কৃত্রিম বুদ্ধিমত্তার সমালোচনামূলক মুহূর্ত + উত্পাদন: ব্যয় হ্রাস নয়, তবে পুনর্গঠন

এর অর্থ হ'ল এআই তরঙ্গের অধীনে, উত্পাদন শিল্পটি গভীর-আসনযুক্ত কাঠামোগত চ্যালেঞ্জ এবং রূপান্তর চাপের মুখোমুখি হচ্ছে, "পুনর্নির্মাণ" . এর দ্বারপ্রান্তে দাঁড়িয়ে আছে

একদিকে, গ্লোবাল ইন্ডাস্ট্রিয়াল চেইন এর পুনর্গঠনকে ত্বরান্বিত করছে, শ্রমের কাঠামোগত ঘাটতি রয়েছে, এবং গুণমান এবং দক্ষতার দ্বৈত চাপগুলি ক্রমবর্ধমানভাবে উদ্ভূত হচ্ছে . অন্যদিকে, কৃত্রিম বুদ্ধিমত্তা গবেষণা এবং বিকাশ থেকে প্রতিটি লিঙ্ককে একটি অপ্রচলিত গতিতে প্রযোজনায় প্রবেশ করছে}

এই পটভূমির বিপরীতে, উত্পাদন এখন আর এআই অ্যাপ্লিকেশনগুলির অনুগামী নয় তবে তাদের বাস্তবায়নের জন্য প্রধান যুদ্ধক্ষেত্র এবং ইঞ্জিন .

যাইহোক, কৃত্রিম বুদ্ধিমত্তা দ্বারা উত্পাদন ক্ষমতায়নের লক্ষ্য কেবল দক্ষতা বৃদ্ধি এবং ব্যয় হ্রাস করা নয় . এটি যৌক্তিক কাঠামো, সাংগঠনিক পদ্ধতি এবং উত্পাদন ব্যবস্থার প্রশাসনের ক্ষমতাগুলির উপর আরও গভীর প্রভাব ফেলেছে, বুদ্ধি থেকে পরিচালিত, প্রক্রিয়া থেকে তৈরি শিল্পের বিকাশ থেকে উত্পাদন শিল্পের বিবর্তন থেকে। সহযোগিতা .

অতএব, এআই প্রযুক্তির এম্বেডিং উত্পাদন শিল্পের একটি "পুনরায় সংজ্ঞা" শুরু করছে .

এই নিবন্ধটি "কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" এর সংহতকরণ প্রবণতার উপর দৃষ্টি নিবদ্ধ করবে এবং একাধিক মাত্রা যেমন বাস্তবায়ন পথ, সাধারণ অ্যাপ্লিকেশন, মূল চ্যালেঞ্জ এবং সাংগঠনিক ক্ষমতা . থেকে এটি ভেঙে ফেলার জন্য এআইআই-এ লেয়ার দ্বারা এম্বেড করা যেতে পারে, কার্যকরকরণ, কার্যকরকরণ, কার্যকরকরণ, কার্যকরকরণ, কার্যকরকরণ, অপারেশন, অপারেশন, অপারেশন, অপারেশন, অপারেশন, অপারেশন, অপারেশন, অপারেশন-এর মাধ্যমে এম্বেড করা যেতে পারে তা থেকে বিরত রাখবে উচ্চ-মানের এবং আরও স্থিতিস্থাপক ভবিষ্যত .

"কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" এর বাস্তবায়ন পথ: উপলব্ধি থেকে সিদ্ধান্ত গ্রহণের পাঁচটি পুনরাবৃত্তি

"কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" এর গভীর সংহতকরণের অগ্রগতির সাথে, উত্পাদন ব্যবস্থার অন্তর্নিহিত স্থাপত্যটি একটি শান্ত তবে গভীর পুনর্গঠনের মধ্য দিয়ে চলছে .

Traditional তিহ্যবাহী উত্পাদন ব্যবস্থা দীর্ঘদিন ধরে "উপলব্ধি - নিয়ন্ত্রণ - এক্সিকিউশন - অপারেশন - সিদ্ধান্ত গ্রহণ" এর একটি স্বতন্ত্র শ্রেণিবদ্ধ স্থাপত্য গ্রহণ করেছে: সেন্সরগুলি ডেটা সংগ্রহ করে এবং এটি নিয়ন্ত্রণ ব্যবস্থায় আপলোড করে, নির্দেশাবলী চালনা ইউনিটকে চালিত করে, অটোমেশন সিস্টেম প্রক্রিয়া পরিচালনা পরিচালনা করে এবং পর্যায়ক্রমিক ডেটা বিশ্লেষণ {{6} on এর ভিত্তিতে সামঞ্জস্য করে}

এই শীর্ষ-ডাউন, কেন্দ্রীয়ভাবে নিয়ন্ত্রিত লিনিয়ার আর্কিটেকচার একবার বড় আকারের এবং মানক শিল্প উত্পাদনকে সমর্থন করেছিল . তবে, আজকাল ক্রমবর্ধমান জটিল, গতিশীল এবং পরিবর্তনযোগ্য উত্পাদন পরিবেশে এর সীমাবদ্ধতাগুলি ক্রমবর্ধমান বিশিষ্ট হয়ে উঠেছে .

আজ, উত্পাদন শিল্প একটি শ্রেণিবদ্ধ আর্কিটেকচার থেকে এমন একটি সিস্টেম পুনর্গঠনে অগ্রসর হচ্ছে যা প্ল্যাটফর্ম-ভিত্তিক, সংহত এবং বিকেন্দ্রীভূত . উপলব্ধি, নিয়ন্ত্রণ, সম্পাদন, অপারেশন এবং সিদ্ধান্ত গ্রহণ এখন আর পৃথক সিস্টেম নয় তবে সমন্বয়ে কাজ করে, রিয়েল টাইমে যোগাযোগ করে এবং একটি ইউনিফাইড টেকনিক্যাল প্ল্যাটফর্মের সাথে ইন্টারেক্ট করুন {{{{{{{{{{{{{{{{{{{

এই আর্কিটেকচারে, কৃত্রিম বুদ্ধিমত্তার ক্ষমতাগুলি আর কোনও নির্দিষ্ট লিঙ্কে serted োকানো হয় না, তবে পুরো উত্পাদন নেটওয়ার্কের স্নায়ু কেন্দ্রে গভীরভাবে এম্বেড করা হয়, সিস্টেম বুদ্ধিমত্তার জন্য সমর্থন হিসাবে পরিবেশন করে .

এই দৃষ্টান্তের শিফটটি উত্পাদন ক্ষেত্রে এআই প্রয়োগের জন্য পাঁচটি পুনরাবৃত্ত পাথও স্কেচ করে:

উপলব্ধি পুনরাবৃত্তি: "দেখতে সক্ষম হওয়া" থেকে "বুঝতে সক্ষম হওয়া" থেকে

উত্পাদনের প্রথম পদক্ষেপটি এআই ভিডিও বিশ্লেষণ, বুদ্ধিমান সেন্সর এবং জিনিসগুলির শিল্প ইন্টারনেট, উত্পাদন সাইটগুলির "চোখ" এর বিকাশের সাথে . উপলব্ধি দিয়ে শুরু হয়

এআই-সক্ষম ভিডিও বিশ্লেষণ সিস্টেমটি স্বয়ংক্রিয়ভাবে উত্পাদনের অসঙ্গতিগুলি সনাক্ত করতে পারে, ত্রুটি সতর্কতা জারি করতে পারে এবং আইটেমগুলির স্থিতি পরিবর্তন করতে পারে, traditional তিহ্যবাহী নিয়ম-ভিত্তিক অ্যালগরিদমগুলির সীমাবদ্ধতার জন্য তৈরি করে . ডেটা অধিগ্রহণের শেষের সময় কেবল ডেটা সংগ্রহ করে না {এর মাধ্যমে প্রিলিমিনারি বিশ্লেষণ এবং ইভেন্ট ট্রিগার করে { স্তর উত্পাদন সিস্টেমে এআই এর বিস্তৃত সংহতকরণের জন্য প্রারম্ভিক পয়েন্ট চিহ্নিত করে .

2. নিয়ন্ত্রণ পুনরাবৃত্তি: "নিয়ম নিয়ন্ত্রণ" থেকে "বুদ্ধিমান প্রজন্ম" পর্যন্ত

কন্ট্রোল সিস্টেমের বুদ্ধি শিল্প নিয়ন্ত্রণের যুক্তিটি পুনরায় লিখছে . সফ্টওয়্যার-সংজ্ঞায়িত অটোমেশন (এসডিএ) দ্বারা প্রতিনিধিত্ব করা শিল্প নিয়ন্ত্রণ ব্যবস্থার নতুন প্রজন্মটি বন্ধ কাঠামোটি ভেঙে দিয়েছে যেখানে হার্ডওয়্যার এবং প্রোগ্রামিং traditional তিহ্যবাহী নিয়ন্ত্রণ সিস্টেমে আবদ্ধ, এবং একটি উন্মুক্ত, মডিউলার এবং পুনর্গঠিত নিয়ন্ত্রণ প্ল্যাটফর্ম . তৈরি করেছে

এই ভিত্তিতে, এআই সহকারী সরঞ্জামগুলির প্রবর্তন পিএলসি প্রোগ্রামিংকে আর এমন কোনও কাজ তৈরি করেছে যা প্রকৌশলীরা একা . প্রাকৃতিক ভাষার মাধ্যমে নিয়ন্ত্রণের উদ্দেশ্যগুলি বর্ণনা করে, এআই স্বয়ংক্রিয়ভাবে নিয়ন্ত্রণ যুক্তি, ফ্লোচার্টস, শব্দার্থক টীকাগুলি এবং এমনকি ডিবাগিং এবং যাচাইকরণ পরিচালনা করতে পারে, এটি ডিবাগিং এবং যাচাইকরণ থেকে একটি লিপ অর্জন করতে পারে, এআই। নিয়ন্ত্রণ সিস্টেম .

3. এক্সিকিউশন পুনরাবৃত্তি: "অটোমেশন" থেকে "বুদ্ধিমান সমন্বয়" পর্যন্ত

ম্যানুফ্যাকচারিং এক্সিকিউশন স্তরেও পরিবর্তনগুলি ঘটছে {{0} in এআই এবং শিল্প রোবটগুলির গভীর সংহতকরণ উপলব্ধি, রায় এবং সম্পাদনের সক্ষমতা সহ "শিল্প বুদ্ধিমান সত্তা" গঠনের প্রচার করে .

এআই দ্বারা চালিত রোবটগুলি কেবল পুনরাবৃত্ত অপারেশনগুলি সম্পাদন করতে পারে না, তবে অভিযোজিত পাথ পরিকল্পনা, রিয়েল-টাইম ভিজ্যুয়াল স্বীকৃতি এবং মাল্টি-মেশিন সহযোগী সময়সূচী . ডিজিটাল টুইন এবং সিমুলেশন প্ল্যাটফর্মের মাধ্যমে, রোবটগুলি একটি ভার্চুয়াল পরিবেশের আগে অনলাইনে সাইকেলটি সম্পূর্ণ করতে পারে না, "অনলাইনে সাইকেলটি হ্রাস করতে পারে," নির্দেশাবলী, তবে রায় ক্ষমতা সহ বুদ্ধিমান নির্বাহকরা .

4. অপারেশনাল পুনরাবৃত্তি: "রেকর্ড পরিচালনা" থেকে "ভবিষ্যদ্বাণীমূলক অপ্টিমাইজেশন"

এআই . কৃত্রিম বুদ্ধিমত্তা প্রবর্তনের কারণে উত্পাদন প্রক্রিয়া ব্যবস্থাপনা ব্যবস্থাটিও বিস্তৃতভাবে পুনর্গঠন করা হয়েছে, এমইএস এবং সরঞ্জাম পরিচালন সিস্টেমের মতো মূল উত্পাদন প্রক্রিয়া প্ল্যাটফর্মগুলিতে এর সংহতিকে ত্বরান্বিত করছে, উত্পাদন অপ্টিমাইজেশনের জন্য একটি বুদ্ধিমান ইঞ্জিন হয়ে উঠেছে.

এআই সরঞ্জামগুলির অপারেশন ডেটা মডেল করতে পারে, আগাম সম্ভাব্য ত্রুটিগুলি সনাক্ত করতে পারে এবং ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ অর্জন করতে পারে . রিয়েল-টাইম ডেটা স্ট্রিম বিশ্লেষণের মাধ্যমে ওইই পারফরম্যান্সকে অনুকূলিত করতে পারে; গুণমান পরিচালনায়, এআই ত্রুটিযুক্ত নিদর্শন এবং মূল কারণগুলি সনাক্ত করতে ব্যবহার করা হয়, যার ফলে পণ্যগুলির ধারাবাহিকতা এবং সম্মতি বাড়ানো . উত্পাদন প্রক্রিয়া পরিচালনটি প্রতিক্রিয়াশীল নিয়ন্ত্রণ থেকে ভবিষ্যদ্বাণীমূলক অপারেশন, ডেটা-চালিত বুদ্ধিমান অপ্টিমাইজেশন অর্জনের দিকে এগিয়ে চলেছে {5.

5. সিদ্ধান্তের পুনরাবৃত্তি: "পর্যায়ক্রমিক ল্যাগ বিশ্লেষণ" থেকে "রিয়েল-টাইম বুদ্ধিমান সিদ্ধান্ত গ্রহণ" পর্যন্ত

উত্পাদন উদ্যোগের সিদ্ধান্ত গ্রহণও একটি বুদ্ধিমান রূপান্তর চলছে . এআই ধীরে ধীরে উচ্চ-জটিলতার সিদ্ধান্ত গ্রহণের ক্ষেত্রে যেমন উত্পাদন সময়সূচী, ইনভেন্টরি সিমুলেশন এবং গুণমানের পূর্বাভাস . এর মতো সহায়তা করার ক্ষমতা অর্জন করবে.

এআই মডেলগুলির সহায়তায়, উদ্যোগগুলি বিভিন্ন উত্পাদন সময়সূচী কৌশল . historical তিহাসিক এবং রিয়েল-টাইম ডেটার সমন্বয় করে বিভিন্ন উত্পাদনের সময়সূচী কৌশলগুলির সংস্থান পেশা এবং বিতরণ সম্ভাবনাগুলি দ্রুত মূল্যায়ন করতে দৃশ্যের সিমুলেশনগুলি পরিচালনা করতে পারে, এআই ইনভেন্টারি ম্যানেজমেন্টের সাথে অগ্রসর হতে পারে এবং ইনভেনটারি ম্যানেজমেন্টে অগ্রসর হতে পারে . দক্ষতা . উত্পাদন সিদ্ধান্তগুলি পিছিয়ে থাকা প্রতিক্রিয়াগুলি থেকে সামনের দিকে দৃষ্টিভঙ্গি অন্তর্দৃষ্টিগুলিতে স্থানান্তরিত হয়েছে, একটি এন্টারপ্রাইজের তত্পরতা এবং স্থিতিস্থাপকতার জন্য মূল সমর্থন হয়ে উঠেছে .

এই পাঁচটি লাফের সময়, আমরা প্রত্যক্ষ করেছি যে কৃত্রিম বুদ্ধিমত্তা এখন কোনও বাহ্যিক সরঞ্জাম নয় তবে উত্পাদন ব্যবস্থার মধ্যে একটি বুদ্ধিমান কারণ . এটি traditional তিহ্যবাহী সীমানা অতিক্রম করে, প্রতিটি স্তর এবং প্রতিটি নোডে সংহত করে এবং উত্পাদন ব্যবস্থাটিকে শ্রেণিবদ্ধ নিয়ন্ত্রণ থেকে শুরু করে বুদ্ধিমান সহযোগিতা থেকে শুরু করে {1}

এই পদ্ধতিগত পুনর্গঠনটি অবশ্যই "কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" . এর সারাংশ

"কৃত্রিম বুদ্ধিমত্তা +" যুগে উত্পাদনকারী সংস্থাগুলির জন্য কোন সিস্টেমের সক্ষমতা প্রয়োজন?

কৃত্রিম বুদ্ধিমত্তার দ্রুত বিকাশের বর্তমান যুগে, বারবার আলোচনা করা একটি প্রশ্ন হ'ল: এআই কি মানুষকে প্রতিস্থাপন করবে? উত্পাদন শিল্পে, এই সমস্যাটি বিশেষত সংবেদনশীল .

অতীতে, অটোমেশনে প্রতিটি লাফ এগিয়ে যাওয়া মনে হয়েছিল "মানুষকে প্রতিস্থাপনকারী মেশিনগুলি" . এর প্রবণতার সাথে রয়েছে তবে, আজকের কৃত্রিম বুদ্ধিমত্তা, বিশেষত উত্পাদন পরিস্থিতিগুলির ক্ষেত্রে এর প্রয়োগের পথটি আমাদের একটি নির্দিষ্ট উত্তর দিচ্ছে: এআই তাদের সংখ্যা হ্রাস করার জন্য নয়.

বুদ্ধিমান উত্পাদন আরও বেশি লোকের প্রয়োজন, কম .

এর অর্থ হ'ল এআইয়ের বিস্তৃত প্রয়োগের ফলে ছাঁটাইয়ের তরঙ্গ হয় নি; পরিবর্তে, এটি নতুন দক্ষতা এবং বহুমুখী প্রতিভাগুলির জন্য শক্তিশালী চাহিদা বাড়িয়েছে .

অতীতে, এআইকে আরও একটি সরঞ্জাম হিসাবে বিবেচনা করা হত: ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ, গুণমান নিয়ন্ত্রণ, উত্পাদন সময়সূচী এবং অন্যান্য লিঙ্কগুলিতে এআই মডেলগুলির অনুপ্রবেশের সাথে আজকাল সনাক্তকরণ, ডেটা বিশ্লেষণ এবং রিপোর্ট প্রজন্মের ক্ষেত্রে সহায়তা করার জন্য ব্যবহৃত হয়েছিল, তারা ধীরে ধীরে আউসিলিয়ারি বিচারক থেকে শুরু করে সিদ্ধান্ত গ্রহণকারীদের থেকে বিকশিত হয় {{}

এই বিবর্তনটি কেবল প্রযুক্তির ভূমিকা বদলেছে না বরং সাংগঠনিক কাঠামোকে পুনরায় আকার দিয়েছে . উত্পাদনকারী উদ্যোগগুলি "মানব সিদ্ধান্ত গ্রহণ এবং এআই সহায়তা" এর একমুখী সম্পর্ক থেকে সরে চলেছে "মানব-কথাসাহিত্যিক" এর সাথে জড়িত নয় ". এআইআই-এর সাথে জড়িত নয়" {{7} a ট্রিগারিং প্রক্রিয়া পুনর্নবীকরণ .

এর অর্থ হ'ল প্রতিভাগুলির জন্য উদ্যোগের প্রয়োজনীয়তাগুলি একটি গুণগত পরিবর্তনের মধ্য দিয়ে চলেছে: তাদের কেবল এআই বোঝার ইঞ্জিনিয়ারদেরই প্রয়োজন নয়, তবে এআই প্রতিভাগুলিও যারা উত্পাদন বোঝেন . এআই জেনারালিস্টরা আন্তঃসীমান্ত ক্ষমতা, সিস্টেম চিন্তাভাবনা এবং ব্যবসায়িক বোঝাপড়া একটি সংস্থার বুদ্ধিমান রূপান্তর . এর মূল সমর্থন হয়ে উঠবে

যদি এআই বুদ্ধিমান উত্পাদন "মস্তিষ্ক" হয়, তবে এই "বডি" নমনীয়, শক্তিশালী এবং টেকসই . এআই যুগে প্রবেশ করা, এটি কেবলমাত্র অ্যালগরিদম এবং সরঞ্জামগুলি পরিচয় করিয়ে দেয় না {এর একটি পদ্ধতিগত সক্ষমতা কাঠামো তৈরি করে না, তবে এটি একটি পদ্ধতিগত সক্ষমতা তৈরি করতে পারে না, তবে এটি একটি পদ্ধতিগত সক্ষমতা তৈরি করে না, তবে এটি একটি সিস্টেমেটিক সক্ষমতা তৈরি করে না, তবে এটি একটি পদ্ধতিগত সক্ষমতা তৈরি করে না, তবে এটি একটি পদ্ধতিগত সক্ষমতা তৈরি করে না, তবে এটি একটি পদ্ধতিগত সক্ষমতা তৈরি করে না, তবে এটি একটি পদ্ধতিগত সক্ষমতাও তৈরি করে না, তবে এটি একটি পদ্ধতিগত সক্ষমতা তৈরি করে, তবে এটি একটি পদ্ধতিগত সক্ষমতাও তৈরি করে,

কৌশলগত ক্ষমতা: এআই কেবল একটি "আইটি প্রকল্প" নয়, তবে একটি "সাধারণ অপারেশন" .

যখন অনেক উদ্যোগ "কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" প্রচার করে, তখন তারা এটিকে এক-অফ তথ্য আপগ্রেড হিসাবে বিবেচনা করে এবং এটি আইটি বিভাগে নেতৃত্ব দেওয়ার জন্য ছেড়ে দেয় . এই পদ্ধতির প্রায়শই এআই প্রকল্পগুলি উচ্চতর হয় তবে কম শেষ হয়, সফল পাইলট প্রকল্পগুলি এবং ব্যর্থ প্রতিলিপি সহ .

A true transformation to intelligent manufacturing requires regarding AI as the core strategic resource driving the change of business operation models. AI should not exist independently of business operations but should be deeply integrated into core processes such as production, quality control, supply chain management, and energy management. The AI strategy should be deeply integrated with the business strategy to form a dual-wheel model of "business traction + technology ড্রাইভ ".

2. প্রতিভা ক্ষমতা: "এআই ইঞ্জিনিয়ার্স + ব্যবসায় বিশেষজ্ঞ" এর একটি যৌগিক ইচেলন তৈরি করুন

প্রতিভা কাঠামোর অপ্টিমাইজেশন হ'ল একদিকে এআই . বাস্তবায়নের পূর্বশর্ত, উদ্যোগগুলি এআই অ্যালগরিদম ক্ষমতা এবং ডেটা মডেলিং সক্ষমতা সহ ইঞ্জিনিয়ারদের প্রয়োজন, যারা অন্যান্য হ্যান্ডের জন্য প্রয়োজনীয় কাঠামো, বৈশিষ্ট্যগুলি এবং শব্দগুলি বোঝার জন্য, এটি তাদেরকে আরও প্রয়োজনীয় করে তুলতে পারে, এটি তাদের জন্য কাজ করে . is সুস্পষ্ট এবং জ্ঞান কাঠামোগত অভিজ্ঞতা, যাতে এআই মডেলগুলি বাস্তব-বিশ্বের সমস্যার কাছাকাছি থাকে .

ইঞ্জিনিয়ারিং ভাষা এবং ব্যবসায়িক ভাষা উভয়ের সাথে দ্বিভাষিক প্রতিভা ভবিষ্যতে উদ্যোগগুলি উত্পাদন করার জন্য একটি অপরিহার্য ব্যাকবোন শক্তি হবে .

3. সাংগঠনিক কাঠামো: এআই মিডল প্ল্যাটফর্ম এবং ব্যবসায়িক ক্রিয়াকলাপগুলির সহ-নির্মাণ প্রচার করুন

এআই প্রকল্পগুলি প্রায়শই খণ্ডিত এবং একটি বৃহত আকারে প্রতিলিপি তৈরি করা কঠিন . মৌলিক কারণটি একটি ইউনিফাইড ডেটা এবং মডেল ফাউন্ডেশনের অভাবের মধ্যে রয়েছে . এই প্রান্তে, এন্টারপ্রাইজগুলিকে পুনরায় ব্যবহারযোগ্যতা সহ একটি এআই এবং ডেটা মিডল প্ল্যাটফর্ম তৈরি করা প্রয়োজন, "ডেটা গভর্নিটিকে একীভূত করে," ডেটা গভর্নেন্সকে একীভূত করে। দৃশ্য ".

সাংগঠনিকভাবে, আইটি এবং ওটি, আর অ্যান্ড ডি এবং উত্পাদন, সদর দফতর এবং সাইটের মধ্যে বাধাগুলি ভেঙে ফেলার জন্য ক্রস-বিভাগীয় এআই অ্যাপ্লিকেশন কমিটি বা ডিজিটাল অপারেশন দলগুলি প্রতিষ্ঠা করাও প্রয়োজন এবং একটি সহ-নির্মাণের মডেল অর্জন করা যেখানে সামনের লাইন থেকে সমস্যা উত্থাপিত হয় এবং সমাধানগুলি প্ল্যাটফর্মের দ্বারা সরবরাহ করা হয় {2 {}}

4. বাস্তবায়ন পথ: পাইলট প্রকল্পগুলি থেকে পূর্ণ-চেইন স্থাপনা পর্যন্ত

গবেষণা প্রতিবেদনে প্রস্তাবিত বুদ্ধিমান উত্পাদন রূপান্তর পথ অনুসারে, এন্টারপ্রাইজগুলি এআই প্রকল্পগুলি মোতায়েনের সময় এআই প্রকল্পগুলি মোতায়েন করার সময় চটচটে শুরু, দ্রুত পুনরাবৃত্তি এবং অবিচ্ছিন্ন সম্প্রসারণের আট-পদক্ষেপ পদ্ধতি অনুসরণ করা উচিত, যেমন উপরের চিত্রটিতে দেখানো হয়েছে .

এই পথটি জোর দিয়েছিল যে এআইয়ের প্রয়োগটি অত্যধিক উচ্চাভিলাষী এবং বিস্তৃত হওয়া উচিত নয় . পরিবর্তে, এটি ছোট তবে দ্রুত পদক্ষেপ নেওয়া উচিত, কাজ করে শিখতে হবে এবং ধীরে ধীরে "স্থানীয় বুদ্ধি" থেকে "সিস্টেম বুদ্ধি" থেকে একটি সর্পিল লিপ অর্জনের জন্য বিকশিত হওয়া উচিত.

এআইয়ের আসল মানটি মানুষের প্রতিস্থাপনের ক্ষেত্রে থাকে না, তবে একটি স্মার্ট, আরও চটজলদি এবং আরও বিকশিত উত্পাদনকারী সংস্থা গঠনে . এটি সংস্থাগুলিকে অভিজ্ঞতা-চালিত হতে ডেটা-চালিত হতে এবং প্রক্রিয়া অনমনীয়তা থেকে শুরু করে বুদ্ধিমান কো-ক্রেইশন সিস্টেমকে কেন্দ্র করে তৈরি করতে সক্ষম করে, শেষ পর্যন্ত একটি বুদ্ধিমান সহ-তৈরি সিস্টেম গঠন করে}

ভবিষ্যতে উত্পাদন শিল্পের প্রতিযোগিতা আর সরঞ্জাম এবং উত্পাদন ক্ষমতার প্রতিযোগিতা হবে না, বরং জ্ঞানীয় ক্ষমতা, সাংগঠনিক ক্ষমতা এবং বুদ্ধিমান ক্ষমতাগুলির একটি প্রতিযোগিতা . এআই শেষ নয় তবে একটি নতুন শিল্প সভ্যতার প্রারম্ভিক পয়েন্ট .

ডেটা এবং মডেলগুলি: মাস্টার করার জন্য অত্যন্ত কঠিন "কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" দ্বৈত ইঞ্জিন

এআই ইঞ্জিনটি কেবল বুদ্ধিমান উত্পাদন ব্যবস্থার অবিচ্ছিন্ন বিবর্তনকে সত্যই চালিত করতে পারে যখন "ডেটা" এবং "মডেলগুলি" উভয়ই একসাথে দক্ষতার সাথে পরিচালনা করে .

তবে, "কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" এর ব্যবহারিক বাস্তবায়নে, উদ্যোগগুলি প্রায়শই একটি জ্ঞানীয় ভুল বোঝাবুঝিতে পড়ে: বিশ্বাস করে যে যতক্ষণ এআই অ্যালগরিদম মোতায়েন করা হয় এবং শিল্প তথ্য সংযুক্ত থাকে, বুদ্ধিমান সিদ্ধান্ত গ্রহণ এবং অপ্টিমাইজেশনের ফলাফলগুলি স্বয়ংক্রিয়ভাবে প্রাপ্ত হয় " তথ্য এবং মডেলগুলির দুটি মূল ইঞ্জিন সত্যই সত্যই শুরু হয়নি .

ডেটা চ্যালেঞ্জ: ম্যানুফ্যাকচারিং এন্টারপ্রাইজগুলির "সর্বাধিক ডেটা" রয়েছে, তবে ". ব্যবহার করার জন্য" সবচেয়ে কঠিন ডেটাও রয়েছে

ডেটা কেন ব্যবহার করা কঠিন? মূলত তিনটি প্রধান কারণ রয়েছে:

ডেটা সহজাতভাবে অপর্যাপ্ত এবং অসম মানের: প্রচুর পরিমাণে শিল্প তথ্যগুলিতে শব্দ, অনুপস্থিত ডেটা এবং ভিন্ন ভিন্নতা . এর মতো সমস্যা রয়েছে যেখানে প্রশাসনের প্রক্রিয়াগুলির অভাব রয়েছে এবং এটি মডেলটিতে সরাসরি "খাওয়ানো" হয় .}

ডেটা পরে জীবনে প্রক্রিয়া করা হয় না এবং প্রসঙ্গ কাঠামোর অভাব রয়েছে: অনেক উদ্যোগ "বিচ্ছিন্ন ডেটা পয়েন্ট" সংগ্রহ করে, ইভেন্টগুলি, প্রক্রিয়াগুলি এবং ব্যাচের মতো প্রসঙ্গের তথ্যের অভাব রয়েছে, যা মডেলটির ব্যবসায়ের শব্দার্থবিজ্ঞান এবং কার্যকারণ যুক্তি . বোঝার জন্য অক্ষমতার দিকে পরিচালিত করে

গভীর সমস্যাটি এতে রয়েছে যদিও উত্পাদনকারী উদ্যোগগুলির ডেটা রয়েছে তবে তাদের ডেটা ব্যবহারযোগ্য জ্ঞানে রূপান্তর করার ক্ষমতা সিস্টেমের অভাব রয়েছে . এটি সফ্টওয়্যারটির কার্যকারিতা নিয়ে কোনও সমস্যা নয়, বরং সাংগঠনিক প্রক্রিয়া, ডেটা থিংকিং এবং গভর্নেন্স সিস্টেমে একটি নিয়মতান্ত্রিক ঘাটতি .

অতএব, উত্পাদন শিল্পের ডেটা খুব কম নয় তবে খুব বেশি ছড়িয়ে ছিটিয়ে রয়েছে . এটি কোনও মূল্য নয়, তবে প্রাসঙ্গিক তথ্য অপর্যাপ্ত .

2. মডেল চ্যালেঞ্জ: "সাধারণ বৃহত মডেল" এর উপর নির্ভর করে শিল্প বুদ্ধি রাতারাতি অর্জন করা যায় না

শিল্প এআই মডেলগুলি তিনটি বড় চ্যালেঞ্জের মুখোমুখি:

প্রক্রিয়া বোঝার অভাব: উত্পাদন প্রক্রিয়াটিতে প্রচুর পরিমাণে স্বচ্ছ জ্ঞান জড়িত, যেমন অভিজ্ঞতামূলক নিয়ম, শারীরিক প্রক্রিয়া এবং বহু-পরিবর্তনশীল কাপলিং . যদি মডেলটি কেবল প্রক্রিয়াটি বুঝতে না পারে তবে এটি কেবল প্রাসঙ্গিক ভবিষ্যদ্বাণী করতে পারে এবং মূল কারণ বিশ্লেষণ বা প্রক্রিয়া অপ্টিমাইজেশন পরিচালনা করতে পারে না .

ডেটা ঘাটতি এবং লেবেলিং অসুবিধাগুলি: ই-বাণিজ্য এবং সামাজিক নেটওয়ার্কিংয়ের মতো ইন্টারনেট ক্ষেত্রগুলির সাথে তুলনা করে শিল্প পরিস্থিতিগুলির মধ্যে বড় আকারের ওপেন-সোর্স ডেটাসেটের অভাব রয়েছে এবং অনেকগুলি অস্বাভাবিক ডেটা লেবেল করা কঠিন, তদারকি করা অনর্থক.}

অপর্যাপ্ত সাধারণীকরণের ক্ষমতা এবং কঠিন দৃশ্যের মাইগ্রেশন: একই মডেলের পারফরম্যান্স বিভিন্ন উত্পাদন লাইন এবং ডিভাইসগুলিতে ব্যাপকভাবে পরিবর্তিত হয় . এখানে অন্তর্নিহিত ক্ষমতাগুলির অভাব রয়েছে যা স্থানান্তরিত এবং সূক্ষ্ম সুরযুক্ত হতে পারে, যার ফলে উচ্চ এআই স্থাপনার ব্যয়, দীর্ঘ চক্র এবং কম আরওআই .

অতএব, উত্পাদন শিল্পের সত্যিকার অর্থে যা প্রয়োজন তা হ'ল দৃশ্য-ইন-গভীরতা এআই মডেলগুলি: যেগুলি কেবল শারীরিক আচরণ এবং প্রক্রিয়া প্রক্রিয়াগুলি বুঝতে পারে না তবে গতিশীল পরিস্থিতি এবং সরঞ্জামের পার্থক্যের সাথেও খাপ খাইয়ে নিতে পারে, একটি ছোট নমুনার আকার এবং শক্তিশালী সাধারণীকরণের সাথে শিল্প বুদ্ধিমত্তার অধিকারী .

এটা স্পষ্ট যে উত্পাদন ক্ষেত্রে এআই মডেলগুলি "কথা বলার মডেল" নয়, তবে "মডেলগুলি যা পদার্থবিজ্ঞান বুঝতে পারে" . এটি "বিষয়বস্তু উত্পন্ন করার জন্য মডেল" নয়, তবে "প্রক্রিয়াটি পুনর্গঠনের জন্য একটি মডেল" .

3. পরিচালন চ্যালেঞ্জ: এআই orrow ণ নেওয়ার বিষয়ে নয়; একটি সক্ষমতা সিস্টেম নির্মাণ এআই উত্পাদন জন্য সত্য সূচনা পয়েন্ট

ডেটা এবং মডেলগুলির দ্বৈত চ্যালেঞ্জগুলির মুখে, উদ্যোগগুলি আর সরঞ্জাম স্থাপনের পর্যায়ে থাকতে পারে না, তবে একটি সম্পূর্ণ এবং টেকসই এআই সক্ষমতা সিস্টেম তৈরিতে স্থানান্তরিত করা উচিত . মূলটি তিনটি জিনিসের মধ্যে ভাল করার মধ্যে রয়েছে: প্রথম, ডেটা গভর্নেন্স: "সংগ্রহ করা ডেটা" থেকে "উত্পন্ন জ্ঞান" পর্যন্ত; II . দৃশ্যের মডেলিং: ব্যবসায়িক ভাষায় সমস্যা প্রকাশ করুন এবং সেগুলি অ্যালগরিদমিক ভাষায় সমাধান করুন; III . মডেল সূক্ষ্ম-সুরকরণ প্রক্রিয়া: নিশ্চিত করুন যে প্রতিটি এজেন্ট তার নিজস্ব দৃশ্যে ফিট করে .

এআই গ্রহণ করার মতো কিছু নয় . "কৃত্রিম বুদ্ধিমত্তা + উত্পাদন" একটি নিয়মতান্ত্রিক প্রকল্প হিসাবে বিবেচিত হওয়া উচিত . কৃত্রিম বুদ্ধিমত্তার প্রবেশের অর্থ উত্পাদনতে এটি কার্যকর হয় না, এটি কেবল ইনস্টল করা হয়েছে বলে এটি বুদ্ধিমান হয় না, এটি কেবল বুদ্ধিমান হয় না, এটি কেবল বুদ্ধিমান হয় না, এটি কেবল বুদ্ধিমান হয় না, এটি কেবল বুদ্ধিমান হয় না . সংস্থাগুলি .

যদি উদ্যোগগুলি সত্যই এআই-সক্ষমযোগ্য উত্পাদন অর্জনের আশা করে, তবে তাদের "সরঞ্জাম-ভিত্তিক" মানসিকতা থেকে দূরে সরে যেতে হবে এবং "ডেটা ক্ষমতা + মডেল ক্ষমতা" এর দ্বৈত ইঞ্জিন সিস্টেম তৈরি করতে হবে ভবিষ্যতের জন্য . কেবল এইভাবেই কৃত্রিম বুদ্ধিমত্তা হতে পারে-তবে এটি একটি বুদ্ধিমান কোলাবোরেটর হতে পারে, তবে এটি বুদ্ধিমান কোলাবোরেটর হতে পারে, তবে এটি বুদ্ধিমান হতে পারে {