Czy w produkcji wykorzystujecie również IoT i analizę ogromnych ilości danych?

Właśnie tutaj nasze podejście może być zaskakujące. Wielokrotnie analizowaliśmy koncepcje związane z odczytywaniem ogromnych ilości danych z produkcji, ale nie udało nam się udowodnić, na bazie odpowiedniego business case’u, korzyści z masowego zbierania danych z IoT. Nie mówię oczywiście o prostych sensorach, które pozwalają sprawdzić, gdzie znajduje się produkt i czy trafił do magazynu – chodzi o koncepcję zbierania milionów odczytów, ich przetwarzania i późniejszego wyciągania wniosków dotyczących na przykład jakości. Okazało się natomiast, że znacznie większą wartość daje nam analiza danych, które pojawiają się już po sprzedaży. Mamy miesięcznie dziesiątki tysięcy zgłoszeń w CRM, pochodzących z różnych krajów i zapisanych w wielu językach.

Domyślam się, że to obszar, w którym najbardziej pomogła sztuczna inteligencja?

Zdecydowanie. Analizujemy zgłoszenia serwisowe, informacje od techników, wiadomości e-mail i inne dane dotyczące kontaktów z klientami. Pochodzą one z wielu krajów i często zapisane są językiem potocznym. AI pozwala nam je klastrować, identyfikować główne problemy, szukać zależności przyczynowo-skutkowych oraz sprowadzać informacje z wielu języków do wspólnego poziomu analizy. Dzięki temu budujemy dużą bazę wiedzy, możemy na przykład znacznie szybciej zauważyć, że konkretna partia produktu dostarczona przez określonego dostawcę na dany rynek charakteryzuje się podwyższoną awaryjnością. Można również sprawdzić, czy podobnego problemu należy spodziewać się w innych partiach, ponieważ zastosowano w nich ten sam potencjalnie wadliwy komponent. Wcześniej ręczne przeanalizowanie takiej liczby zgłoszeń w różnych językach byłoby niemożliwe. AI pozwoliło nam bardzo mocno skrócić ten proces.

Czy AI zmieniło również sposób organizacji pracy samego IT?

Tak, chociaż wymagało to od nas pewnej zmiany modelu działania. Z jednej strony mamy bardzo profesjonalne i ustandaryzowane IT, z drugiej – narzędzia AI zmieniają się bardzo szybko. Musieliśmy więc stworzyć bezpieczne środowisko, w którym zespoły mogą eksperymentować, zmieniać modele i workflow, ale jednocześnie wszystko pozostaje pod kontrolą cyberbezpieczeństwa i naszych procedur. To była istotna zmiana filozofii podejścia. Nie można wymagać od ludzi, żeby eksperymentowali z nowymi technologiami, a jednocześnie stosować wobec nich takie same zasady jak w przypadku stabilnych, produkcyjnych systemów. Nie widzimy natomiast obecnie uzasadnienia dla masowego wdrażania wewnętrznych asystentów AI czy agentów AI tylko dlatego, że jest to aktualny trend. Realny business case widzimy w wykorzystywaniu możliwości AI do analizy tak dużych zbiorów danych, jakich ludzie nie są w stanie przetworzyć w krótkim czasie. Jeżeli rozwiązanie nie przekłada się na wynik finansowy albo istotną poprawę procesu, traktujemy je przede wszystkim jako koszt.

Niektórzy producenci AGD ochoczo promują go jako zawierający mechanizmy sztucznej inteligencji. Oczywiście jest to stwierdzenie mocno na wyrost, bo nie ma w nim modułów uczenia maszynowego, ale może rzeczywiście istnieją kategorie urządzeń, w których jest miejsce na „prawdziwą” sztuczną inteligencję?

Trzeba bardzo uważać z używaniem tego określenia. W wielu urządzeniach AGD to, co jest nazywane AI, w rzeczywistości jest po prostu algorytmem dostosowującym parametry urządzenia do określonych warunków. Oczywiście można wyobrazić sobie bardziej zaawansowane zastosowania, na przykład w autonomicznych odkurzaczach, które analizują otoczenie i dobierają sposób działania. Ale w przypadku większości urządzeń AGD jesteśmy jeszcze daleko od sytuacji, w której rzeczywiście uczą się i autonomicznie podejmują decyzje w sposób, który uzasadniałby nazywanie tego sztuczną inteligencją. My czasami żartobliwie używamy określenia „Amica Intelligence” na rozwiązania, w których wykorzystujemy naszą wiedzę do odpowiedniego sterowania parametrami urządzenia.

Widzę jednak pewną przestrzeń dla wprowadzenia AI i rozszerzonej rzeczywistości w obsłudze urządzeń AGD – szczególnie takich, których interfejs przeraża ich „niedzielnych” użytkowników. Wyobrażam sobie aplikację, w której kieruję kamerę telefonu na panel urządzenia. System rozpoznaje przyciski i pokazuje, do czego służą oraz daje możliwość uzyskania szerszego opisu. Jeśli pojawia się kod błędu, nie muszę go przepisywać do wyszukiwarki – telefon rozpoznaje go i od razu pokazuje, co należy zrobić. Dlaczego takie rozwiązania nie są jeszcze powszechne?

Technicznie stworzenie takiej aplikacji nie jest dużym problemem. Znacznie trudniejsze są hosting, komunikacja z urządzeniem, cyberbezpieczeństwo, kwestie prawne, zgodność z wymaganiami sklepów Google i Apple, aktualizacje oraz utrzymanie całego środowiska. Do tego dochodzi podstawowe pytanie biznesowe: ilu klientów rzeczywiście będzie korzystało z takiej funkcji i czy przychody lub korzyści będą wystarczające, aby uzasadnić koszty jej stworzenia i utrzymania. To jest właśnie nasz pragmatyzm. Można zbudować wiele interesujących funkcji. Tylko trzeba jeszcze odpowiedzieć na pytanie, czy ktoś będzie chciał za nie zapłacić, czy przyniosą firmie wystarczającą wartość.