Wanneer AI aan het werk gaat - Transforming Factory Automation

Samenvatting van de aflevering

Industrial AI verhuist van het lab naar de fabrieksvloer. In deze aflevering van Optimistische vooruitzichten in vijf, Lauren Espin onderzoekt hoe AI fabrikanten kan helpen om tekorten aan geschoolde arbeidskrachten aan te pakken en de technische productiviteit te verbeteren.

De kern van het verhaal is Eigen Engineering Agent, ontwikkeld door de AI-hub van Siemens in Seattle. Door AI te combineren met fabrieksspecifieke technische gegevens kan Eigen automatiseringsingenieurs helpen bij het schrijven van code en het configureren van industriële systemen, waarbij complexe technische taken worden uitgevoerd met een snelheid die tot vijf keer zo snel is als de mens. Bij pilootimplementaties bij meer dan 100 bedrijven in 19 landen heeft Eigen tot 50% meer technische efficiëntie behaald.

Maar om AI in industriële omgevingen te brengen, is meer nodig dan krachtige modellen. Menselijke expertise, simulatie en validatie blijven essentieel om ervoor te zorgen dat door AI gegenereerd werk veilig en betrouwbaar is en klaar is voor de echte wereld.

Het resultaat? Een glimp van hoe Industrial AI de productie zou kunnen hervormen, niet door ingenieurs te vervangen, maar door geschoolde mensen te helpen meer te doen.

Volledig transcript

Ik ben Lauren Espin, en dit is De optimistische vooruitzichten in Five, een korte update over een belangrijke ontwikkeling die de toekomst vormgeeft.

De Verenigde Staten hebben zich een ambitieus doel gesteld om hun economie te herindustrialiseren. Dat betekent nieuwe productiecapaciteit opbouwen, bestaande activiteiten moderniseren en wereldwijd concurrerend blijven — en dat terwijl de industrie te maken heeft met aanhoudende tekorten aan geschoolde arbeidskrachten.

Industrial AI zou een van de belangrijkste instrumenten kunnen zijn om die uitdaging aan te gaan. Het kan voortbouwen op tientallen jaren vooruitgang op het gebied van automatisering, software en de digitale tweeling om ingenieurs, operators en technici te helpen productiever te worden, innovatie te versnellen en steeds complexere problemen op te lossen.

Maar om die kans te realiseren is meer nodig dan krachtige AI-modellen. We moeten AI in de echte wereld op grote schaal inzetten, op manieren die meetbare productiviteitswinsten opleveren.

En dat brengt ons bij een stukje technologie waar de meesten van ons zelden aan denken, tenzij u natuurlijk in de maakindustrie werkt.

De PLC, of programmeerbare logische controller. Misschien heeft iemand de leiding bestuurd die de fles water op uw bureau vulde. Een ander heeft geholpen bij de productie van een onderdeel in de auto waarin u vandaag reed. En een ander heeft misschien geholpen om de bezorgdoos in te pakken die op uw veranda stond.

PLC's zijn overal in de moderne industrie. Siemens maakt er veel van. In feite wordt ongeveer een derde van de machines in de wereld bestuurd door PLC's van Siemens.

En al die controllers moeten worden geprogrammeerd.

Dat is de taak van automatiseringsingenieurs. Ze schrijven controlecodes, configureren systemen en netwerken, testen verbindingen en zorgen ervoor dat steeds complexere industriële systemen werken zoals bedoeld.

En vandaag zijn die geschoolde ingenieurs schaars.

Dus de voor de hand liggende vraag: waarom zouden we AI niet gebruiken om de productiviteit van ons personeelsbestand te verhogen?

AI is vandaag al hard aan het werk in fabrieken. Camera's detecteren defecten op productielijnen. Systemen voorspellen wanneer motoren op het punt staan uit te vallen. Anderen vinden manieren om meer verwerkingscapaciteit uit een kritieke lijn te halen.

Deze sollicitaties werken omdat ze heel goed zijn in het uitvoeren van een bepaald werk. Eén camera. Eén productielijn. Geef de AI genoeg voorbeelden, en hij leert dat werk heel goed te doen.

Maar een controller programmeren is niet één taak.

Een automatiseringsingenieur kan gevraagd worden om allerlei problemen op te lossen, en het juiste antwoord hangt af van de specifieke installatie: de apparatuur, de configuratie, de bedrading en zelfs de naamgevingsconventies.

Dat maakt het moeilijk om AI op dezelfde manier op te schalen. U kunt niet voor elke fabriek en elke klant een nieuw model bouwen en trainen.

Ondertussen lost AI voor algemene doeleinden een deel van dat probleem op. De krachtigste modellen van vandaag kunnen redeneren, software schrijven en een veel breder scala aan taken uitvoeren. Maar ze begrijpen uw fabriek niet van nature. De technische gegevens die een installatie beschrijven — de uitrusting, configuratie en elektrische systemen — zijn specifiek voor die omgeving en zijn vaak privé.

Dat is waar de industriële context belangrijk is.

Ik denk aan een briljante nieuwe ingenieur op hun eerste dag. Ze begrijpen techniek, maar ze hebben nog nooit een voet in uw fabriek gezet. U stuurt ze niet terug naar school. U geeft ze toegang tot de juiste informatie over het specifieke systeem waaraan ze werken, en al snel dragen ze bij.

Dat is het idee achter de Eigen Engineering Agent.

Eigen is ontwikkeld in de AI-hub van Siemens in Seattle en werkt binnen de technische software die automatiseringsingenieurs al gebruiken. Het heeft toegang tot de projectinformatie die beschrijft hoe een installatie is geconfigureerd, samen met elektrische bedradingsschema's en andere relevante technische gegevens.

Een ingenieur kan in eenvoudige taal beschrijven wat hij wil. Eigen gaat verder dan het genereren van suggesties om complexe technische taken autonoom uit te voeren. Het kan de uitdaging begrijpen en in feite aan het werk gaan — code schrijven of systemen configureren — totdat het prestatiedoel is bereikt dat door de ingenieur is gesteld.

En het wordt al geïmplementeerd.

Bij pilootimplementaties bij meer dan 100 bedrijven in 19 landen zorgde Eigen voor een tot 50 procent hogere technische efficiëntie. Het kan technische taken uitvoeren met twee tot vijf keer menselijke snelheid.

Wanneer geschoolde automatiseringsingenieurs schaars zijn, zijn die voordelen van belang.

Om Industrial AI op grote schaal te kunnen inzetten, moet er ook op worden vertrouwd.

Daarom zijn menselijk toezicht en validatie in het proces ingebouwd. De code kan worden getest met behulp van simulatietools die modelleren hoe de controller zich zal gedragen voordat de apparatuur onder spanning staat, waarbij een technicus het werk beoordeelt en goedkeurt.

Dat is een belangrijk onderscheid. Industrial AI gaat niet alleen over het naar een fabriek brengen van krachtige AI-modellen. Het gaat erom AI te combineren met diepgaande industriële context en technische expertise, zodat deze veilig en betrouwbaar in de echte wereld kan worden ingezet.

En Eigen is een onderdeel van een veel grotere inspanning. Siemens investeert de komende drie jaar 1 miljard dollar in AI-capaciteiten en -aanbiedingen, voortbouwend op tientallen jaren ervaring met het toepassen van technologie in de industrie en infrastructuur.

Want het volgende hoofdstuk van AI zal niet alleen worden bepaald door krachtigere modellen. Het zal ook worden bepaald door ons vermogen om ze in de echte wereld in te zetten, met de industriële context en menselijke expertise die nodig zijn om echte problemen op te lossen en meetbare waarde te leveren.

Dat is een stuk stiller dan een chatbot die slimmer wordt. Dat gebeurt in fabrieken, in samenwerking met ingenieurs en uiteindelijk in die PLC's die de meesten van ons nooit zullen zien.

Maar we zullen allemaal de resultaten ervaren.

Ik ben Lauren Espin, en dit is De optimistische vooruitzichten.