بازار؛ گروه بین الملل: هوش مصنوعی اکنون در عرصه‌های متمرکزتر، از جمله در بخش تولید استفاده می‌شود. طبقات و انبارهای تولیدی دارای تعدادی مسائل پیچیده هستند. ایمنی همیشه اولین نگرانی است، اما کارایی به دنبال آن می آید. ایجاد گردش کار، تکنیکی قدیمی برای بهبود هر دو عامل است، اما چگونه می توان نتایج را بهبود بخشید؟ هوش مصنوعی (AI) در سال‌های اخیر شروع به ورود به فرآیندهای تولیدی کرده است، همانطور که در سایر زمینه‌های کسب و کار انجام شده است.
طبقات مغازه ها مکان های شلوغ و خطرناکی هستند. از زمان شروع انقلاب صنعتی، همواره تنش بین نیاز به کارایی و ایمنی وجود داشته است. در روزهای اولیه، ایمنی چندان مهم نبود. با این حال، در قرن گذشته این امر به منصه ظهور رسیده است و اکثر شرکت‌ها در پیام‌رسانی خود با آن پیشرو هستند. با این حال، بهره وری هنوز مهم است. فن آوری های پیشرفته دهه های گذشته اغلب بر چگونگی بهبود هر دو عامل به طور همزمان متمرکز شده اند.
وقتی صحبت از هوش مصنوعی به میان می‌آید، برنامه‌های کاربردی اولیه در دو حالت بسیار مجزا بودند. اول، هوش مصنوعی بینایی اولیه به دنبال مشکلات ایمنی ساده مانند از دست دادن کلاه‌های سخت است. دوم، هوش مصنوعی برای کشف فرآیندهای بهینه کارخانه و جریان فرآیند استفاده می شد. با توجه به پیشرفت های اخیر، سیستم ها می توانند شروع به ادغام آن ویژگی ها و سایر ویژگی ها کنند. یکی از راه هایی که به انجام آن کمک می کند واقعیت ارزش افزده یا AR است.
یکی از اولین راه هایی که AR به تولید کمک می کند، ساده است. یک انبار را در نظر بگیرید. هنگامی که محصولات زیادی در حال انتقال هستند، بررسی موجودی ممکن است کند باشد. با یک سیستم AR، شخص می تواند به گروهی از جعبه ها نگاه کند، سیستم باطن می تواند جعبه ها را بشمارد. این فقط یک هوش مصنوعی بصری ساده است. با این حال، این شمارش را می توان با سیستم های موجودی و حمل و نقل ادغام کرد، تعداد را می توان با تعداد مورد انتظار مقایسه کرد و یک صفحه نمایش می تواند ظاهر شود، به عنوان مثال، به فرد می گوید که به دنبال دو جعبه دیگر باشد که باید به ترتیب باشد.
مثال دیگر ایمنی فیزیکی است. به کسی که کلاه سختی به سر دارد توجه کنید. این فرد در حال حاضر آنچه باید داشته باشد، ابزارهای اساسی شناسایی بصری است. سیستم بصری می تواند علائم هشدار دهنده ای را که نیاز به کلاه سخت، دستکش و سایر اقدامات ایمنی دارند، ضبط کند یا حتی از اطلاعات GPS و محتوای پایگاه داده در مورد طبقه تولیدی استفاده کند تا بداند در هر مکان از طبقه چه اقدامات ایمنی لازم است. دکتر هندریک ویت در این ارتباط می گوید: دستکش‌ها مثال خوبی هستند که به مامی گویند چگونه می‌توان از قدرت هوش مصنوعی برای بهبود ایمنی در تولید استفاده کرد.
مثال آخر یکی دیگر از مسائل ایمنی است. تجزیه و تحلیل فرآیند پس زمینه، با استفاده از هوش مصنوعی یا تجزیه و تحلیل استاندارد، می تواند برای تخمین پتانسیل خستگی اجرا شود. فردی که جعبه های 10 پوندی را بلند می کند به همان سرعتی که فرد دیگری جعبه های 40 پوندی را بلند می کند خسته نمی شود. یادآوری زمان استراحت به مردم به همان اندازه برای ایمنی مهم است که اطمینان حاصل کنید که افراد ایمن کار می کنند.
یکی از جنبه‌های AI/VR که سرعت پذیرش را نیز کند کرده است، نیاز شرکت‌ها به استخدام کارشناسان در این زمینه است، کارشناسانی که زیاد نیستند و هزینه بیشتری باید برای استخدام آنها پرداخت نمود. شرکت‌هایی مانند TeamViewer در تلاش هستند تا آموزش سیستم‌ها را ساده‌تر کنند و تا حد امکان آنها را کم‌کد کنند.
این همان کاری است که سایر چرخه‌های فناوری باید انجام می‌دادند تا پذیرش را گسترش دهند. تعداد بسیار کمی از شرکت ها نیاز به داشتن دانشمند داده جادویی دارند. آنچه باید اتفاق بیفتد ساختن سیستم هایی است که می توانند با کاربران خط به زبانی که می دانند صحبت کنند.
واقعیت افزوده مدرن چیزی بیش از هدف مهم بهبود ایمنی است. این مهم در مورد درک جریان فرآیند است، در مورد یکپارچه سازی سیستم های AR با طیف گسترده ای از ERP و سایر نرم افزارهای پشتیبان، نه تنها با هوش مصنوعی. این مهم در مورد داشتن سیستم هایی است که افراد غیرمتخصص می توانند از آنها برای انجام وظایف خود استفاده کنند.
واقعیت ارزش افزوده اکنون در عرصه‌های متمرکزتر، از جمله در بخش تولید، اعمال می‌شود. این تمرکز ممکن است در نهایت شرکت ها را به سرمایه گذاری در AR و AI تشویق کند که هر دو به طور گسترده تری گسترش می یابد.
نظر شما