هیچ راه بهتری برای جدا کردن تبلیغات از واقعیت در مورد هوش مصنوعی وجود ندارد جز اینکه نگاهی به برخی از استفاده های عملی هوش مصنوعی در تولید و به طور خاص در کنترل کیفیت (QC) بیندازید.
با ظهور مدلهای زبانی بزرگ (LLM) در آگاهی عمومی، چرخه تبلیغات هوش مصنوعی (AI) بار دیگر به اوج خود رسیده است و به نظر میرسد همه – از مایکروسافت گرفته تا بیتلز – در تلاش هستند تا وارد عمل شوند.
از کاهش زمان خرابی گرفته تا تشخیص عیوب، در اینجا سه راه برای استفاده از هوش مصنوعی در بهبود کنترل کیفیت وجود دارد. اینها به ترتیب بلوغ ارائه شده اند، به عنوان مثال، اولین نمونه در حال حاضر در کاربردهای عملی به کار گرفته شده است، دومی عمدتاً هنوز در مرحله آزمایشی است و سومی، در این مرحله، بیشتر مفهومی است.
بر خلاف LLM ها که در بهترین حالت آینده نامشخصی دارند، هوش مصنوعی در کنترل کیفیت قبلاً ثابت کرده است که مولد بوده و کاربردهای بیشتری برای رشد در آن وجود دارد. اینکه آیا و چه تأثیری بر آینده نیروی کار تولیدی خواهد داشت باید دید، اما هر اتفاقی که بیفتد، مطمئناً زمان جالبی برای حرفه ای شدن با کیفیت است.
1- بینایی ماشین
بینایی ماشین شکلی از اتوماسیون صنعتی است که برای بازرسی، مرتبسازی و راهنمایی ربات استفاده میشود و ایده ای برای استفاده ترکیبی از نور، دوربین و نرم افزار برای استخراج اطلاعات از یک تصویر است. این اطلاعات می تواند به سادگی یک سیگنال برو/ممنوع یا به پیچیدگی هویت، جهت و موقعیت هر شی در تصویر باشد.
همچنین بخوانید : بینایی ماشین چیست؟
در حالی که بینایی ماشین به خودی خود شامل هوش مصنوعی نمی شود، این دو فناوری بیشتر در هم تنیده می شوند زیرا توسعه دهندگان به شبکه های عصبی روی می آورند تا الگوریتم های بینایی ماشین را تقویت کنند و دقت آنها را بهبود بخشند. به عنوان مثال، آئودی استفاده از هوش مصنوعی را برای کنترل کیفیت جوش های نقطه ای در کارخانه Neckarsulm خود در آلمان آغاز کرده است. قبل از استقرار ماشین بینایی، کارمندان باید کیفیت جوش ها را به صورت دستی با استفاده از سونوگرافی بررسی می کردند و نمونه ها به صورت تصادفی کشیده می شدند.
رئیس برنامه ریزی تولید، اتوماسیون و دیجیتال سازی آئودی در جاهای دیگر ادعا کرده است که استفاده از بینایی ماشین با هوش مصنوعی هزینه های نیروی کار مرتبط با این بازرسی ها را 30 تا 50 درصد کاهش می دهد. تنها چیزی که لازم است این است که مدل هوش مصنوعی را برای تنظیمات مختلف جوش در هر یک از مکانها بازآموزی کنید.
2- تجزیه و تحلیل علت ریشه ای
هدف بهبود کیفیت ساخت را می توان به دو روش تکمیلی محقق کرد: با تشخیص عیوب در محصولات و با شناسایی منبع آن عیوب در فرآیند تولید. همانطور که مثال بالا مشخص می کند، هوش مصنوعی می تواند با تقویت بینایی ماشین در اولین کار کمک کند. کار دوم، که به طور رسمی به عنوان تجزیه و تحلیل علت ریشه (RCA) شناخته می شود، همچنین می تواند از استفاده از هوش مصنوعی بهره مند شود.
همچنین بخوانید : خطرات هوش مصنوعی در مهندسی چیست؟
روشهای سنتی RCA شامل تجزیه و تحلیل پارتو، نمودارهای استخوان ماهی و پنج چرایی هستند. این ابزارها به دانش و تخصص قابل توجهی نیز نیاز دارند تا بتوانند به طور موثر مورد استفاده قرار گیرند و مشکلی که این موضوع برای تولیدکنندگان ایجاد میکند این است که که نگران این هستند که بهترین افراد متخصص آنها به زودی بازنشسته شوند.برای حل این مشکل استفاده از هوش مصنوعی به عنوان یک راه حل طبیعی به نظر می رسد.
ایده اصلی اینجاست: تمام فرآیند تولید و داده های محصول خود را بردارید و آن را به یک مدل یادگیری ماشینی (معمولاً بیش از یک) برسانید. از طریق آموزش، مدل(ها) در نهایت همبستگی عیوب محصول را در داده های فرآیند تشخیص می دهند (به عنوان مثال، تغییر در سرعت یا تغذیه یک ماشین تراش CNC که با دنده ای که به درستی در یک مجموعه قرار نمی گیرد) مرتبط است. در حالت ایدهآل، کل این رویه در یک لحظه اتفاق میافتد و به مهندسان تولیدکننده توجه کافی را میدهد تا بتوانند در این فرآیند مداخله کنند و از اسقاط یا کار مجدد قطعات گرانقیمت اجتناب کنند.
3- مدیریت زنجیره تامین
به دلیل همه گیری کووید-19، زنجیره تامین جهانی تقریباً در هر مرحله از چرخه عمر محصول بر تولیدکنندگان تأثیر می گذارد. در میان بلایای طبیعی ناشی از تغییرات آب و هوایی و تحولات ژئوپلیتیکی مانند حمله روسیه به اوکراین، در دسترس بودن قطعات و مواد ضروری کمتر از همیشه قابل پیش بینی به نظر می رسد.
کمبود اخیر ریزپردازنده ها و تأثیر آن بر صنعت خودرو نمونه بارز این است که چگونه اختلالات در یک نقطه از زنجیره تامین می تواند عواقب جدی در پایین دست به همراه داشته باشد. با این حال، مانند سایر مثالهای مورد بحث در این مقاله، مدیریت زنجیرههای تامین یک امر ضروری است.