Når AI går i gang - Transformering af fabriksautomatisering

Episodeoversigt

Industrial AI bevæger sig fra laboratoriet til fabriksgulvet. I denne episode af Optimistiske udsigter i femLauren Espin udforsker, hvordan AI kan hjælpe producenter med at tackle mangel på kvalificeret arbejdskraft og forbedre ingeniørproduktiviteten.

I centrum af historien er Eigen Engineering Agent, udviklet af Siemens' AI-hub i Seattle. Ved at kombinere AI med anlægsspecifikke tekniske data kan Eigen hjælpe automatiseringsingeniører med at skrive kode og konfigurere industrisystemer og udføre komplekse ingeniøropgaver med op til fem gange menneskelig hastighed. I pilotprojekter på tværs af mere end 100 virksomheder i 19 lande har Eigen leveret op til 50% større ingeniøreffektivitet.

Men at bringe AI ind i industrielle miljøer kræver mere end kraftfulde modeller. Menneskelig ekspertise, simulering og validering er fortsat afgørende at sikre, at AI-genereret arbejde er sikkert, pålideligt og klar til den virkelige verden.

Resultatet? Et glimt af, hvordan Industrial AI kunne omforme produktionen - ikke ved at erstatte ingeniører, men ved at hjælpe dygtige mennesker med at gøre mere.

Fuld udskrift

Jeg er Lauren Espin, og dette er De optimistiske udsigter i fem, en hurtig opdatering om en vigtig udvikling, der former fremtiden.

USA har sat et ambitiøst mål om at genindustrialisere sin økonomi. Det betyder at opbygge ny produktionskapacitet, modernisere eksisterende operationer og forblive globalt konkurrencedygtig - alt sammen mens industrien står over for vedvarende mangel på kvalificeret arbejdskraft.

Industrial AI kan være et af de vigtigste værktøjer til at imødegå denne udfordring. Det kan bygge på årtiers fremskridt inden for automatisering, software og den digitale tvilling for at hjælpe ingeniører, operatører og teknikere med at blive mere produktive, fremskynde innovation og løse stadig mere komplekse problemer.

Men at indse denne mulighed kræver mere end kraftfulde AI-modeller. Vi er nødt til at implementere AI i den virkelige verden i stor skala på måder, der leverer målbare produktivitetsgevinster.

Og det bringer os til et stykke teknologi, som de fleste af os sjældent tænker på - medmindre, selvfølgelig, du arbejder inden for produktion.

PLC, eller programmerbar logisk controller. Man kan have kontrolleret linjen, der fyldte flasken vand på dit skrivebord. En anden hjalp med at fremstille en komponent inde i den bil, du kørte i dag. Og en anden kan have hjulpet med at pakke leveringsboksen, der dukkede op på din veranda.

PLC'er er overalt i moderne industri. Siemens fremstiller mange af dem. Faktisk styres omkring en tredjedel af maskinerne i verden af Siemens PLC'er.

Og hver enkelt af disse controllere skal programmeres.

Det er automatiseringsingeniørernes opgave. De skriver kontrolkode, konfigurerer systemer og netværk, tester forbindelser og sørger for, at stadig mere komplekse industrielle systemer fungerer efter hensigten.

Og i dag er de dygtige ingeniører mangelvare.

Så det åbenlyse spørgsmål: Hvorfor ikke bruge AI til at øge produktiviteten af den arbejdsstyrke, vi har?

AI arbejder allerede hårdt på fabrikker i dag. Kameraer opdager fejl på produktionslinjer. Systemer forudsiger, hvornår motorer er ved at svigte. Andre finder måder at presse mere gennemstrømning ud af en kritisk linje.

Disse applikationer fungerer, fordi de er rigtig gode til at udføre et bestemt job. Et kamera. En produktionslinje. Giv AI nok eksempler, og den lærer at gøre det job ekstremt godt.

Men programmering af en controller er ikke et job.

En automatiseringsingeniør kan blive bedt om at løse et hvilket som helst antal problemer, og det rigtige svar afhænger af det specifikke anlæg - udstyret, konfigurationen, ledningerne, endda navngivningskonventionerne.

Det gør det vanskeligt at skalere AI på samme måde. Du kan ikke bygge og træne en ny model til hvert anlæg og hver kunde.

I mellemtiden løser AI til generelle formål en del af dette problem. Dagens mest kraftfulde modeller kan resonnere, skrive software og tackle en meget bredere vifte af opgaver. Men de forstår ikke iboende din fabrik. De tekniske data, der beskriver et anlæg - dets udstyr, konfiguration og elektriske systemer - er specifikke for det pågældende miljø og ofte private.

Det er her, den industrielle kontekst betyder noget.

Tænk på en strålende ny ingeniør på deres første dag. De forstår teknik, men de har aldrig sat fod i dit anlæg. Du sender dem ikke tilbage til skolen. Du giver dem adgang til de rigtige oplysninger om det specifikke system, de arbejder på, og meget hurtigt bidrager de.

Det er ideen bag Eigen Engineering Agent.

Eigen er udviklet på Siemens' AI-hub i Seattle og arbejder inden for den tekniske software, som automatiseringsingeniører allerede bruger. Det kan få adgang til projektoplysninger, der beskriver, hvordan et anlæg er konfigureret, sammen med elektriske ledningsdiagrammer og andre relevante tekniske data.

En ingeniør kan beskrive, hvad de vil have, på almindeligt sprog. Eigen går ud over at generere forslag til autonomt at udføre komplekse ingeniøropgaver. Det kan forstå udfordringen og dybest set gå på arbejde - skrive kode eller konfigurere systemer - indtil det leverer det præstationsmål, der er sat af ingeniøren.

Og det er allerede ved at blive indsat.

I pilotprojekter på tværs af mere end 100 virksomheder i 19 lande leverede Eigen op til 50 procent større ingeniøreffektivitet. Det kan udføre tekniske opgaver med to til fem gange menneskelig hastighed.

Når dygtige automatiseringsingeniører er knappe, betyder disse gevinster noget.

For at Industrial AI kan blive implementeret i stor skala, skal den også have tillid til.

Derfor er menneskeligt tilsyn og validering indbygget i processen. Kode kan testes gennem simuleringsværktøjer, der modellerer, hvordan controlleren vil opføre sig, før den når levende udstyr, med en ingeniør, der gennemgår og godkender arbejdet.

Det er en vigtig sondring. Industrial AI handler ikke kun om at bringe kraftfulde AI-modeller ind i en fabrik. Det handler om at kombinere AI med dyb industriel kontekst og teknisk ekspertise, så det kan implementeres sikkert og pålideligt i den virkelige verden.

Og Eigen er en del af en meget større indsats. Siemens investerer 1 milliard dollars i AI-kapaciteter og -tilbud i løbet af de næste tre år og bygger på årtiers erfaring med at anvende teknologi på tværs af industri og infrastruktur.

Fordi det næste kapitel i AI ikke kun vil blive defineret af mere kraftfulde modeller. Det vil også blive defineret af vores evne til at implementere dem i den virkelige verden - med den industrielle kontekst og menneskelige ekspertise, der kræves for at løse reelle problemer og levere målbar værdi.

Det er en mere stille form for fremskridt end en chatbot, der bliver klogere. Det sker inde i fabrikker, arbejder sammen med ingeniører og i sidste ende inde i de PLC'er, de fleste af os aldrig vil se.

Men vi vil alle opleve resultaterne.

Jeg er Lauren Espin, og dette er Det optimistiske perspektiv.