Producenterne er i færd med at flytte AI-projekter fra demonstrationsfasen over i produktionsmiljøer. Forudsigelig vedligeholdelse, computersyn, afvigelsesdetektering, produktionsoptimering, efterspørgselsprognoser, energistyring og intelligent automatisering af arbejdsgange er ved at blive konkrete tekniske tiltag med utallige anvendelsesmuligheder på fabriksgulvet.
Denne udvikling medfører en strategisk beslutning: Skal man opbygge en AI-kapacitet internt, indgå et samarbejde med et AI-udviklingsfirma eller kombinere begge tilgange?
For de fleste produktionsvirksomheder bør beslutningen ikke baseres på begejstring for AI eller det laveste indledende tilbud. Den bør derimod baseres på det forretningsmæssige problem, dataklarhed, integrationskompleksitet, interne kompetencer og teknisk ekspertise, sikkerhedskrav, implementeringsmiljøet samt hvem der skal drifte løsningen efter lanceringen.
Denne omfattende vejledning sammenligner de tre muligheder og giver et praktisk grundlag for at vælge den rigtige vej.
Det korte svar: Brug en hybridmodel, når ydeevnen er afgørende, men hastigheden også spiller en rolle
Virksomheder bør udvikle AI internt, når AI udgør en langsigtet konkurrencefordel, organisationen allerede råder over stærke software- og datateams, og den er i stand til at understøtte maskinlæringsalgoritmer og modeldrift på længere sigt.
Et samarbejde med en virksomhed, der beskæftiger sig med AI-udvikling, er ofte mere praktisk, når producenten har brug for specialiserede kompetencer, kompleks industriel integration eller en hurtigere vej fra en valideret anvendelsessag til et produktionssystem.
En hybridmodel er ofte den bedste løsning. Producenten bevarer ansvaret for forretningsudfordringen, datastyring, driftsmæssige beslutninger og den langsigtede strategi. En teknisk partner bidrager med specialiserede kompetencer såsom datapipelines, maskinlæring, computervision, implementering i cloud eller edge, avanceret analyse og integration med anlægsystemer.
Det centrale spørgsmål er ikke blot: »Hvem udarbejder modellen?« Det er snarere: »Hvem kan omsætte denne brugssituation fra pålidelige data til et målbart operationelt resultat?«
Hvorfor kunstig intelligens i fremstillingsindustrien kræver mere end blot en maskinlæringsmodel
I produktionsindustrien anvendes AI til fysiske processer, udstyr, produkter og driftsmæssige beslutninger. Det adskiller den fra et isoleret analyseeksperiment eller en chatbot, der er forbundet med et dokumentbibliotek.
En industriel AI-løsning kan have behov for at arbejde med sensordata, PLC’er (programmerbare logiske controllere), produktionsstyringssystemer, ERP-platforme (Enterprise Resource Planning) såsom SAP, kvalitetsregistreringer, tekniske dokumenter, vedligeholdelseshistorikker og operatørers arbejdsgange. Den kan også have behov for at køre i edge-miljøet, da en produktionsbeslutning ikke altid kan vente på, at dataene har været frem og tilbage i skyen.
Den IBM’s oversigt over kunstig intelligens i fremstillingsindustrien fremhæver anvendelsesområder som forebyggende vedligeholdelse, digitale tvillinger, computervision, optimering af forsyningskæden, lagerstyring, energistyring og dokumentsøgning. Disse anvendelsestilfælde har et vigtigt fælles træk: AI skal være forbundet med de data og de arbejdsgange, hvor de operationelle beslutninger træffes.
Derfor omfatter et produktionsklart AI-initiativ inden for fremstillingsindustrien som regel mere end blot modeludvikling:
- Definition af forretningsproblemer og prioritering af brugsscenarier
- Indsamling, forberedelse og kvalitetsvurdering af data
- Databehandling og udvikling af datapipelines
- Udvikling af algoritmer til maskinlæring eller computervision
- Software- og API-udvikling
- Integration med ERP-, MES-, SCADA-, PLM-, IoT- eller vedligeholdelsessystemer
- Implementering i skyen, ved kanten eller som en hybridløsning
- Sikkerhed, adgangskontrol og styring af følsomme data
- Test og modelvalidering
- Overvågning, efteruddannelse og løbende støtte
- Brugeraccept og udformning af arbejdsgange
Monarch Innovations tjenester inden for softwareudvikling omfatter løsninger inden for kunstig intelligens og maskinlæring, systemintegration, cloududvikling, indlejret software, IoT og produktionsapplikationer. Disse kompetencer er relevante, når et AI-initiativ skal integreres i et bredere driftssystem i stedet for at forblive et isoleret proof of concept.
Almindelige anvendelsesområder for kunstig intelligens hos producenter
Kunstig intelligens kan understøtte produktionen på tværs af fabrikken, forsyningskæden, logistikken, produktets livscyklus og ingeniørafdelingen. Det bedste udgangspunkt er som regel et klart defineret driftsmæssigt problem med en konkret beslutning, en ansvarlig person og et mål for succes.
Forebyggende vedligeholdelse
Et system til forebyggende vedligeholdelse analyserer udstyrsdata for at identificere mønstre, der er forbundet med fejl eller forringet ydeevne. Resultatet kan være en risikovurdering, en vedligeholdelsesanbefaling, en advarsel eller en udløsning af en arbejdsordre.
Det sværeste er sjældent at vælge en model. Projektet skal sammenkæde sensormålinger, aktivhierarkier, vedligeholdelsesjournaler, fejlkoder, driftsforhold og teknikernes arbejdsgange. Hvis disse kilder ikke er ensartede, kan det være nødvendigt at standardisere dataene, inden modeludviklingen påbegyndes. En analyse af de grundlæggende årsager kan også hjælpe teamene med at forstå, hvorfor fejl opstår, og dermed træffe bedre vedligeholdelsesbeslutninger.
Automatiseret visuel inspektion
Computersyn kan hjælpe inspektører med at identificere overfladefejl, manglende komponenter, afvigelser i målene eller monteringsfejl. Et brugbart system skal tage højde for belysning, kameraposition, produktvariationer, acceptable tolerancer, falske positiver og hvad der sker, når systemet markerer en mulig fejl.
Beslutningen om implementering spiller også en rolle. Nogle inspektionssystemer kræver edge-behandling med lav latenstid tæt på produktionslinjen, mens andre kan nøjes med en centraliseret infrastruktur og kameraer, der er tilsluttet fabrikkens netværk.
Produktions- og procesoptimering
Kunstig intelligens kan hjælpe med at identificere sammenhænge mellem procesparametre og resultater såsom udbytte, cyklustid, spild, energiforbrug eller produktionskapacitet. Systemet kan anbefale justeringer, simulere scenarier eller støtte operatørerne under produktionen med feedback i realtid.
Optimering bliver risikabel, når modellen anvendes uden klare begrænsninger. Producenter bør fastlægge sikkerhedsgrænser, godkendelsesprocedurer, procedurer for tilbageførsel og menneskelig overvågning, inden de tillader, at et system påvirker produktionsindstillingerne. Dette er især vigtigt for processer med store produktionsmængder eller batch-processer.
Støtte til efterspørgsel, lagerbeholdning og planlægning
Maskinlæring kan analysere ordrehistorik, sæsonudsving, lagerbeholdning, leverandørers præstationer, produktionskapacitet, salgsdata, eksterne data og andre variabler for at understøtte prognoser og planlægning. Disse systemer er mest nyttige, når prognoserne integreres i den faktiske produktionsplanlægning og logistikprocesserne, i stedet for blot at blive endnu et kontrolpanel, som planlæggerne skal fortolke manuelt.
Tekniske og videnbaserede arbejdsgange
Generativ AI kan hjælpe ingeniører med at søge i teknisk dokumentation, sammenfatte vedligeholdelsesjournaler, sammenligne specifikationer, hente tidligere designoplysninger og udarbejde første udkast til rapporter eller arbejdsinstruktioner. Disse anvendelser kan understøtte produktudviklingsprocessen og udgør ofte et udgangspunkt med lavere risiko, da de hjælper mennesker i stedet for direkte at styre udstyret.
Energi- og ressourceforvaltning
Kunstig intelligens kan analysere energiforbrug, driftsformer, produktionsplaner og udstyrets adfærd for at identificere ineffektiviteter eller anbefale ændringer. De potentielle fordele omfatter lavere energiomkostninger, forbedret udnyttelse og en mere bæredygtig drift. Værdien afhænger af pålidelige målinger og evnen til at koble anbefalingerne sammen med anlæggets drift.
For yderligere information om automatisering inden for fremstillingsindustrien henvises til Monarch Innovations Indblik i automatisering inden for fremstillingsindustrien, som omfatter smarte fabrikker, industriel kunstig intelligens, forudsigelig drift, digitale tvillinger og forbundne produktionssystemer. Disse teknologier understøtter 4.0-initiativer og udviklingen af effektive fremtidige fabrikker.
Mulighed 1: Opbygge AI-kapaciteten internt
At opbygge internt betyder at ansætte eller udvikle de medarbejdere, processer, teknologier og driftsmodeller, der er nødvendige for at implementere og vedligeholde AI inden for produktionen.
Fordelene ved at bygge internt
Langvarigt ejerskab: Jeres team opbygger institutionel viden om fremstillingsprocessen, data, systemer og forretningsmæssige prioriteter.
Direkte samarbejde: Interne AI-specialister kan arbejde tæt sammen med drifts-, ingeniør-, kvalitets-, vedligeholdelses-, IT- og ledelsesteamene.
Strategisk kapacitet: Hvis kunstig intelligens kommer til at understøtte mange produkter, anlæg eller processer, kan en intern kompetence blive en fast del af organisationens tekniske model og ERP-portefølje.
Kontrol over arkitekturen og udviklingsplanen: Interne teams kan træffe teknologiske beslutninger på baggrund af virksomhedens langsigtede behov, sikkerhedspolitikker og produktstrategi.
Hurtigere adgang til forretningsmæssig kontekst: Medarbejdere, der forstår processen, kan identificere nyttige signaler og begrænsninger, som et eksternt team ville have brug for tid til at sætte sig ind i.
Udfordringer ved at opbygge interne løsninger
Et AI-produktionsprogram kan kræve flere forskellige roller, herunder dataingeniører, ML-ingeniører, softwareudviklere, cloud- eller edge-specialister, cybersikkerhedseksperter, produkt- eller projektledere samt eksperter inden for produktionsområdet.
Udfordringen med rekruttering er kun begyndelsen. Organisationen skal også håndtere:
- Rekruttering og fastholdelse af specialiseret arbejdskraft
- Omkostninger til dataplatform og infrastruktur
- Integration med ældre udstyr og applikationer
- Overvågning og genoptræning af modeller
- Sikkerhed og adgangskontrol
- Dokumentation og videnskontinuitet
- Test under skiftende produktionsforhold
- Støtte, når det oprindelige projektteam er gået videre
Et internt team kan opbygge en solid kompetence, men det kræver et tilstrækkeligt projektomfang og støtte fra ledelsen for at retfærdiggøre den løbende driftsmodel. Ansættelse af nogle få specialister uden den nødvendige støtte i form af data, software og produktionsressourcer kan resultere i et team, der er effektivt til at udvikle prototyper, men som har svært ved at implementere dem.
Mulighed 2: Indgå et samarbejde med et AI-udviklingsfirma
En AI-udviklingspartner giver adgang til et tværfagligt team, uden at producenten er nødt til at opbygge hele kompetencen, før det første projekt går i gang.
Fordelene ved et partnerskab
Hurtigere adgang til specialiseret ekspertise: Et etableret team kan allerede bestå af dataingeniører, ML-ingeniører, softwareudviklere, IoT-specialister og implementeringseksperter.
Mindre personaleomkostninger i opstartsfasen: Du kan starte med et målrettet projektteam i stedet for at opbygge en fuldgyldig AI-afdeling.
Bredere dækning inden for ingeniørvidenskab: Den rette partner kan integrere AI med applikationer, enheder, API’er, cloud-infrastruktur, edge-miljøer og industrielle arbejdsgange.
Fleksibel kapacitet: Teamet kan tilpasses projektets fase, lige fra indledende undersøgelser og gennemførlighedsanalyse til implementering og support.
Mindre risiko ved levering: En partner med relevant erfaring kan opdage problemer med data, integration, validering og implementering på et tidligere tidspunkt.
Videnoverførsel: Et velstruktureret samarbejde kan give producenten dokumentation, driftsprocedurer og uddannede interne medarbejdere.
Mulige udfordringer ved partnerskaber
Ekstern levering fjerner ikke behovet for internt ejerskab. Producenterne bør fastlægge, hvordan samarbejdspartneren skal håndtere:
- Ejerskab af og adgang til data
- Rettigheder til intellektuel ejendom
- Cybersikkerhed og identitetsstyring
- Ejerskab af dokumentation og kildekode
- Modelens forklarbarhed og validering
- Forventninger til support og serviceniveau
- Ændringsforslag og fremtidige forbedringer
- Videnoverførsel og planlægning af udtræden
- Ansvaret for overvågning af modellen efter lanceringen
Det vigtigste udvælgelseskriterium er ikke, om en virksomhed kan fremvise en imponerende model. Det afgørende er, om virksomheden kan integrere denne model i en reel produktionsproces og yde support efter implementeringen.
Egenudvikling eller samarbejde med en partner: Hvad bør man sammenligne?
Afgørende faktor
Producer internt
AI-udviklingspartner
Indledende bemanding
Kræver ansættelse eller intern fordeling
Inddrager et eksisterende tværfagligt team
Projektstart
Det kan gå lidt langsommere, mens roller og arkitektur er ved at blive fastlagt
Det går ofte hurtigere, når rammerne og dataene er på plads
Langvarigt ejerskab
Direkte internt ejerskab
Kan fastlægges gennem kontrakter og videnoverførsel
Særlige kompetencer
Skal uddannes eller ansættes
Tilgængeligt afhængigt af partnerens kapacitet
Produktionskontekst
En styrke, hvis de interne teams har kendskab til processerne
Det afhænger af partnerens erfaring inden for branchen
Skalerbarhed
Det afhænger af ansættelser og arbejdsbyrden
Kan tilpasses efter projektfase og behov
Vedligeholdelse
Fuldt internt ansvar
Kan deles, overføres eller udliciteres
Strategisk overensstemmelse
Et stærkt, langsigtet ekspertcenter for kunstig intelligens
Velegnet til acceleration, specialopgaver eller kapacitetsmangler
En hybridmodel kombinerer internt forretningsejerskab med ekstern ingeniørkapacitet. Den kan give tre væsentlige fordele: hurtigere gennemførelse, bedre videnoverførsel og bedre afstemning mellem den tekniske levering og de operationelle prioriteter.
For eksempel kan producenten stå for udarbejdelsen af en køreplan for anvendelsestilfælde, datapolitikker, procesdefinitioner og driftsmæssige beslutninger. Partneren kan stå for udviklingen af datapipeline, maskinlæringssystem, brugerapplikation, integrationslag og implementeringsarkitektur. Interne medarbejdere kan deltage gennem hele projektet og gradvist overtage de fastlagte ansvarsområder.
Et praktisk hybridforløb kan følge denne rækkefølge:
- Definer det operationelle problem. Angiv, hvilken beslutning systemet skal forbedre, og hvem der er ansvarlig for at handle på baggrund af resultatet.
- Vurder, om dataene er klar til brug. Gennemgå datakilder, historik, kvalitet, mærkning, adgang, forsinkelse og ejerskab.
- Vurder gennemførligheden. Undersøg, om de tilgængelige data kan danne grundlag for en nyttig forudsigelse, klassificering, anbefaling eller søgeoplevelse.
- Opbyg en målrettet produktionsproces. Udvikl det mindste komplette system, der omfatter data, model, integration, brugerarbejdsgang, værktøjer og validering.
- Implementer med passende kontrolforanstaltninger. Beslut, om systemet skal køre i skyen, i edge-miljøet eller via en hybridarkitektur. Fastlæg procedurerne for godkendelse af medarbejdere og for tilbagestilling.
- Overfør viden på en bevidst måde. Dokumentarkitektur, datastrømme, modeladfærd, overvågning, supportprocesser og kendte begrænsninger.
- Der skal kun foretages en skalering på baggrund af dokumentation. Udvid til yderligere produktionslinjer, anlæg, produkter eller anvendelsesscenarier, når den første løsning har vist sin driftsmæssige værdi og brancheførende ydeevne.
Denne tilgang undgår to almindelige fejl. Den første er at ansætte et dyrt team, før organisationen ved, hvilke anvendelsesscenarier der er værd at investere i. Den anden er at outsource hele initiativet uden at opbygge et internt ejerskab til processen og dataene.
Hvornår bør en producent udvikle kunstig intelligens internt?
Det kan være en god idé at udvikle internt, når de fleste af følgende betingelser er opfyldt:
- AI er afgørende for dit produkt eller din langsigtede konkurrencefordel.
- Du forventer en vedvarende strøm af AI-projekter.
- I har allerede stærke teams inden for software, data, sikkerhed og teknik.
- Du kan rekruttere og fastholde specialiseret personale.
- Du kan yde support til driften af modellerne efter implementeringen.
- Jeres data og systemer er modne nok til at understøtte den løbende udvikling.
- Du skal have direkte kontrol over arkitekturen, udviklingsplanen og den intellektuelle ejendomsret.
- I har både tid og budget til at opbygge kapaciteten ordentligt.
- Du ønsker at anvende kunstig intelligens i alle aspekter af erhvervslivet, der har tilknytning til fremstillingsindustrien.
Hvis organisationen kun har ét usikkert anvendelsestilfælde og ingen intern driftsmodel for AI, kan det medføre større risiko end værdi at opbygge et fuldt team med det samme.
Hvornår bør en producent indgå et samarbejde med et AI-udviklingsfirma?
Et partnerskab er ofte det bedste udgangspunkt, når en eller flere af følgende betingelser er opfyldt:
- Man skal hurtigt gå fra idé til pilotprojekt.
- Jeres interne team mangler erfaring inden for maskinlæring, dataengineering, computervision eller implementering.
- Projektet kræver integration med IoT, ERP, MES, SCADA, PLM, SAP eller ældre systemer.
- Du har brug for både ekspertise inden for produktion og softwareudvikling.
- I tester en anvendelse af kunstig intelligens, inden I foretager en større investering.
- Du har brug for fleksibel kapacitet til et bestemt projekt eller en bestemt leveringsfase.
- I ønsker at mindske den indledende byrde i forbindelse med ansættelser og infrastruktur.
- Du har brug for hjælp til at udarbejde en køreplan og en produktionsarkitektur.
- Du vil gerne sammenligne forskellige måder at anvende kunstig intelligens på i forskellige typer anlæg og processer.
En partner bør styrke jeres interne kompetencer og ikke gøre jeres organisation permanent afhængig af udokumenteret ekstern viden.
Sådan vælger du en AI-udviklingspartner til fremstillingsindustrien
Vurder partneren på fem områder i stedet for kun at gennemgå virksomhedens portefølje inden for maskinlæring.
1. Erfaring inden for produktion og ingeniørarbejde
Spørg, om teamet har indsigt i produktionsmæssige begrænsninger, anlægsdata, kvalitetsprocesser, vedligeholdelsesworkflows, industriel konnektivitet samt konsekvenserne af falske positive eller falske negative resultater. Erfaring med forsyningskæder – Tecnomatix og lignende produktionsværktøjer kan også være nyttige, når digital produktionsplanlægning indgår i opgaven.
2. Kompetence inden for fuldstændig implementering
En produktionsløsning kan omfatte dataengineering, modeludvikling, backend-tjenester, frontend-applikationer, API’er, cloud- eller edge-infrastruktur, indlejrede systemer og integration. Fastlæg, hvem der skal have ansvaret for de enkelte lag, og hvordan komponenterne skal fungere sammen med andre teknologier.
3. Data og implementeringsdisciplin
Spørg, hvordan partneren vurderer datakvaliteten, administrerer mærkning, håndterer manglende data, validerer modeller, overvåger afvigelser og understøtter genoptræning. Spørg også, hvornår partneren anbefaler implementering i skyen, på edge eller som en hybridløsning, især når anlæggets nuværende forbindelsessituation er uensartet.
4. Ledelse og ejerskab
Afklar adgang til data, intellektuel ejendomsret, kildekode, ejerskab af modeller, dokumentation, sikkerhedstest, sporbarhed samt proceduren for afslutning eller overdragelse af samarbejdet. Dette er især vigtigt, når systemerne håndterer følsomme data eller er forbundet med operationelle kontrolforanstaltninger.
5. Støtte efter udsendelse
En model kan blive forringet, når udstyr, materialer, leverandører, driftsforhold eller produktdesign ændres. Spørg, hvem der overvåger ydeevnen, undersøger fejl, opdaterer systemet og yder support til brugerne efter lanceringen.
Spørgsmål, man bør besvare, inden man går i gang med et AI-produktionsprojekt
Brug disse spørgsmål til at vurdere, om initiativet er klar til gennemførelse:
- Hvilken specifik produktionsbeslutning eller -proces er det, vi forbedrer?
- Hvem har ansvaret for det operationelle resultat?
- Hvilke datakilder findes der, og hvor pålidelige er de?
- Har vi nok historiske eksempler og dokumenterede resultater?
- Kan løsningen integreres med de nuværende anlægs- og virksomhedssystemer?
- Skal systemet implementeres i skyen, på edge eller som en hybridløsning?
- Hvilket niveau af menneskelig godkendelse kræves der?
- Hvordan vil nøjagtighed, falske positive resultater, responstid og driftsmæssige konsekvenser blive målt?
- Hvem skal vedligeholde løsningen, når produktionsforholdene ændrer sig?
- Hvordan vil cybersikkerhed, adgangskontrol og datastyring blive håndteret?
- Hvad skal en dygtig pilot bevise?
- Hvilke dokumenter og hvilke oplysninger skal forblive hos producenten?
- Hvilke eksterne datakilder, salgsdata og produktionssignaler kunne bidrage til at forbedre datadrevne beslutninger?
Den NIST’s retningslinjer for informationsstyring inden for intelligent produktion understreger, at pålidelig AI inden for fremstillingsindustrien afhænger af konsekvente, gentagelige og pålidelige datapraksisser. Dataklarhed bør derfor betragtes som en projektarbejdsstrøm og ikke som en selvfølge.
Hvordan Monarch Innovation kan støtte AI-initiativer inden for fremstillingsindustrien
Monarch Innovation kombinerer kunstig intelligens og maskinlæring med skræddersyet softwareudvikling, indlejrede systemer, IoT, industriel automatisering og ingeniørydelser. Virksomhedens kompetencer inden for indlejret software og IoT-udvikling kan understøtte projekter, hvor der er behov for at forbinde enheder og driftsdata med cloud-applikationer, analyseværktøjer eller AI-arbejdsgange.
Denne tværfaglige model er nyttig, når initiativet omfatter mere end blot en enkeltstående model. AI inden for fremstillingsindustrien kan kræve dataintegration, industriel konnektivitet, applikationsudvikling, implementeringsarkitektur, teknisk viden og produktionsstøtte for at kunne levere et pålideligt resultat. Den kan også understøtte nye anvendelser, der involverer autonome køretøjer, smart home-teknologier og andre forbundne systemer, når disse overlapper med industrielle processer.
Monarch Innovation tilbyder desuden udvikling af skræddersyet software til produktionsformål, herunder løsninger inden for produktionsprocesser, styring af forsyningskæden og kvalitetskontrol. Den mest hensigtsmæssige samarbejdsmodel afhænger af anvendelsessituationen, det interne team, datamiljøet og kravene til ejerskab på lang sigt.
Sådan vælger du den rette vej for din AI-strategi inden for produktion
Når man udvikler AI internt, får man direkte ejerskab og kan opbygge en varig strategisk kompetence. Det kræver dog også vedvarende investeringer i medarbejdere, infrastruktur, styring, integration og modeldrift.
Et samarbejde med en virksomhed inden for AI-udvikling kan give hurtigere adgang til specialiseret ekspertise og mindske den indledende byrde ved at sammensætte et komplet team. Det kræver omhyggelige aftaler om sikkerhed, ejerskab, dokumentation, support og videnoverførsel.
For mange producenter udgør en trinvis hybridmodel den bedste balance. Behold forretningsudfordringerne, proceskendskabet, datastyringen og de strategiske beslutninger internt i organisationen. Brug en teknisk partner til at fremskynde gennemførlighedsanalysen, systemudviklingen, den industrielle integration og implementeringen. Overfør eller udvid derefter ansvarsområderne i takt med, at den interne kapacitet udvikler sig.
Hvis du er i gang med at vurdere et anvendelsestilfælde for kunstig intelligens, Kontakt Monarch Innovation for at drøfte jeres behov inden for produktion, software, IoT eller teknik. En konstruktiv indledende samtale bør fokusere på det konkrete problem, de tilgængelige data, de eksisterende systemer og det resultat, I ønsker at forbedre.
Ofte stillede spørgsmål
Bør producenter udvikle AI internt eller indgå et samarbejde med et AI-udviklingsfirma?
Det rigtige valg afhænger af strategisk betydning, interne kompetencer, datamodning, integrationskompleksitet, tidsplan og langsigtet ejerskab. Udvikl internt, når AI udgør en varig konkurrencemæssig fordel, og I kan yde løbende support. Indgå et partnerskab, når I har brug for specialiseret ekspertise eller hurtigere gennemførelse. En hybridmodel kombinerer ofte internt ejerskab med ekstern leveringskapacitet.
Hvad er den bedste første anvendelse af kunstig intelligens inden for fremstillingsindustrien?
Den bedste første anvendelsessag har en klar ansvarlig, pålidelige data, et målbart resultat og en arbejdsgang, hvor medarbejderne kan handle på baggrund af resultatet. Forebyggende vedligeholdelse, visuel inspektion, dokumentsøgning, afvigelsesdetektering og teknisk analyse kan være gode kandidater. Undgå at vælge en anvendelsessag udelukkende, fordi den er teknisk interessant eller populær.
Hvilke kompetencer kræves der for at udvikle kunstig intelligens internt til produktionsbranchen?
Et produktionsteam kan have brug for kompetencer inden for dataengineering, maskinlæring, softwareudvikling, cloud- eller edge-infrastruktur, cybersikkerhed, integration, projektledelse og ekspertise inden for produktionsområdet. Den præcise sammensætning afhænger af den konkrete anvendelse. Et inspektionssystem baseret på computervision kan kræve andre kompetencer end en platform til efterspørgselsprognoser eller en AI-assistent til teknisk dokumentation.
Hvad bør producenter spørge en AI-udviklingspartner om?
Spørg ind til erfaring med produktion, lignende anvendelsestilfælde, databehandling, modelvalidering, industriel integration, implementering i cloud og edge, cybersikkerhed, intellektuel ejendomsret, dokumentation, videnoverførsel, overvågning samt support efter implementeringen. Spørg også, hvem der ejer kildekoden, modellerne, datapipelines og driftsprocedurerne, når samarbejdet afsluttes.
Kan en AI-teknikpartner arbejde med ældre produktionssystemer?
En partner kan muligvis integrere AI med eksisterende systemer via API’er, databaser, historikdatabaser, middleware, edge-gateways, filudveksling eller andre godkendte grænseflader. Om dette er muligt, afhænger af systemerne, dokumentationen, adgangskontrol, datakvalitet og krav til latenstid. I en teknisk undersøgelsesfase bør man kortlægge eventuelle integrationsbegrænsninger, inden udviklingen påbegyndes.
Skal AI til fremstillingsindustrien køre i skyen?
Nej. Den rette implementeringsmodel kan være cloud, edge, on-premises eller hybrid. Cloud-infrastruktur kan understøtte centraliseret databehandling og modelstyring. Edge- eller on-premises-implementering kan være at foretrække, når krav til latenstid, forbindelse, datasensitivitet eller anlægskontrol er vigtige. Arkitekturen bør tilpasses de driftsmæssige behov.
Hvordan kan producenter mindske risikoen ved AI-projekter?
Start med et klart defineret driftsmæssigt problem, vurder tidligt, om dataene er klar til brug, fastlæg målbare succeskriterier, inddrag interessenter fra anlæg og teknik, og valider hele arbejdsgangen i stedet for blot modellen. Fastlæg rammerne for menneskelig overvågning, sikkerhed, ejerskab, overvågning og support inden implementeringen. Skalér løsningen, når den første implementering viser tegn på driftsmæssig værdi.
