Når AI går på jobb - Transformer fabrikkautomatisering

Episodeoppsummering

Industrial AI beveger seg fra laboratoriet til fabrikkgulvet. I denne episoden av Optimistiske utsikter i fem, Lauren Espin utforsker hvordan AI kan hjelpe produsenter med å håndtere mangel på kvalifisert arbeidskraft og forbedre ingeniørproduktiviteten.

I sentrum av historien er Eigen Engineering Agent, utviklet av Siemens' AI-hub i Seattle. Ved å kombinere AI med anleggsspesifikke ingeniørdata kan Eigen hjelpe automatiseringsingeniører med å skrive kode og konfigurere industrisystemer — og utføre komplekse ingeniøroppgaver med opptil fem ganger menneskelig hastighet. I pilotdistribusjoner i mer enn 100 selskaper i 19 land har Eigen levert opptil 50% større ingeniøreffektivitet.

Men å bringe AI inn i industrielle miljøer krever mer enn kraftige modeller. Menneskelig ekspertise, simulering og validering er fortsatt viktig for å sikre at AI-generert arbeid er trygt, pålitelig og klart for den virkelige verden.

Resultatet? Et glimt av hvordan Industrial AI kan omforme produksjonen - ikke ved å erstatte ingeniører, men ved å hjelpe dyktige mennesker til å gjøre mer.

Fullstendig transkripsjon

Jeg er Lauren Espin, og dette er De optimistiske utsiktene i fem, en rask oppdatering om en viktig utvikling som former fremtiden.

USA har satt et ambisiøst mål om å reindustrialisere økonomien. Det betyr å bygge ny produksjonskapasitet, modernisere eksisterende operasjoner og forbli globalt konkurransedyktig - alt mens industrien står overfor vedvarende mangel på kvalifisert arbeidskraft.

Industrial AI kan være et av de viktigste verktøyene for å møte den utfordringen. Den kan bygge på flere tiår med fremgang innen automatisering, programvare og den digitale tvillingen for å hjelpe ingeniører, operatører og teknikere til å bli mer produktive, akselerere innovasjon og løse stadig mer komplekse problemer.

Men å innse den muligheten krever mer enn kraftige AI-modeller. Vi må distribuere AI i den virkelige verden, i stor skala, på måter som gir målbare produktivitetsgevinster.

Og det bringer oss til et stykke teknologi de fleste av oss sjelden tenker på - med mindre, selvfølgelig, du jobber i produksjon.

PLC, eller programmerbar logisk kontroller. Man kan ha kontrollert linjen som fylte flasken med vann på skrivebordet ditt. En annen hjalp til med å produsere en komponent inne i bilen du kjørte i dag. Og en annen kan ha hjulpet med å pakke leveringsboksen som dukket opp på verandaen din.

PLC-er er overalt i moderne industri. Siemens lager mange av dem. Faktisk styres omtrent en tredjedel av maskinene i verden av Siemens PLC-er.

Og hver og en av disse kontrollerne må programmeres.

Det er jobben til automatiseringsingeniører. De skriver kontrollkode, konfigurerer systemer og nettverk, tester tilkoblinger og sørger for at stadig mer komplekse industrielle systemer fungerer som de skal.

Og i dag er de dyktige ingeniørene mangelvare.

Så det åpenbare spørsmålet: Hvorfor ikke bruke AI for å øke produktiviteten til arbeidsstyrken vi har?

AI jobber allerede hardt i fabrikker i dag. Kameraer oppdager feil på produksjonslinjer. Systemer forutsier når motorer er i ferd med å svikte. Andre finner måter å presse mer gjennomstrømning ut av en kritisk linje.

Disse applikasjonene fungerer fordi de er veldig flinke til å gjøre en bestemt jobb. Ett kamera. En produksjonslinje. Gi AI nok eksempler, og den lærer å gjøre den jobben ekstremt bra.

Men å programmere en kontroller er ikke en jobb.

En automatiseringsingeniør kan bli bedt om å løse et hvilket som helst antall problemer, og det riktige svaret avhenger av det spesifikke anlegget - utstyret, konfigurasjonen, ledningene, til og med navnekonvensjonene.

Det gjør det vanskelig å skalere AI på samme måte. Du kan ikke bygge og trene en ny modell for hvert anlegg og hver kunde.

I mellomtiden løser AI for generell bruk en del av det problemet. Dagens kraftigste modeller kan resonnere, skrive programvare og takle et mye bredere spekter av oppgaver. Men de forstår ikke iboende fabrikken din. Ingeniørdataene som beskriver et anlegg - dets utstyr, konfigurasjon og elektriske systemer - er spesifikke for det miljøet og ofte private.

Det er her industriell kontekst betyr noe.

Tenk på en strålende ny ingeniør på deres første dag. De forstår ingeniørfag, men de har aldri satt foten i anlegget ditt. Du sender dem ikke tilbake til skolen. Du gir dem tilgang til riktig informasjon om det spesifikke systemet de jobber med, og veldig raskt bidrar de.

Det er ideen bak Eigen Engineering Agent.

Utviklet ved Siemens' AI-hub i Seattle, jobber Eigen innenfor ingeniørprogramvaren som automatiseringsingeniører allerede bruker. Den kan få tilgang til prosjektinformasjonen som beskriver hvordan et anlegg er konfigurert, sammen med elektriske koblingsskjemaer og andre relevante tekniske data.

En ingeniør kan beskrive hva de vil på vanlig språk. Eigen går utover å generere forslag til autonomt å utføre komplekse ingeniøroppgaver. Den kan forstå utfordringen og i utgangspunktet gå på jobb - skrive kode eller konfigurere systemer - til den leverer ytelsesmålet satt av ingeniøren.

Og det blir allerede distribuert.

I pilotdistribusjoner i mer enn 100 selskaper i 19 land leverte Eigen opptil 50 prosent større ingeniøreffektivitet. Den kan utføre ingeniøroppgaver med to til fem ganger menneskelig hastighet.

Når dyktige automatiseringsingeniører er knappe, er disse gevinstene viktige.

For at Industrial AI skal kunne distribueres i stor skala, må den også stole på.

Det er derfor menneskelig tilsyn og validering er innebygd i prosessen. Kode kan testes gjennom simuleringsverktøy som modellerer hvordan kontrolleren vil oppføre seg før den når levende utstyr, med en ingeniør som gjennomgår og godkjenner arbeidet.

Det er et viktig skille. Industrial AI handler ikke bare om å bringe kraftige AI-modeller inn i en fabrikk. Det handler om å kombinere AI med dyp industriell kontekst og ingeniørkompetanse slik at den kan distribueres trygt og pålitelig i den virkelige verden.

Og Eigen er en del av en mye større innsats. Siemens investerer 1 milliard dollar i AI-funksjoner og tilbud i løpet av de neste tre årene, og bygger på flere tiår med erfaring med å bruke teknologi på tvers av industri og infrastruktur.

Fordi neste kapittel av AI ikke bare vil bli definert av kraftigere modeller. Det vil også bli definert av vår evne til å distribuere dem i den virkelige verden - med den industrielle konteksten og menneskelig ekspertise som kreves for å løse reelle problemer og levere målbar verdi.

Det er en roligere form for fremgang enn en chatbot som blir smartere. Det skjer inne i fabrikker, jobber sammen med ingeniører og, til syvende og sist, inne i de PLC-ene de fleste av oss aldri vil se.

Men vi vil alle oppleve resultatene.

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