ChatGPT توانایی باورنکردنی در خلاصه کردن اطلاعات، تولید محتوای جدید و پاسخ به سوالات دارد. با وجود این پیشرفت خارقالعاده در هوش مصنوعی، رهبران صنعت با سفری طولانی برای تغییر دیجیتالی بخش تولید روبرو هستند.
به گفته Jagadish Bandla، مدیر ارشد اجرایی عملکرد سازمانی در شرکت مشاوره جهانی Deloitte، تولیدکنندگان باید با خودکار کردن وظایف عملیاتی تکراری، مانند مدیریت دادههای مواد و گزارشدهی، کارهای کوچک را شروع کنند. این استقرار تدریجی به شرکتها اجازه میدهد تا تیمهای خود را به سمت فعال کردن پیادهسازیهای موفق هوش مصنوعی مولد تخصیص دهند. بندلا گفت، هدف این است که قابلیتهای هوش مصنوعی تولیدی، زمانبندی طراحی و توسعه قطعات و اجزاء را کاهش دهد و استفاده از مواد خام را از طریق کشف مواد کاهش دهد.
در حالی که سازندگان این فرصت را دارند که خلاقانه از قابلیت های پیشرفته ChatGPT به نفع خود استفاده کنند، به ناچار خطرات و چالش هایی وجود دارد. ChatGPT و دیگر فناوریهای هوش مصنوعی مولد میتوانند اطلاعات نادرست یا توهمآمیزی ایجاد کنند، به عنوان مثال، زمانی که مدلها خروجیهایی با صدای مطمئن ایجاد میکنند که بر اساس هیچ یک از دادههای آموزشی اصلی نیست. در بخش تولید، این نقص می تواند باعث آسیب فیزیکی و آسیب به افراد شود. کارشناسان معتقدند که رویکرد صحیح می تواند به کاهش این نگرانی ها کمک کند.
چگونه ChatGPT می تواند به تولیدکنندگان کمک کند
یکی از موارد استفاده اولیه، کمک به تولیدکنندگان در انجام وظایف مبتنی بر متن است.
برت گرینشتاین، دادههای ابری و دیجیتالی و شریک هوش مصنوعی در شرکت خدمات حرفهای PwC، میگوید: «بیشتر فرآیند تولید محصول توسط جریانهای کاری و اسنادی انجام میشود که به شدت مبتنی بر متن هستند، از گزارشهای تعمیر و نگهداری ماشین و ورودیهای خدمات گرفته تا گزارشهای وضعیت و هشدارها. .
علاوه بر این، تولیدکنندگان از گردشهای کاری سنگین برای سفارش قطعات، جابهجایی مواد، تکالیف شیفت کارگران و سیاههها استفاده میکنند. همه این عناصر کسب و کار را می توان با کمک هوش مصنوعی مولد تجزیه و تحلیل و تولید کرد.
قابلیت های ChatGPT فراتر از وظایف روت است. هوش مصنوعی مولد برای کل زنجیره ارزش تولید قابل استفاده است: تحقیقات بازار، مفهوم محصول، طراحی، مهندسی و مدیریت زنجیره تامین. همچنین می تواند تعامل مشتری را از طریق پیکربندی بهتر محصول و موتورهای توصیه بهبود بخشد.
Raghuram Mocherla، نایب رئیس شرکت مشاوره مهندسی جهانی Capgemini Engineering، معتقد است که موارد استفاده برتر تولیدی برای ChatGPT شامل موارد زیر است:
- ترکیب نیازهای بازار بدون ساختار، تغییرات محیط نظارتی، محدودیتهای تغییر عرضه و سایر ورودیهایی که وارد طراحی محصول میشوند.
- ثبت و اعمال رویکردهای حل مسئله مورد استفاده مهندسان و طراحان در مراحل طراحی و ساخت محصول.
- ساخت موتورهای زبان طبیعی برای تقویت عملکردهای پیکربندی، قیمت و قیمت B2B.
- تست و اعتبارسنجی محصول را با تولید سناریوهای تست و تجزیه و تحلیل نتایج به صورت خودکار انجام دهید.
- در تصمیم گیری های خرید بر اساس هزینه، محدودیت های زنجیره تامین و ظرفیت تولید کمک کنید.
- عملکرد محصول و مشکلات میدانی را به نقص در طراحی و ذخیره سازی محصول مرتبط کنید.
خطرات و چالش های استفاده از ChatGPT در تولید
هنگام رها کردن مدلهای زبان بزرگ (LLM) در کارخانهها، تولیدکنندگان با خطرات و چالشهای زیادی روبرو هستند.
به گفته بینا آمانات، مدیر اجرایی موسسه هوش مصنوعی Deloitte، یکی از نگرانی های اصلی توهمات است. اطلاعات نادرست و تصوری جایی در یک شرکت تولیدی یا سایر مشاغل ندارد.
نگرانی دیگر این است که مدلهای هوش مصنوعی تولیدی توسط دادههای آموزشی محدود میشوند. یکپارچه سازی مجموعه داده های اضافی نیازمند بازآموزی و تنظیم دقیق پرهزینه است. Ammanath گفت این محدودیت ها می تواند برنامه های اصلی مانند مدیریت داده ها و نگهداری پیش بینی را به خطر بیندازد. عواقب آن می تواند به اندازه خرابی و خرابی دستگاه شدید باشد.
همچنین خطرات قانونی مرتبط با ChatGPT در تولید را در نظر بگیرید. شرکت ها باید اطمینان حاصل کنند که مهندسان به طور ناخواسته اطلاعات محرمانه را در اختیار این خدمات قرار نمی دهند. سامسونگ پس از کشف نشت داده در سال 2023، استفاده از ChatGPT را ممنوع کرد. سازندگان ممکن است با تعهدات احتمالی برای استفاده از مدلهای ساخته شده بر اساس ورودی داده بدون مجوز مواجه شوند. زمانی که مدلهای هوش مصنوعی به طور مستقیم یا غیرمستقیم به تجهیزات یا پرسنل آسیب فیزیکی وارد میکنند، خطرات قانونی مشابهی میتواند از تخصیص مسئولیت ناشی شود. بنابراین، ایمنی، امنیت اطلاعات و خطرات حریم خصوصی مرتبط با پردازش و تجزیه و تحلیل دادههای پرسنل باید هنگام استفاده از ChatGPT و برنامههای مشابه در تولید بررسی شوند.
بهترین شیوه ها برای پذیرش ChatGPT در تولید
به گفته کاملش محشیلکار، رئیس جهانی تمرین هوش مصنوعی در گروه تحول کسب و کار در خدمات فناوری اطلاعات و شرکت مشاوره خدمات مشاوره تاتا، ایجاد قابلیتهای ChatGPT برای بخش تولید نیازمند یک رویکرد فنی، سازمانی و فرهنگی است. او برنامه ریزی دقیق استفاده و داده ها، طراحی امنیتی، نظارت مستمر، مکانیسم های شفافیت، آموزش کاربران و برنامه ریزی مدیریت ریسک را توصیه کرد.
همچنین تمرکز بر بهبود داده ها به عنوان نقطه شروع بسیار مهم است زیرا ابزارهای مولد هوش مصنوعی به آموزش داده ها متکی هستند. موچرلا گفت: «موفقیت همچنان به سادهسازی فرآیندها، دادهها و سیستمهای ثبت برای ارائه مجموعههای داده آموزشی قابل اعتماد، متنوع و از نظر آماری معنادار خلاصه میشود.» همچنین، زبان ساخت و تجارت خاص که به عنوان درخواست ChatGPT استفاده می شود باید استاندارد باشد.
کارشناسان فنی در فضای تولید باید با کارشناسان هوش مصنوعی همکاری کنند. گرینشتاین گفت: «برای اینکه ابزارهای مولد هوش مصنوعی به خوبی اجرا شوند، سازمانها به افرادی نیاز دارند که ویژگیهای فنی این ابزارها را درک کنند و از نزدیک با کسانی همکاری کنند که فرآیندهای تجاری که با هوش مصنوعی تقویت میشوند را درک کنند.»
بیشتر این کار در مورد دسترسی به داده های مناسب یا نمونه هایی از کارهای گذشته برای آموزش LLM و تحریک هوش مصنوعی مولد برای تولید نتایج دقیق است. برای ارزیابی کیفیت و دقت دادهها یا پاسخها، در این فرآیند از طرف کسبوکار و کارگران تولیدی ورودی دریافت کنید.
تولید ناگزیر با روندهای جدید سازگار خواهد شد
همانطور که با تکرارهای اخیر GPT دیده ایم، مدل های هوش مصنوعی مولد بزرگتر خواهند شد. آنها شامل پارامترهای بیشتر و همچنین قابلیت های چندوجهی و چند زبانه خواهند بود. آنها همچنین به سمت یکپارچگی بیشتر با فناوری های دیگر مانند بینایی کامپیوتر، اینترنت اشیا و روباتیک پیش می روند.
گرینشتاین پیشبینی کرد که نوآوریهای جدید این فناوری را قادر میسازد تا از پاسخگویی صرف به درخواستها به عمل کردن مانند عاملی که از اعلانها و پاسخها برای دستیابی به اهداف تجاری استفاده میکند، حرکت کند. این پیشرفتها انواع کارهایی را که هوش مصنوعی مولد میتواند انجام دهد گسترش میدهد و میزان بهرهوری و تأثیری که میتواند داشته باشد را افزایش میدهد. Mocherla گفت، اگر این پیشبینیها عملی شوند، قابلیتهای ChatGPT کاملاً رابطهای کاربری قدیمی گرد و غباری که در حال حاضر در تجهیزات تولید یافت میشوند را متحول خواهند کرد. رابطهای طبیعیتر انسان و ماشین، اطلاعات ساختار نیافتهای را بهدست میآورند تا بدون تلاش قابلتوجه در فرآیند گنجانده شوند.