Apakah Strategi AI Anda Realistis atau Tangga Menuju Surga?

Luke Durcan, direktur EcoStruxure di Schneider Electric mengingat kembali mendengar seorang eksekutif di sebuah perusahaan industri mengatakan sesuatu seperti:“Kami ingin melakukan beberapa AI. Kami ingin memasukkan AI ke dalam proses kami secepat mungkin.”

"Kapan?" tanya Durcan.

“Mungkin Juli,” Durcan mengingat perkataan eksekutif yang tidak disebutkan namanya itu. “Ya, kami ingin mendapatkan AI pada bulan Juli.”

“Anda hanya melihat pria itu, dan kemudian Anda menyadari bahwa dia benar-benar tidak memahami prosesnya. Dia benar-benar tidak memahami mekanisme dan persyaratan yang mendasari untuk sampai ke sana, ”kata Durcan. “Dan kenyataannya, dalam konteks industri, tidak ada yang namanya AI. Ini pemasaran.”

Sementara pakar industri dan ilmu data memiliki berbagai pendapat berbeda tentang gagasan yang tidak jelas seperti AI dan hubungannya dengan kecerdasan umum buatan yang tampak ajaib, mereka sepakat tentang perlunya kontekstualisasi data yang bertahap dan disiplin serta penerapan teknik seperti analitik, pembelajaran mesin dan sejenisnya.

Atif Kureishy, ​​yang mengepalai inisiatif AI dan pembelajaran mendalam Teradata, membingkai AI sebagai rangkaian teknik pendukung termasuk analitik, pembelajaran mesin, dan pembelajaran mendalam yang digunakan untuk mendukung hasil bisnis. “Ketika Anda melihat pembelajaran mendalam, misalnya, yang merupakan bagian dari pembelajaran mesin, ini menerapkan jaringan saraf, komputasi berbasis GPU yang besar, dan data berdimensi tinggi untuk membuat prediksi yang semakin akurat,” kata Kureishy.

Adapun industri mana yang paling cepat menerapkan teknik seperti itu, mereka adalah "tersangka biasa," kata Kureisy, termasuk teknologi konsumen, layanan keuangan, dan asuransi. Ritel dan telekomunikasi adalah bagian dari grup yang berada di urutan berikutnya, katanya. Dalam hal manufaktur, sektor otomotif adalah salah satu sektor tercepat yang menerapkan teknik seperti pembelajaran mesin dan visi komputer, mengingat minat industri tersebut pada kendaraan otonom.

Durcan mengatakan industri minyak dan gas adalah pelopor dalam industri proses. “Organisasi [minyak dan gas] ini telah berinvestasi dalam data, infrastruktur, dan teknologi selama bertahun-tahun, karena hal itu mendorong nilai bagi mereka selama bertahun-tahun,” jelasnya.

Lebih jauh ke bawah kurva jatuh tempo dalam proses manufaktur adalah barang-barang kemasan konsumen dan bahan, mineral dan sektor pertambangan, sementara sejumlah perusahaan manufaktur terpisah seperti produsen elektronik "cukup sangat maju," kata Durcan

Jadi, apa yang harus dilakukan oleh perusahaan industri yang tertinggal untuk menggantikan posisi yang hilang ketika datang ke Industri 4.0, pabrik pintar atau strategi AI — atau istilah mana yang lebih disukai? Dan apa yang harus dilakukan orang-orang di tengah kelompok selanjutnya?

Mulailah terlebih dahulu dengan melakukan audit mandiri dan, jika perlu, memastikan organisasi Anda memiliki landasan ilmu data yang kuat. Sebagian besar pekerjaan Teradata dengan perusahaan industri mencakup “membangun aspek dasar yang telah diinvestasikan oleh pelanggan perbankan kami, misalnya, selama 30 tahun terakhir,” kata Kureisy. Banyak perusahaan industri yang berusaha memahami jenis data kontekstual yang mereka miliki, mengkalibrasi sensor, dan berfokus pada aspek “ilmu data 101” yang terkait dengan bakat, peralatan, dan lingkungan mereka.

Itu bukan untuk memilih perusahaan industri. Tahun lalu, Gartner menemukan lebih dari 87% organisasi — lintas sektor — memiliki kecerdasan bisnis dan kematangan analitik yang rendah.

Pada tahap awal, produsen mungkin telah menginstruksikan serangkaian sensor di seluruh operasinya untuk lebih memahami kondisi material yang terpapar dalam proses manufaktur. Setelah organisasi tersebut dapat melacak datanya dalam konteksnya, organisasi tersebut dapat mulai menemukan anomali sebelum cacat produksi yang mengarah ke memo. "Itu belum benar-benar prediksi, tapi itu mengatakan:'Hei, sekarang saya bisa lebih menggambarkan apa yang terjadi dalam proses manufaktur itu,' kata Kureisy. “Karena saya memiliki semua data telemetri yang keluar dan saya dapat memproses dan menganalisisnya, dan menyatukannya, saya dapat mengkarakterisasi dengan lebih baik secara kuantitatif apa yang salah.”

Pada tahap awal seperti ini dan selama proses berlangsung, Durcan menekankan pentingnya fokus pada manusia dan proses serta teknologi. “Dalam fasilitas brownfield yang khas, ada orang-orang yang telah berada di sana selama 20, 30 atau 40 tahun yang mungkin tahu lebih banyak tentang prosesnya daripada yang pernah Anda ketahui,” katanya. “Dan kemudian ada proses itu sendiri, yang sekali lagi, merupakan evolusi dari waktu ke waktu. Jadi, Anda akan menemukan cara untuk mengintegrasikan teknologi Anda ke dalam lingkungan proses orang untuk memberikan nilai tambahan.”

Organisasi industri yang telah berinvestasi dalam membangun basis ilmu data yang kuat kemudian dapat mulai mengeksplorasi potensi teknik yang lebih canggih seperti jaringan saraf. Dan saat kedewasaan mereka meningkat, mereka dapat beralih dari mengkarakterisasi apa yang terjadi dalam operasi mereka ke menghubungkan variabel-variabel yang muncul di lingkungan itu dan akhirnya membangun sebab-akibat di antara variabel-variabel. "Itu mengatakan:'Ketika A terjadi, B terjadi, jadi saya tahu C akan terwujud," jelas Kureisy. “Itu membuat Anda dalam posisi prediksi yang lebih baik. Anda dapat mulai mengatakan:'Saya mulai melihat anomali ini. Jika Anda tidak melakukan intervensi pada tingkat tertentu, maka saya tahu bahwa kondisi C ini akan terjadi.’”

Tingkat berikutnya memperluas kecanggihan. “Anda dapat membuat rekomendasi yang sangat berbeda dengan cara yang preskriptif untuk memperbaiki atau mengoptimalkan proses,” tambah Kureisy. Tingkat teratas adalah tempat seluruh proses menemukan anomali dan mengatasinya sebelum menyebabkan masalah yang lebih besar sepenuhnya otomatis. “Kita sedang membicarakan Terminator,” canda Kureisy.

Organisasi industri harus menghindari kesimpulan bahwa perjalanan strategi AI mereka memiliki tujuan akhir yang pasti. “Tidak ada nirwana di atas bukit,” kata Durcan. “Ini terus menjadi semakin rumit.”

Akhirnya, para pemimpin industri harus memahami “integrasi data adalah yang terpenting, tetapi data itu sendiri hanyalah awal dari model prediktif dan model analitik,” tambah Durcan. Sangat penting bagi para profesional tersebut untuk memahami hierarki aset, model aset, dan konteks aset mereka. “Kemudian Anda dapat mulai membangun informasi detail yang lebih mendalam tentang aliran data dan infrastruktur data di sekitar organisasi Anda,” tambah Durcan. Dari sana, mereka dapat memanfaatkan data untuk visualisasi deskriptif dan reaksi operasional. “Itulah yang 90% orang akan menggunakannya,” tambahnya. “Tetapi Anda harus mengambil langkah pertama dalam perjalanan untuk sampai ke sana.”