IA generativa é um dos tópicos de negócios mais quentes de hoje, com empresas explorando seus aplicativos e benefícios em potencial entre os setores e funções, incluindo a fabricação. Mas, apesar do burburinho recente, os fabricantes devem reconhecer que simplesmente aplicar ferramentas como o ChatGPT por conta própria não revolucionarão as operações de fábrica. Faz isso através de sua capacidade de gerar conteúdo, como texto e imagens, adaptado a tarefas ou consultas específicas. (Consulte “Como o Genai funciona.”)
Instead of replacing traditional AI, GenAI offers complementary use cases in the areas of assistance, recommendations, and autonomy that pave the way to the factory of the future. It does so through its capacity to generate content, such as text and images, tailored to specific tasks or inquiries. (See “How GenAI Works.”)
Como o Genai funciona
Genai leva essa abordagem adiante. Além de apenas classificar o texto existente, ele pode gerar um novo texto com base em critérios especificados - como instruções do operador que descrevem um processo para resolver uma causa raiz específica de uma quebra da máquina. Embora a progressão do ML clássico para Genai possa parecer incremental, ela representa um desafio técnico fundamental. No ML clássico, o modelo apenas precisa de treinamento suficiente para categorizar com confiança um fragmento de texto. Por outro lado, o Genai deve construir um fragmento de texto a partir de palavras e letras individuais, garantindo que seja gramaticalmente correto, compreensível e represente com precisão o processo. Considerando que existem aproximadamente 170.000 ingleses no uso atual, um mero texto de cinco palavras tem mais de 140 combinações em potencial de setembro. Por outro lado, apenas uma fração deles seria gramaticalmente correta e compreensível. Entre eles, uma fração ainda menor descreveria com precisão um determinado processo para corrigir a causa raiz de uma quebra da máquina. Para atingir essa precisão, o Genai deve usar "modelos fundamentais" em vez de ser treinado apenas em dados específicos do contexto. Os modelos fundamentais são treinados em conjuntos de dados extensos, como todos os texto ou imagens disponíveis on-line, e são posteriormente ajustados para aplicativos específicos. Esses modelos podem ser modelos de idiomas grandes (como o GPT-4 ou Amazon Q da OpenAI ou modelos de imagem ou fala. Eles parecem entender a realidade dos extensos conjuntos de dados. No entanto, modelos fundamentais são alunos de observação que não aplicam lógica ou razão como os humanos. Isso significa que não há garantia de resultados plausíveis ou precisos do Genai. Em seguida, o modelo é ajustado ao aprender como são as instruções do operador e como elas se correlacionam com as determinadas causas das raízes de quebra da máquina. No entanto, não há garantia de que o modelo criará instruções corretas ou de alta qualidade do operador. A ergonomia ilustra o problema. Como o modelo Genai não possui informações sobre o processo que corrige a causa raiz e as pessoas que são os operadores, pode ignorar as limitações em potencial, como movimentos inviáveis ou espaços inacessíveis. Como resultado, é sempre necessária uma avaliação de qualidade para garantir que a remediação recomendada seja prática de uma perspectiva ergonômica.
The number of potential outputs from GenAI is virtually limitless. Considering that there are roughly 170,000 English in current use, a mere five-word text has more than 140 septillion potential combinations. On the other hand, only a fraction of them would be grammatically correct and understandable. Among those, an even smaller fraction would accurately describe a given process to fix the root cause of a machine breakdown.
Consequently, the margin for error in GenAI models is incredibly narrow, necessitating extremely precise models. To attain this precision, GenAI must use “foundational models” instead of being trained only on context-specific data. Foundational models are trained on extensive datasets, such as all available text or images online, and are subsequently fine-tuned for specific applications. These models can be large language models (such as OpenAI’s GPT-4 or Amazon Q) or image or speech models. They seem to gain an understanding of reality from the extensive datasets. However, foundational models are observational learners that do not apply logic or reason as humans do. This means that there is no guarantee of plausible or accurate results from GenAI.
In our operator instruction example, the foundational model first learns what constitutes comprehensible and accurate text, with process descriptions being a small subset. Next, the model is fine-tuned by learning what operator instructions look like and how they correlate with given machine breakdown root causes. However, there is no assurance that the model will create correct or high-quality operator instructions. Ergonomics illustrates the problem. Because the GenAI model lacks insight into the process that fixes the root cause and the people who are the operators, it might overlook potential limitations, such as infeasible movements or inaccessible spaces. As a result, a quality assessment is always required to ensure that the recommended remediation is practical from an ergonomic perspective.
A maior complexidade técnica da Gen AI eleva a importância de estabelecer uma base tecnológica robusta para aproveitar suas capacidades de maneira eficaz. Com vários arquétipos possíveis, os fabricantes devem entender os fatores que determinam uma escolha ideal. Eles podem aplicar esse conhecimento para integrar o Genai em operações de fábrica, considerando as aplicações de agregação de valor, iniciativas relacionadas a alterações e pessoas e infraestrutura tecnológica necessária. (Consulte “Sobre a pesquisa”.)
Manufacturers Are Prioritizing GenAI for its Disruptive Potential
BCG recently surveyed manufacturers to understand their perspective on technology developments. (See “About the Survey.”)
Regardless of their affinity for digital technology, manufacturing executives ranked AI (including GenAI) first among technologies that could positively disrupt their operations. (See Exhibit 1.) The potential ROI warrants their enthusiasm. A BCG analysis found that the use of AI could enhance shop-floor productivity by more than 20%.
About the Survey
Para um fornecedor automotivo, a implantação de IA resultou em um aumento de 21% na produtividade, com o ROI observado entre um a três anos em várias aplicações. Um aplicativo foi um consultor de sucata de IA que forneceu aos operadores parâmetros otimizados, cortando as taxas de sucata em 25%. Outro foi um monitor de saúde da bomba que quase eliminou os falhas de uma bomba crítica de produção, aumentando a eficácia geral do equipamento em mais de sete pontos percentuais. Um terceiro aplicativo envolveu a implementação de um sistema de inspeção de qualidade visual acionado por IA que detectou defeitos estéticos nos produtos. Esse sistema reduziu a necessidade de pessoal de controle de qualidade em 65% ao melhorar a precisão das inspeções. As aplicações tradicionais de IA, construídas sobre aprendizado de máquina (ML) e aprendizado profundo (DL), ganharam força nos últimos anos, principalmente para facilitar a análise, classificação, cluster e classificação de dados. Esses recursos suportam tarefas como detecção de anomalia e identificação de padrões. Por outro lado, o aspecto inovador das ferramentas genai, como o ChatGPT, é sua capacidade de criar vários tipos de novo conteúdo - como texto, código e imagens - em resposta a avisos em vários formatos. análise ou otimização do ponto de ajuste. Para essas tarefas, a IA tradicional que está disponível nos últimos anos está melhor equipada.
AI tools have a variety of technological underpinnings and applications. Traditional AI applications, built on machine learning (ML) and deep learning (DL), have gained traction in recent years, primarily to facilitate data analysis, classification, clustering, and ranking. These capabilities support tasks such as anomaly detection and pattern identification. In contrast, the groundbreaking aspect of GenAI tools like ChatGPT is their capacity to create various types of new content—such as text, code, and images—in response to prompts in multiple formats.
How GenAI Helps Pave the Path to the Factory of the Future
Although GenAI introduces a range of innovative features, it is not ideally suited for tasks such as anomaly detection, production analytics, or setpoint optimization. For these tasks, the traditional AI that has been available in recent years is better equipped.
Nonetheless, GenAI has a complementary role that will significantly aid manufacturers’ efforts to realize a fábrica do futuro . Seus recursos exclusivos podem permitir que os fabricantes automatizem e aprimorem as atividades da fábrica e apoiem sua força de trabalho de maneiras novas. Os fabricantes usam a IA tradicional para suportar transparência, previsibilidade e sistemas autocontrolados, que são as principais características e fases de maturidade dessa fábrica prevista. (Consulte "Três níveis de maturidade digital na fábrica".) Agora, os recursos de criação de conteúdo da Genai permitem três tipos de casos de uso na fabricação-sistemas de assistência, sistemas de recomendação e sistemas autônomos-que correspondem a esses níveis de maturidade. (Consulte o Anexo 2.)
Três níveis de maturidade digital na fábrica
Sistemas de assistência. Por exemplo, os engenheiros de automação tradicionalmente tinham que programar manualmente e codificar soluções de automação para máquinas e controladores lógicos programáveis (PLCs). Mas uma ferramenta Genai, semelhante ao ChatGPT, pode usar entradas de texto para gerar automaticamente blocos de código ou código. Isso reduz o tempo e o esforço necessários para a engenharia de automação, diminuindo assim as despesas relacionadas. Um engenheiro precisaria se concentrar apenas na revisão, ajuste e finalização do código. GenAI applications in this category raise the efficiency of hands-on tasks such as programming or machine maintenance. For example, automation engineers traditionally had to manually program and code automation solutions for machines and programmable logic controllers (PLCs). But a GenAI tool, akin to ChatGPT, can use text inputs to automatically generate code or code blocks. This reduces the time and effort required for automation engineering, thereby decreasing the related expenses. An engineer would need to focus only on reviewing, adjusting, and finalizing the code.
GenAI’s content-creation capabilities enable three types of use cases—assistance systems, recommendation systems, and autonomous systems—that correspond to maturity levels in the factory of the future.
Um impacto semelhante, mas ainda mais poderoso, é alcançado usando o Genai para codificar o conhecimento e a experiência dos trabalhadores que têm décadas de experiência na fábrica, mas podem não ter habilidades em modelagem e análise. Genai ajuda a transformar a intuição e o know-how baseados nos trabalhadores em recomendações validadas e orientadas por dados . Por exemplo, ele pode validar as informações de um trabalhador sobre os parâmetros da máquina de ajuste ou resolver anomalias de produção construindo um modelo em uma linguagem de programação, como o Python, para derivar essas idéias com dados e análises. Este modelo está disponível para ajudar na solução e análise de problemas futuros.
Sistemas de recomendação. As ferramentas genai podem fornecer recomendações que ajudem os trabalhadores a identificar os melhores métodos para tarefas específicas. Uma abordagem aprimorada para a manutenção preditiva fornece uma ilustração primordial de como as ferramentas Genai complementarão a IA tradicional baseada em ML/DL. No passado, os fabricantes procuravam evitar quebras, realizando manutenção de acordo com ciclos ou períodos fixos, ou fizeram reparos quando ocorreram quebras. Com o advento da IA baseada em ML/DL, os fabricantes puderam usar dados de diferentes tipos de sensores para identificar padrões, prever quebras e, em seguida, conduzir proativamente a manutenção. A Genai aprimora essa abordagem de manutenção preditiva, criando automaticamente texto ou imagens que fornecem instruções passo a passo, incluindo listas de peças de reposição necessárias. Esse sistema permite que a equipe de manutenção gaste mais tempo executando tarefas em vez de preparar instruções - aprimorando a produtividade e reduzindo os custos. Até técnicos inexperientes seriam capazes de reparar ou manter o equipamento de maneira mais eficaz com o suporte de uma ferramenta genai.
GenAI assists in transforming workers’ experience-based intuition and know-how into data-driven, validated recommendations.
sistemas autônomos. Os sistemas mais avançados usam a abundância de Genai para obter recursos de auto-regulação e se adaptar a situações desconhecidas que os desenvolvedores estão atualmente explorando soluções genai que permitiriam que as máquinas se auto-adaptem, por exemplo, novos ambientes. Considere a implantação autônoma de robôs. Hoje, os operadores devem executar manualmente certas atividades de manuseio de materiais, especialmente processos não repetitivos, porque automatizar essas atividades é muito difícil e requer um esforço intensivo. Olhando para o futuro, a Genai, em combinação com os conjuntos de dados de robótica do mundo real, permitirá que os robôs multimodais traduzam os prompts de idiomas dos operadores (por exemplo, "Traga-me a Parte 47/11") em uma sequência de ações que o sistema executa para executar tarefas de manipulação de materiais. Esse avanço reduziria a necessidade de treinamento específico para tarefas e ambiente, rotulagem de dados e reciclagem frequente. Assim, tem o potencial de reduzir as despesas de engenharia, substituir as atividades manuais e aumentar a produtividade. Outro exemplo é a geração de dados de treinamento sintético para sistemas baseados em IA, como controle de qualidade usando visão computacional. Este aplicativo acelera a aumento dos sistemas, eliminando a necessidade de coletar dados de treinamento reais durante a produção. Também é imperativo estabelecer as fundações certas em relação às pessoas e à tecnologia. Os requisitos relacionados às pessoas para a implantação da Genai, com relação à construção dos recursos necessários para desenvolver e operar aplicativos baseados em IA, são semelhantes aos necessários para as implantações tradicionais de IA. No entanto, a Fundação Technology é mais complexa para a Genai, tornando crucial enfatizar a infraestrutura de tecnologia e o modelo operacional.
Deploying the Right Technology Foundation
To successfully implement and scale AI in manufacturing, it is not enough to pinpoint value-added applications. It is also imperative to set up the right foundations with respect to both people and technology. The people-related requirements for GenAI deployment, with respect to building the capabilities needed to develop and operate AI-based applications, are similar to those required for traditional AI deployments. However, the technology foundation is more complex for GenAI, making it crucial to emphasize the technology infrastructure and operating model.
A infraestrutura de tecnologia típica para o uso escalável da IA na fabricação consiste em seis blocos de construção: fornecimento de dados, processamento de dados, aplicações genai, computação, conectividade e segurança cibernética. Genai afeta os requisitos para vários deles. (Consulte “Os blocos de construção da infraestrutura tecnológica.”)
Os blocos de construção da infraestrutura de tecnologia
fornecimento de dados. Os dados vêm de três camadas: Because AI tools are fundamentally data-dependent, manufacturers need to have the requisite sources. Data comes from three layers:
- Camada de campo. Sensores, PLCs e dispositivos de Internet-das coisas (IoT).
- Camada de controle. Sistema de execução de fabricação (MES) e Sistemas de Controle de Supervisão e Aquisição de Dados (SCADA).
- Camada transacional. Por exemplo, o sistema Enterprise Resource Planning (ERP).
GenAI Applications. Within AI applications, the intelligence layer incorporates algorithms and AI models that adhere to “MLOps” standards covering model development, testing, validation, deployment, and servicing. The engagement layer has general and specific applications that allow AI users to engage with insights. Given GenAI applications’ unique features, additional tuning might be needed for foundational models to communicate in an organization’s “language.” Independent programs, called “agents,” are also necessary to coordinate different systems and requests.
Computação. Como os aplicativos AI geralmente lidam com vastos volumes de dados, eles exigem poder de computação significativo. A eficácia das ferramentas de IA depende em grande parte dos processadores-unidades de processamento central (CPUs) e unidades de processamento gráfico (GPUs)-que podem estar no local ou baseadas em nuvem. As ferramentas Genai normalmente exigem mais largura de banda de memória e energia, exigindo, portanto, várias GPUs para respostas oportunas à consulta.
conectividade. Conseguir isso requer conectividade baseada em nuvem de interação, comunicação com fio intraplacente ou sem fio e comunicação entre atendimento através de protocolos IoT adequados. Effective networking is crucial since many AI algorithms rely on near-real-time communication and data availability. Achieving this requires interplant cloud-based connectivity, intraplant wired or wireless communication, and inter-asset communication via suitable IoT protocols.
segurança cibernética. Uma estratégia robusta de segurança cibernética é imperativa, abrangendo gerenciamento de identidade e acesso, proteção de dados, detecção e resposta, análise de risco e planejamento de recuperação. Como a Genai cria conteúdo, é crucial garantir que os usuários possam acessar apenas informações que podem receber. Para restringir o acesso das informações e permitir respostas personalizadas, as empresas devem implementar o gerenciamento de segurança de segurança além dos recursos básicos de proteção de dados. AI processes a large volume of often-sensitive data. A robust cybersecurity strategy is imperative, encompassing identity and access management, data protection, detection and response, risk analysis, and recovery planning. Because GenAI creates content, it is crucial to ensure that users can access only information they are permitted to receive. To restrict information access and enable customized responses, companies must implement security guardrail management beyond the basic data protection capabilities.
A maior complexidade da base de tecnologia necessária para aplicar com eficiência o Genai significa que diferentes modelos operacionais de tecnologia são possíveis. Esses modelos operacionais podem ser distinguidos principalmente em três dimensões:
- Fonte do modelo. Os fabricantes têm três opções principais para o fornecimento do modelo de idioma grande (LLM) necessário para um aplicativo Genai. O primeiro é usar um modelo hospedado por um fornecedor, que eles podem ajustar para melhor atender às suas necessidades específicas. Como alternativa, eles podem usar um modelo fundamental de código aberto, que também pode ser ajustado, se necessário. A terceira rota, para aqueles que buscam maior controle e personalização, é desenvolver seu próprio LLM.
- Plataforma e configuração de infraestrutura. Novamente, os fabricantes podem escolher entre três configurações principais. Uma opção é uma solução baseada em nuvem compartilhada, oferecendo multi-redação. Outro é uma solução única e baseada em nuvem, com um ambiente privado na nuvem, garantindo um ambiente mais seguro. A terceira opção, para organizações que priorizam a soberania de dados e o controle mais rígido sobre sua infraestrutura, é uma solução local.
- Operação de aplicativo. Os fabricantes podem operar um aplicativo GENAI em sua própria infraestrutura. Como alternativa, eles podem selecionar um provedor para hospedar e operar o aplicativo. O Anexo 3 ilustra quatro arquétipos em potencial. Os métodos alternativos incluem o uso de um modelo de código aberto com ajuste fino opcional ou criação de uma solução personalizada internamente e operando-o na infraestrutura da empresa. As últimas abordagens oferecem maior flexibilidade de personalização e reduzem os riscos de dados. Por desvantagem, eles exigem investimentos substanciais em infraestrutura, como para unidades de processamento de gráficos (GPUs) que executam cálculos para os modelos de IA. Além disso, eles exigem uma ampla variedade de conhecimentos e recursos para projetar, operar e manter aplicativos internos. Isso inclui o comprimento da consulta de entrada/saída (medido em tokens), o tempo de resposta aceitável para uma consulta e a distribuição de consultas ao longo de um turno (que determina a possibilidade de lote de consulta). Conseguir esse equilíbrio exige normalmente vários milhares de consultas por dia. Ele descobriu que os custos são duas vezes os de uma solução baseada em provedores e que a quebra até exigiria mais de 60.000 consultas por turno. A complexidade e o custo podem explicar por que a maioria das aplicações da Genai e projetos piloto na fabricação hoje se inclina para uma abordagem baseada em provedores, capitalizando as economias de escala do provedor. No entanto, a configuração específica para aplicativos da Genai deve ser avaliada caso a caso para cada organização, pois as necessidades e situações variam amplamente.
The feasible combinations of these options yield various archetypes for GenAI applications in the manufacturing environment. Exhibit 3 illustrates four potential archetypes.
Opting for a fully provider-based solution is the most straightforward method for implementing GenAI applications in manufacturing. Alternative methods include using an open-source model with optional fine-tuning or building a tailored solution in-house and operating it on the company’s infrastructure. The latter approaches offer greater customization flexibility and reduce data risks. On the downside, they demand substantial investment in infrastructure, such as for graphics processing units (GPUs) that perform calculations for AI models. Moreover, they require a wide array of expertise and capabilities to design, operate, and maintain in-house applications.
When solely considering infrastructure costs and amortization over time, the breakeven point for alternatives to a fully provider-based solution depends on numerous parameters. These include the input/output query length (measured in tokens), the acceptable response time for a query, and the distribution of queries throughout a shift (which determines the possibility of query batching). Achieving this breakeven typically requires several thousand queries per day.
A BCG analysis considered the running costs per query for a GenAI solution with approximately 20,000 queries per shift that is operated on-premises using the company’s own GPUs and servers. It found that the costs are twice that of a provider-based solution and that breaking even would require more than 60,000 queries per shift. The complexity and cost might explain why the majority of GenAI applications and pilot projects in manufacturing today lean toward a provider-based approach, capitalizing on the provider’s economies of scale. Nevertheless, the specific configuration for GenAI applications should be assessed on a case-by-case basis for each organization, as needs and situations vary widely.
Como ter sucesso com a Genai na fabricação
O envolvimento eficaz com a Genai requer o desenvolvimento de uma compreensão básica da tecnologia e de suas capacidades e limitações. Isso pode ser alcançado através de sessões de imersão e demonstrações de tecnologia. As empresas podem aplicar o conhecimento adquirido para identificar as aplicações corretas de criação de valor e infraestrutura tecnológica, além de derivar uma visão de destino correspondente e um roteiro. Mas esses não são os únicos facilitadores da adoção bem -sucedida. Como nas implementações tradicionais de IA, muitas organizações precisarão dedicar atenção significativa às questões relacionadas às pessoas, como capacidades, governança e comunicação. Diagnostique.
Considering the multifaceted nature of the effort, manufacturers should take five steps to integrate GenAI into their operations:
1. Diagnose. Analise o status quo. Isso inclui a identificação de vazamentos de valor existentes e oportunidades para aplicações genai, bem como lacunas relacionadas a pessoas e tecnologias.
2. Design. Determine a imagem, estratégia e roteiro de destino. Por exemplo, avalie e priorize as aplicações GENAI mais benéficas e determine as medidas relacionadas às pessoas e da tecnologia para fechar lacunas existentes (como programas de capacidade e upsekcilling e decisões de fazer ou comprar). Para selecionar o modelo GENAI certo para suportar os aplicativos priorizados, considere a latência, a precisão e o custo operacional. Dada a importância da latência nos sistemas técnicos, é fundamental equilibrar esse critério contra a precisão e o custo.
3. Engenheiro. Desenvolva soluções genai e medidas relacionadas. Isso pode implicar avaliar possíveis provedores de soluções e fornecedores de tecnologia, desenvolver seus próprios aplicativos, construir infraestrutura de tecnologia e criar programas para construção de capacidade interna.
4. Implementar. Escala. Test pilot applications for GenAI solutions and related people and technology measures such as implementing pilots to achieve early results and validate impact or creating momentum to foster the broader adoption of GenAI in the organization.
5. Scale. Rolução soluções e iniciativas comprovadas nos locais de produção. Ao mesmo tempo, amplie o portfólio de casos de uso da Genai, lançando projetos piloto adicionais. No entanto, ele não oferecerá benefícios gerais; Para certas aplicações digitais na fábrica do futuro, a Genai é menos adequada ou oferece um ROI menos favorável do que a IA tradicional baseada em ML/DL, que inclui a criação de transparência por meio de manipulação e visualização de dados, detecção de anomalias, análise de produção, otimização de pontos de ajuste e previsão. Consequentemente, os fabricantes precisarão empregar a Genai e a IA tradicional para otimizar suas operações de fábrica. Dada a complexidade, o estabelecimento da infraestrutura tecnológica apropriada e o modelo operacional é fundamental para o sucesso. Os fabricantes que identificam as oportunidades e dominem os desafios da implementação complementar para ganhar o máximo proibindo a implantação da Genai na fábrica do futuro. Inscreva -se
GenAI holds significant potential for manufacturing, and select companies are already tapping into its capabilities. However, it will not deliver across-the-board benefits; for certain digital applications in the factory of the future, GenAI is less suitable or offers a less favorable ROI than traditional ML/DL-based AI, which includes creating transparency through data manipulation and visualization, detecting anomalies, analyzing production, optimizing setpoints, and forecasting. Consequently, manufacturers will need to employ both GenAI and traditional AI to optimize their factory operations. Given the complexity, establishing the appropriate technology infrastructure and operating model is critical for success. Manufacturers that identify the opportunities and master the challenges of complementary implementation will stand to gain the most from deploying GenAI in the factory of the future.
