Apakah Strategi AI Anda Realistis, atau Hanya Mimpi Indah?
Luke Durcan, direktur EcoStruxure di Schneider Electric, menceritakan percakapan dengan seorang eksekutif dari perusahaan industri yang menyatakan: “Kami ingin melakukan beberapa AI. Kami ingin mendapatkan AI ke dalam proses kami secepat mungkin.”
Ketika Durcan bertanya, “Kapan?” eksekutif itu menjawab, “Pantasnya Juli.”
Durcan mengamati bahwa eksekutif itu jelas tidak memiliki pemahaman yang dalam tentang proses, mekanisme, dan persyaratan yang diperlukan untuk mencapai integrasi AI. Dia mencatat bahwa, dalam banyak konteks industri, “AI” sering digunakan sebagai kata-kata tendangan daripada kemampuan konkret.
Ahli dalam analitik industri dan ilmu data secara konsisten setuju pada pendekatan yang disiplin, langkah demi langkah: kontekstualkan data, kemudian terapkan analitik, pembelajaran mesin, dan teknik pembelajaran dalam untuk mencapai hasil bisnis nyata.
Atif Kureishy, kepala inisiasi AI dan pembelajaran dalam Teradata, mendefinisikan AI sebagai sekumpulan teknik pendukung—analitik, pembelajaran mesin, pembelajaran dalam—yang disesuaikan untuk menyelesaikan masalah bisnis spesifik. “Misalnya, pembelajaran dalam—menggunakan jaringan saraf, komputasi berbasis GPU, dan data berdimensi tinggi—memungkinkan prediksi yang semakin akurat,” kata Kureishy.
Industri yang telah menerapkan teknik ini sejak awal termasuk teknologi konsumen, jasa keuangan, dan asuransi. Ritel, telekomunikasi, dan otomotif menjejak dekat di belakangnya. Di manufaktur, sektor otomotif berada di antara yang paling cepat mengadopsi, didorong oleh fokusnya pada kendaraan otonom.
Durcan menyoroti industri minyak dan gas sebagai pionir di sektor proses. “Organisasi ini telah berinvestasi dalam data, infrastruktur, dan teknologi selama bertahun-tahun karena itu konsisten memberikan nilai,” katanya.
Lebih jauh di kurva kematangan, sektor barang dikemas konsumen, bahan, mineral, dan pertambangan menunjukkan kemajuan yang stabil, sementara produsen diskrit—seperti produsen elektronik—sudah cukup canggih.
Jadi, apa yang harus dilakukan perusahaan industri yang tertinggal untuk mengejar di era Industry 4.0, pabrik cerdas, dan AI? Dan langkah apa yang harus diambil oleh perusahaan menengah?
Langkah pertama adalah audit diri untuk memastikan fondasi ilmu data yang kuat. Teradata sering membantu klien membangun elemen dasar yang telah melayani pelanggan perbankannya selama 30 tahun. Banyak perusahaan industri harus mengidentifikasi data kontekstual yang mereka miliki, mengkalibrasi sensor, dan fokus pada “ilmu data 101”—talenta, alat, dan lingkungan.
Menurut penelitian Gartner 2023, lebih dari 87% organisasi di semua sektor menunjukkan kematangan analitik dan bisnis intelijen yang rendah.
Pada awalnya, produsen mungkin menerapkan jaringan sensor di seluruh operasinya untuk menangkap kondisi yang dialami materi selama produksi. Dengan data kontekstual di tangan, perusahaan dapat mendeteksi anomali yang mendahului cacat dan barang rusak. “Itu belum prediksi penuh, tapi itu karakterisasi proses yang lebih baik,” kata Kureishy.
Durcan menekankan bahwa teknologi harus diintegrasikan dengan orang dan proses. “Di fasilitas brown-field yang khas, karyawan berpengalaman memegang pengetahuan proses yang berharga. Alat AI Anda harus melengkapi keahlian itu, memberikan nilai tambah,” katanya.
Setelah perusahaan memiliki dasar ilmu data yang kuat, ia dapat menjelajahi teknik yang lebih canggih seperti jaringan saraf. Seiring bertambahnya kematangan, fokus beralih dari menggambarkan peristiwa ke berkorespondensi variabel dan menetapkan kausalitas. “Ketika A terjadi, B terjadi, jadi kita tahu C akan materialize,” kata Kureishy. “Wawasan prediktif ini memungkinkan intervensi proaktif.”
Kesesuaian yang lebih lanjut memungkinkan rekomendasi preskriptif untuk mengoptimalkan atau memperbaiki proses. Puncak perjalanan ini adalah deteksi dan resolusi anomali yang sepenuhnya otomatis—esensialnya, “terminator” otomatis cacat, seperti lelucon Kureishy.
Durcan memperingatkan bahwa perjalanan AI tidak memiliki tujuan akhir. “Tidak ada nirwana di horizonte; lanskap terus berkembang,” katanya.
Terakhir, pemimpin industri harus memprioritaskan integrasi data. Data sendirian hanyalah titik awal untuk model prediktif atau analitik. Memahami hierarki aset, model, dan konteks adalah kritis. Dari sana, organisasi dapat membangun alur data dan infrastruktur yang rinci, mengaktifkan visualisasi deskriptif dan respons operasional. “Itulah yang digunakan 90% orang untuk data,” tambah Durcan. “Langkah pertama adalah yang ter sulit.”
