer, hvilket hjælper ingeniører med at opretholde konsistens og kvalitet på tværs af projekter. Teknologien bruges også til at standardisere ingeniørteams praksis, især i situationer, hvor ingeniører med forskellige niveauer af erfaring skal overholde de samme designstandarder og bruge konsistente biblioteker. Denne konsistens er meget værdifuld, når du kopierer systemer på tværs af forskellige steder eller miljøer, da generativ AI kan foreslå passende justeringer, samtidig med at den overordnede designintegritet opretholder.
Hold et åbent sind om industrielle generative AI -applikationer
Problemet med generelle generative AI-værktøjer, der får mest medieopmerksomhed, er, at de afviser nye AI-applikationer, der dukker op i automatiseringsteknologier. Industrielle generative AI -værktøjer fra automatiseringsleverandører fokuserer på specifikke datasæt og datakilder for at sikre nøjagtigheden af resultaterne.
For at holde dit sind åbent for industriel generativ AI, skal du overveje denne sag: For ca. 20 år siden betragtede mange produktionsingeniører ikke Ethernet som et effektivt valg til fabriksgulvnetværk.
Den videre udvikling af generativ AI -teknologi er vigtig for fremstillingsindustrien at fokusere på at erhverve viden om dens professionelle tekniske, drifts- og vedligeholdelsespersonale til at guide den næste generation af branchearbejdere. Disse fremstillingsfokuserede generative AI -værktøjer forventes at være de teknologier, der gør dette mål lettere at nå.