הטמעת בינה מלאכותית בתעשייה
הטמעת טכנולוגיה של בינה מלאכותית בתעשיות שונות טומנת בחובה קשיים אחדים שיש לתת עליהם את הדעת. מגזין המסחר האינטרנטי Manufacturing Tomorrowהקדיש מאמר ליתרונות הגישה ההיברידית בהטמעת שיטות של בינה מלאכותית.
כשמדברים על בינה מלאכותית (AI-Artificial Intelligence), מתכוונים באופן כללי למכונה שפותרת בעיה בצורה שאנו מחשיבים כתבונית. למידת מכונה (Machine learning) היא תת-קטגוריה בבינה מלאכותית, שבה מחשב מוזן בנתונים ועל פיהם פותר בעיה ללא התערבות אנושית. רשת עצבית מלאכותית (deep learning) היא הרחבה של שיטות למידת מכונה והפיכתה לרשת עצבית מלאכותית ששואבת השראה מפעולת המוח. באמצעות אימון ותיוג, המשתמש מלמד את המערכת כיצד לקבל החלטות על בסיס תוצאות טובות ורעות (כמו עבר/נכשל). בהמשך, המערכת העצבית יכולה לנתח נתונים ולקבל החלטות באופן אוטונומי וללא התערבות אנושית.
הקושי העיקרי בהטמעת בינה מלאכותית הוא היעדר תשתיות טכנולוגיות תומכות. מדובר בבעיה משמעותית שמאפיינת בעיקר תעשייה שעובדת עם ציוד בקרה רב, שכן המשמעות היא עלויות גבוהות בהחלפת הציוד והתאמתו לבינה המלאכותית. כמו כן יש להתחשב בעלויות הגבוהות שבהעסקת מפתחי אלגוריתמים לבינה מלאכותית. מנגד, ממשקי פיתוח של אלגוריתם "ללא קוד" ותוספים מוכנים לשימוש למשימות בקרה שגרתיות מפשטים את הבעיה הזו.
ג'ונתן האו, נשיא חברת פלאורה טכנולוגיות (Pleora Technologies) המתמחה בפתרונות בינה מלאכותית לתעשייה, ממליץ על הגישה ההיברידית בהטמעת הטכנולוגיה החדשנית. תעשיות מתבססות על תהליכי למידה בני עשורים של אדם ומכונה, תהליכים שכבר הניבו תוצאות טובות. הטמעת תהליכים חדשים דורשת זמן ועלויות ואינה חפה מסיכונים. חשיבותה של בינה מלאכותית נעוצה בכך שהיא מעלה את התפוקה והרווח, מאפשרת ניטור ובקרה יסודיים יותר מהטכנולוגיה הקיימת, ומונעת טעויות אנוש.
האו מציין כי בינה מלאכותית היברידית מתאימה במיוחד לכמה ענפים מרכזיים. שוק הסחורות לצריכה פרטית כבר מושקע מאוד בבקרת איכות ממוחשבת (machine vision). הטמעת יכולות בינה מלאכותית בתהליכים ממוחשבים קיימים תצמצם שגיאות, וגם שיפור באחוזים בודדים יכול לצמצם משמעותית בזבוז סחורה, להוריד עלויות ייצור ולהעלות את זמן הפעולה של קו הייצור. בתעשיית המתכות, כמו למשל ייצור חלקים לרכב, בינה מלאכותית מסייעת באיתור וזיהוי שגיאות ומייעלת תהליכים היברידיים שמשלבים בקרה אנושית ובקרה ממוחשבת. בשוק המזון והמשקאות בינה מלאכותית משמשת לצמצום טעויות והבטחת בטיחות המוצר. טכנולוגיות חיישניות חדשות כגון הדמיה היפר-ספקטרלית, מאפשרות בקרה מתקדמת ואיתור פגמים וחומרים זרים. בתעשיית הדפוס והאריזות בינה מלאכותית משמשת לאיתור שגיאות כתיב ומשפרת ספירה ומיון.
כמו כן מציין האו את היתרונות של בינה מלאכותית לעומת ראיית מחשב קלאסית. בראייה ממוחשבת קלאסית, מפתח מכניס אלגוריתם באופן ידני לשם ביצוע המשימה. דבר זה מצריך התאמה בין מוצר למוצר. אי-דיוקים עלולים לייצר עודף תוצאות חיוביות כוזבות שקוטעות את קו הייצור ומצריכות בקרה נוספת, או לחילופין תוצאות שליליות כוזבות שמשמעותן תהיה הוצאה לשוק של סחורה פגומה ולא איכותית. היתרון באלגוריתם הקלאסי הוא שאין צורך בהזנת נתונים כדי להתחיל לעבוד. פיתוח אלגוריתם של בינה מלאכותית דרש בעבר השקעה מסיבית בזמן ובמשאבים, אלא שכיום ישנן פלטפורמות פיתוח No-Code שמאפשרות פיתוח פשוט יותר של תוכנות בינה מלאכותית, ופלטפורמות מתקדמות יותר לקידוד ובדיקה של אלגוריתמים ולשילוב ראייה ממוחשבת עם בינה מלאכותית.
