زیرساخت های انسانی پشت تولید آماده هوش مصنوعی

من این روزها بیشتر وقتم را در اتاق‌هایی با سر کارخانه‌ها، سرنخ‌های اتوماسیون، مهندسان سیستم می‌گذرانم و تقریبا هر مکالمه‌ای درباره «تولید آماده هوش مصنوعی» با ماشین‌ها شروع می‌شود و به مردم ختم می‌شود. ما در مورد حسگرها، دوقلوهای دیجیتال، مدل‌های پیش‌بینی‌کننده، روباتیک در طبقه مغازه صحبت می‌کنیم و سپس کسی می‌پرسد، "اما چه کسی قرار است همه اینها را اجرا کند؟"

برای سازمان‌های تولیدی، تحول نیروی کار در حال تبدیل شدن به بخش اساسی زیرساخت مورد نیاز برای پشتیبانی از عملیات‌های آماده هوش مصنوعی است. این یک تابع HR ثانویه یا یک آیتم خط آموزشی نیست - به اندازه سخت افزار موجود در فروشگاه یا لوله های داده ای که از طریق آن عبور می کنند برای عملکرد بسیار مهم است.

ریاضی چیزی را که مردم فکر می کنند بیان نمی کند

چشم انداز صنعت تولید 2026 Deloitte تخمین می زند که بیش از 81 درصد از ساعات کار تولید همچنان بر محور انسان خواهد بود، حتی با وجود اینکه انتظار می رود پذیرش هوش مصنوعی در طی چند سال آینده تقریبا دو برابر شود، از 9 درصد به 22 درصد.

ما وارد یکی از سریع‌ترین دوره‌های تولید خودکارسازی می‌شویم، و اکثریت قریب به اتفاق کار هنوز از طریق دستان انسان و قضاوت انسان انجام می‌شود. این یک تناقض نیست. این ماهیت واقعی انتقال است. هوش مصنوعی جایگزین نظارت انسانی نمی‌شود، بلکه در حال تغییر آن چیزی است که اپراتورها باید بر آن مسلط شوند.

استراتژی های نیروی کار بر اساس این فرض که اتوماسیون نیاز به افراد ماهر را کاهش می دهد، اساسا ناقص هستند. چیزی که منقبض می شود فضا برای تخصص محدود و تک رشته ای است. چیزی که رشد می کند نیاز به استعدادی است که بتواند به طور روان در رشته ها حرکت کند.

استعداد چند رشته ای تمایز واقعی است

در اینجا منظور من از آن است. یک کارخانه متصل امروزه به افرادی نیاز دارد که مهندسی مکانیک و برق و همچنین اتصال فیبر و شبکه را درک کنند، زیرا یک کارخانه هوشمند بر اساس اصول قابلیت اطمینان مشابه هر شبکه حیاتی دیگر کار می کند. به افرادی که به هوش مصنوعی و اتوماسیون مسلط هستند نیاز دارد تا در کنار سیستم های هوشمند کار کنند.

و به افرادی نیاز دارد که بتوانند داده ها را بخوانند، نه به عنوان تحلیلگر، بلکه به عنوان اپراتورها، مهندسان با کیفیت و رهبران تعمیر و نگهداری که سواد داده را به عنوان یک مهارت اصلی شغلی در نظر می گیرند، همانطور که شما از آنها انتظار دارید شماتیک های مهندسی را بخوانند.

سازندگانی که این کار را درست انجام می‌دهند، تیم‌هایی می‌سازند که می‌توانند سخت‌افزار را به حداکثر برسانند، آن را عیب‌یابی کنند، وقتی مدل مشکلی پیدا کرد، آن را زیر سوال بردند و در طول زمان آن را بهبود بخشند. این قابلیت در برگه مشخصات ظاهر نمی‌شود، اما در زمان به‌روزرسانی، کیفیت، بهره‌وری بهبود یافته و سرعتی که یک سازمان می‌تواند با تغییر خود فناوری سازگار شود، ظاهر می‌شود، که در عصر هوش مصنوعی - دائما تغییر می‌کند.

این مزیت رقابتی است. نه "چه کسی بیشترین اتوماسیون را دارد"، بلکه "چه کسی می تواند بیشترین کار را با آن انجام دهد."

یادگیری باید مستمر شود

در بیشتر دوران حرفه‌ای من، آموزش فنی از یک روند دوره‌ای پیروی می‌کرد - سوار شدن، گواهی‌نامه نقطه عطف، یا تجدید گاه به گاه. آن مدل دیگر با سرعت تولید مدرن سازگار نیست. فن‌آوری‌های زیربنای تولید هوشمند به اندازه‌ای سریع در حال حرکت هستند که می‌توان مجموعه مهارت‌های هجده ماه پیش را در نظر گرفت.

ما مجبور بودیم یادگیری را به‌عنوان یک ریتم عملیاتی مداوم به جای یک رویداد گسسته تجدید نظر کنیم. این بدان معناست که چرخه‌های ارتقای مهارت کوتاه‌تر و مکرر با آنچه که واقعا در حال تغییر در فروشگاه است، مرتبط است، نه یک برنامه درسی سالانه عمومی.

این به این معنی است که مهندسان را در معرض ابزارهای هوش مصنوعی و مبانی داده قرار دهیم، حتی اگر این کار «اصلی» آنها نباشد، و به تیم‌های دیجیتال و فناوری اطلاعات به اندازه کافی در واقعیت‌های تولید - فشار زمان به کار، محدودیت‌های ایمنی، تحمل‌های کیفیت، پایه‌گذاری کافی داده شود.

این یک حالت دائمی است، نه مرحله ای که ما در مسیر رسیدن به آینده ای ثابت از آن عبور می کنیم. یادگیری مستمر حالت پایدار جدید است.

شکستن سیلوها یک ضرورت عملیاتی است

من صادقانه می گویم: "شکستن سیلوها" یکی از آن عباراتی است که به قدری گفته می شود که مانند پرکننده به نظر می رسد. اما در تولید آماده هوش مصنوعی، این یک هدف فرهنگی خوب نیست. این یک نیاز کاربردی است.

خط تولید مجهز به هوش مصنوعی مرز بین «تولید»، «IT» یا «تحول دیجیتال» را تشخیص نمی‌دهد. یک حسگر منفرد که یک مدل تعمیر و نگهداری پیش‌بینی‌کننده را تغذیه می‌کند، برنامه‌های تولید، مهندسی داده و زیرساخت فناوری اطلاعات را به طور همزمان تحت تأثیر قرار می‌دهد. اگر این تیم‌ها در خطوط گزارش‌دهی مجزا با اولویت‌های مجزا و واژگان جداگانه کار کنند، فناوری هر چقدر هم که روی کاغذ خوب باشد، عملکرد ضعیفی خواهد داشت.

سازمان‌هایی که عملیات‌های متصل و انعطاف‌پذیر واقعی را ایجاد می‌کنند، همانهایی هستند که به طور فعال همکاری بین این عملکردها مانند اهداف مشترک، داده‌های مشترک و مسئولیت‌پذیری مشترک برای نتایج را مهندسی می‌کنند.

ساختن دهه آینده

هیچ یک از اینها فراخوانی برای کاهش سرعت پذیرش فناوری نیست. این فراخوانی است برای برخورد با توانایی نیروی کار با همان جدیتی که برای هر سرمایه گذاری عمده زیرساختی دیگر قائل هستیم. شما یک کارخانه متصل را روی برق نامطمئن یا اتصال غیرقابل اعتماد مستقر نمی کنید. شما نباید یکی را روی نیروی کار ناآماده نیز مستقر کنید.

تولیدکنندگانی که در دهه آینده رهبری خواهند کرد، آنهایی نخواهند بود که سریع‌ترین کار را به صورت خودکار انجام دهند. آنها کسانی خواهند بود که افرادی را ساختند که بتوانند هوش مصنوعی را عملا روی زمین کار کنند. چند رشته ای، یادگیری مداوم و سازماندهی شده حول مشکل به جای نمودار سازمانی.

این زیرساختی است که من بیشتر به آن فکر می کنم. و این همان چیزی است که من هر رهبر تولیدی را تشویق می‌کنم که از هم‌اکنون سرمایه‌گذاری در آن را آغاز کند، قبل از اینکه فناوری از افرادی که قرار است آن را اداره کنند پیشی بگیرد.

ما بهترین سازنده وب سایت هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit