این بدان معنی است که در زیر موج هوش مصنوعی ، صنعت تولید با چالش های ساختاری عمیق و فشار تحول روبرو است و در آستانه "تعریف مجدد" ایستاده است.
از یک طرف ، زنجیره صنعتی جهانی در حال تسریع در بازسازی خود است ، کمبود ساختاری کار وجود دارد و فشارهای دوگانه کیفیت و کارآیی به طور فزاینده ای در حال ظهور است. از طرف دیگر ، هوش مصنوعی در حال نفوذ به هر پیوندی از تحقیق و توسعه ، تولید به زنجیره تأمین با سرعت بی سابقه ای است و به یک متغیر جدید تبدیل می شود که باعث توسعه با کیفیت بالا تولید می شود.
در برابر این زمینه ، تولید دیگر پیروان برنامه های هوش مصنوعی نیست بلکه میدان اصلی نبرد و موتور برای اجرای آنها است.
با این حال ، توانمندسازی تولید توسط هوش مصنوعی صرفاً با هدف افزایش کارآیی و کاهش هزینه ها انجام نمی شود. این امر تأثیر عمیقی بر ساختار منطقی ، روشهای سازمانی و توانایی های حاکمیتی سیستم های تولیدی ، ترویج تکامل صنعت تولید از فرآیند محور به داده محور ، اتوماسیون تا هوش و سیستم های کنترل شده انسان گرفته تا همکاری انسان دارد.
بنابراین ، تعبیه فناوری هوش مصنوعی در حال آغاز "تعریف مجدد" صنعت تولید است.
در این مقاله به روند ادغام "هوش مصنوعی + تولید" می پردازیم و آن را از ابعاد مختلفی مانند مسیرهای اجرای ، برنامه های معمولی ، چالش های کلیدی و قابلیت های سازمانی تجزیه می کند. این بررسی می کند که چگونه می توان هوش مصنوعی را می توان در لایه سیستم تولید با لایه ای از ادراک ، کنترل ، اجرای ، بهره برداری تا تصمیم گیری تعبیه کرد و از این طریق شرکتهای تولیدی را ارتقا بخشید تا به سمت آینده انعطاف پذیر ، با کیفیت بالاتر و آینده ای مقاومت کنند.
مسیر اجرای "هوش مصنوعی + تولید": پنج تکرار از ادراک تا تصمیم گیری
با پیشرفت ادغام عمیق "هوش مصنوعی + تولید" ، معماری اساسی سیستم های تولیدی در حال بازسازی آرام و در عین حال عمیق است.
سیستم تولید سنتی مدتهاست که یک معماری سلسله مراتبی متمایز از "ادراک - کنترل - اجرای - اجرای - عملکرد - تصمیم گیری" را به تصویب رسانده است: سنسورها داده ها را جمع می کنند و آن را در سیستم کنترل بارگذاری می کنند ، دستورالعمل ها واحد اجرای را هدایت می کنند ، سیستم اتوماسیون مدیریت فرآیند را انجام می دهد ، و برنامه های سطح تصمیم گیری را بر اساس تجزیه و تحلیل داده های دوره ای تنظیم می کند.
این معماری خطی از بالا به پایین و کنترل شده یک بار از تولید صنعتی در مقیاس بزرگ و استاندارد پشتیبانی می کرد. با این حال ، امروزه در محیط تولید فزاینده پیچیده ، پویا و قابل تغییر ، محدودیت های آن به طور فزاینده ای برجسته شده است.
امروز ، صنعت تولید از یک معماری سلسله مراتبی به یک بازسازی سیستم در حال پیشرفت است که مبتنی بر پلتفرم ، یکپارچه و غیرمتمرکز است. ادراک ، کنترل ، اجرای ، بهره برداری و تصمیم گیری دیگر سیستم های جداگانه ای نیستند بلکه با هماهنگی کار می کنند ، در زمان واقعی تعامل دارند و یک حلقه بسته هوشمند را بر روی یک بستر فنی یکپارچه تشکیل می دهند.
در این معماری ، قابلیت های هوش مصنوعی دیگر به سادگی در یک لینک خاص وارد نمی شوند ، بلکه عمیقاً در مرکز عصبی کل شبکه تولید تعبیه شده و به عنوان پشتیبانی از هوش سیستم خدمت می کنند.
این تغییر پارادایم همچنین پنج مسیر تکراری را برای استفاده از هوش مصنوعی در ساخت طراحی می کند:
تکرار ادراک: از "توانایی دیدن" به "توانایی درک"
اولین قدم تولید با ادراک آغاز می شود. با توسعه تجزیه و تحلیل ویدیوی هوش مصنوعی ، سنسورهای هوشمند و اینترنت صنعتی اشیاء ، "چشم" سایتهای تولیدی حاد و بصیرت تر شده است.
سیستم تجزیه و تحلیل ویدئویی با قابلیت AI می تواند به طور خودکار ناهنجاری های تولید را شناسایی کند ، هشدارهای گسل را صادر کند و وضعیت موارد را تغییر دهد و محدودیت های الگوریتم های سنتی مبتنی بر قانون را تشکیل دهد. در پایان کسب داده ها ، سنسورها نه تنها داده ها را جمع می کنند بلکه تجزیه و تحلیل اولیه و ایجاد رویداد را از طریق Edge AI انجام می دهند ، و مبنای زمان واقعی را برای کنترل و اجرای بعدی فراهم می کنند. تقویت لایه ادراک نقطه شروع ادغام جامع AI در سیستم های تولیدی است.
2. تکرار کنترل: از "کنترل قانون" تا "نسل هوشمند"
هوش سیستم های کنترل در حال بازنویسی منطق کنترل صنعتی است. نسل جدیدی از سیستم های کنترل صنعتی که توسط اتوماسیون تعریف شده نرم افزار (SDA) نشان داده شده است ، ساختار بسته را شکسته است که در آن سخت افزار و برنامه نویسی در سیستم های کنترل سنتی محدود هستند و یک پلت فرم کنترل باز ، مدولار و تنظیم مجدد ساخته اند.
بر این اساس ، معرفی ابزارهای دستیار هوش مصنوعی باعث شده است که برنامه نویسی PLC دیگر وظیفه ای نباشد که مهندسان بتوانند به تنهایی آن را انجام دهند. با توصیف اهداف کنترل از طریق زبان طبیعی ، هوش مصنوعی می تواند به طور خودکار منطق کنترل ، نمودارها ، حاشیه نویسی های معنایی را ایجاد کند و حتی اشکال زدایی و تأیید را انجام دهد ، دستیابی به یک جهش از کد نوشته شده انسان به نوشتن و نویسندگی انسان ، از این طریق باعث افزایش راندمان توسعه و قابلیت های تکراری سیستم های کنترل شود.
3. تکرار اعدام: از "اتوماسیون" گرفته تا "هم افزایی هوشمند"
تغییرات در سطح اجرای تولید نیز در حال انجام است. ادغام عمیق روبات های هوش مصنوعی و صنعتی باعث شکل گیری "نهادهای هوشمند صنعتی" با قابلیت ادراک ، قضاوت و اجرای می شود.
روبات های هدایت شده توسط هوش مصنوعی نه تنها می توانند عملیات تکراری را انجام دهند ، بلکه به برنامه ریزی مسیر تطبیقی ، تشخیص بصری در زمان واقعی و برنامه ریزی مشترک چند ماشین نیز دست می یابند. از طریق پلت فرم دوقلوی دیجیتال و شبیه سازی ، روبات ها می توانند قبل از استقرار ، آموزش و تأیید را در یک محیط مجازی انجام دهند و چرخه آنلاین را تا حد زیادی کاهش دهند. از آن به بعد ، "دست و پا" ایجاد شده دیگر صرفاً برای اجرای دستورالعمل ها نبود ، بلکه مجریان هوشمند با قابلیت قضاوت بودند.
4. تکرار عملیاتی: از "مدیریت ضبط" تا "بهینه سازی پیش بینی"
سیستم مدیریت فرآیند تولید نیز به دلیل معرفی هوش مصنوعی به طور جامع بازسازی شده است. هوش مصنوعی در حال تسریع در ادغام خود در سیستم عامل های فرآیند تولید هسته مانند MES و سیستم های مدیریت تجهیزات است و به یک موتور هوشمند برای بهینه سازی تولید تبدیل می شود.
هوش مصنوعی می تواند داده های عملکرد تجهیزات را مدل کند ، گسل های بالقوه را از قبل شناسایی کرده و به نگهداری پیش بینی کننده برسد. عملکرد OEE را از طریق تجزیه و تحلیل جریان داده در زمان واقعی بهینه کنید. در مدیریت کیفیت ، از هوش مصنوعی برای شناسایی الگوهای نقص و دلایل اصلی استفاده می شود و از این طریق قوام و انطباق محصولات را تقویت می کند. مدیریت فرآیند تولید از کنترل واکنشی به سمت عملکرد پیش بینی ، دستیابی به بهینه سازی هوشمند در سطح فرآیند ، داده محور حرکت می کند.
5. تکرار تصمیم: از "تجزیه و تحلیل تاخیر دوره ای" تا "تصمیم گیری هوشمندانه در زمان واقعی"
تصمیم گیری در مورد شرکت های تولیدی نیز در حال تحول هوشمندانه است. هوش مصنوعی به تدریج توانایی کمک به کارهای تصمیم گیری با ترکیب بالا مانند برنامه ریزی تولید ، شبیه سازی موجودی و پیش بینی کیفیت را به دست می آورد.
با کمک مدلهای هوش مصنوعی ، شرکتها می توانند شبیه سازی سناریو را انجام دهند تا سریعاً شغل منابع و تحویل استراتژی های مختلف برنامه ریزی تولید را ارزیابی کنند. با ترکیب داده های تاریخی و در زمان واقعی ، هوش مصنوعی می تواند روند نوسانات کیفیت را پیش بینی کرده و پارامترهای فرآیند را از قبل تنظیم کند. در مدیریت موجودی ، هوش مصنوعی می تواند به صورت پویا استراتژی های دوباره پر کردن را برای افزایش کارایی گردش موجودی توصیه کند. تصمیمات تولیدی از پاسخ های عقب مانده به بینش های آینده نگر تغییر کرده و به یک پشتیبانی کلیدی برای چابکی و مقاومت یک شرکت تبدیل شده است.
در طی این پنج جهش ، ما شاهد بوده ایم که هوش مصنوعی دیگر ابزاری خارجی نیست بلکه یک عامل هوشمند در سیستم تولید است. از مرزهای سنتی فراتر می رود ، در هر سطح و هر گره ادغام می شود و سیستم تولید را از کنترل سلسله مراتبی گرفته تا همکاری هوشمند و از بهینه سازی محلی تا هوش سیستم ترویج می کند.
این بازسازی منظم دقیقاً جوهر "هوش مصنوعی + تولید" است.
برای سازمانهای تولیدی در دوره "هوش مصنوعی +" چه قابلیت های سیستم لازم است؟
در دوره فعلی توسعه سریع هوش مصنوعی ، سؤالی که بارها مورد بحث قرار گرفته است این است: آیا هوش مصنوعی جایگزین انسان خواهد شد؟ در صنعت تولید ، این مسئله به ویژه حساس است.
در گذشته ، به نظر می رسید که هر جهش به جلو در اتوماسیون با روند "ماشین آلات جایگزین انسان" همراه بود. با این حال ، هوش مصنوعی امروز ، به ویژه مسیر کاربرد آن در سناریوهای تولید ، پاسخ قطعی به ما می دهد: هوش مصنوعی برای کاهش تعداد افراد طراحی نشده است ، بلکه برای تقویت آنها است.
تولید هوشمند به افراد بیشتری نیاز دارد ، نه کمتر.
این بدان معنی است که کاربرد گسترده AI منجر به موجی از اخراج نشده است. در عوض ، این امر باعث افزایش تقاضای شدید برای مهارت های جدید و استعدادهای همه کاره شده است.
در گذشته ، هوش مصنوعی بیشتر به عنوان ابزاری مورد توجه قرار می گرفت: برای کمک به تشخیص ، تجزیه و تحلیل داده ها و تولید گزارش استفاده می شد. امروزه ، با نفوذ مدل های هوش مصنوعی در نگهداری پیش بینی کننده ، کنترل کیفیت ، برنامه ریزی تولید و سایر پیوندها ، آنها به تدریج از قضات کمکی به سمت تصمیم گیرندگان شرکت می کنند.
این تکامل نه تنها نقش فناوری را تغییر داده بلکه ساختار سازمانی را نیز تغییر شکل داده است. شرکت های تولیدی از یک رابطه یک طرفه "تصمیم گیری انسان و کمک هوش مصنوعی" به یک الگوی مشترک دو طرفه "تصمیم گیری در مورد تصمیم گیری در انسان" تبدیل می شوند. هوش مصنوعی دیگر ابزاری برای عقب نشینی نیست بلکه یک عنصر هوشمند است که در فرآیندهای تجاری تعبیه شده است ، در تکامل فرآیند شرکت می کند و باعث ایجاد مجدد فرایند می شود.
این همچنین بدان معنی است که الزامات شرکتها برای استعدادها در حال تغییر کیفی هستند: آنها نه تنها به مهندسانی که AI را درک می کنند ، بلکه استعدادهای هوش مصنوعی را نیز که تولید را درک می کنند ، نیاز دارند. ژنرالیست های هوش مصنوعی با قابلیت های مرزی ، تفکر سیستم ها و درک کسب و کار به پشتیبانی اصلی برای تحول هوشمند یک سازمان تبدیل می شوند.
اگر هوش مصنوعی "مغز" تولید هوشمند باشد ، توانایی سازمانی عامل تعیین کننده ای برای اینکه آیا این "بدن" انعطاف پذیر ، قوی و پایدار است ، است. با ورود به دوره AI ، شرکتهای تولیدی نه تنها نیاز به معرفی الگوریتم ها و ابزارها دارند ، بلکه یک چارچوب قابلیت سیستماتیک نیز ایجاد می کنند که از اجرای ، رشد و گسترش هوش مصنوعی پشتیبانی می کند. ابعاد اصلی آن شامل موارد زیر است:
توانایی استراتژیک: هوش مصنوعی صرفاً "پروژه IT" نیست ، بلکه "عمل عادی" است.
هنگامی که بسیاری از شرکت ها "هوش مصنوعی + تولید" را تبلیغ می کنند ، آنها آن را به عنوان یک ارتقاء اطلاعات یک طرفه می دانند و آن را به بخش IT واگذار می کنند تا رهبری را انجام دهند. این رویکرد اغلب منجر به شروع پروژه های هوش مصنوعی بالا می شود اما با پایان دادن به پروژه های آزمایشی موفق و تکثیر ناکام ، پایان می یابد.
تحول واقعی به تولید هوشمند در مورد هوش مصنوعی به عنوان منبع اصلی استراتژیک تغییر مدل های عملکرد تجاری نیاز دارد. هوش مصنوعی نباید مستقل از عملیات تجاری وجود داشته باشد بلکه باید عمیقاً در فرآیندهای اصلی مانند تولید ، کنترل کیفیت ، مدیریت زنجیره تأمین و مدیریت انرژی ادغام شود. استراتژی هوش مصنوعی باید عمیقاً با استراتژی تجارت ادغام شود تا یک مدل دو چرخ از "کشش تجاری + درایو فناوری" ایجاد شود.
2. قابلیت های استعدادیابی: ساخت یک ECHELON کامپوزیتی از "مهندسان AI + کارشناسان تجارت"
بهینه سازی ساختار استعداد پیش نیاز برای اجرای هوش مصنوعی است. از یک طرف ، شرکت ها به مهندسین دارای قابلیت الگوریتم AI و قابلیت های مدل سازی داده نیاز دارند ، که می توانند ساختار ، ویژگی ها و سر و صدای داده های تولید را درک کنند. از طرف دیگر ، برای شرکت های تولیدی که تجارت ، فرآیندها و عملیات را برای شرکت در پروژه های هوش مصنوعی درک می کنند ، حتی بیشتر ضروری است ، و تجربه خود را صریح و ساختار دانش ایجاد می کند ، به گونه ای که مدل های هوش مصنوعی به مشکلات دنیای واقعی نزدیکتر باشند.
استعدادهای دو زبانه با زبان مهندسی و زبان تجاری یک نیروی ستون فقرات ضروری برای شرکت های تولیدی در آینده خواهد بود.
3 ساختار سازمانی: ترویج ساخت و سازهای پلت فرم میانی AI و عملیات تجاری
پروژه های هوش مصنوعی اغلب در مقیاس بزرگ تکثیر می شوند و دشوار است. دلیل اساسی در عدم وجود داده های یکپارچه و بنیاد مدل نهفته است. برای این منظور ، شرکت ها باید با قابلیت استفاده مجدد ، یک پلت فرم میانی هوش مصنوعی و داده ها ، ادغام قابلیت های الگوریتم اساسی ، قابلیت های حاکمیت داده ها و فرآیندهای تجاری را ایجاد کنند تا یک معماری دو لایه "پلتفرم + سناریو" ایجاد کنند.
از نظر سازمانی ، همچنین لازم است کمیته های برنامه کاربردی هوش مصنوعی یا تیم های عملیاتی دیجیتالی ایجاد شود تا موانع بین فناوری اطلاعات و OT ، تحقیق و توسعه و تولید ، دفتر مرکزی و سایت را تجزیه کنند و به یک مدل همبستگی دست یابند که در آن مشکلات از خط مقدم مطرح می شود و راه حل ها توسط این پلتفرم ارائه می شود.
4. مسیر اجرای: از پروژه های آزمایشی گرفته تا استقرار تمام زنجیره ای
با توجه به مسیر تبدیل هوشمند تولید ارائه شده در گزارش تحقیق ، شرکت ها باید از روش هشت مرحله ای از شروع چابک ، تکرار سریع و گسترش مداوم هنگام استقرار پروژه های هوش مصنوعی پیروی کنند ، همانطور که در شکل فوق نشان داده شده است.
این مسیر تأکید می کند که کاربرد هوش مصنوعی نباید بیش از حد جاه طلب و جامع باشد. درعوض ، باید اقدامات كوچك اما سریع انجام دهد ، با انجام این كار یاد بگیرد و به تدریج تکامل یابد تا به یك جهش مارپیچی از "هوش محلی" به "هوش سیستم" برسد.
ارزش واقعی هوش مصنوعی در جایگزینی انسان نهفته است ، بلکه در شکل دادن به یک سازمان تولید باهوش تر ، چابک تر و تکامل یافته تر است. این سازمانها را قادر می سازد تا از تجربه محور به داده محور و از استحکام فرآیند به انعطاف پذیری هوشمند تغییر کنند ، در نهایت یک سیستم ایجاد هوشمندانه با محوریت همکاری انسان را تشکیل می دهند.
رقابت در صنعت تولید آینده دیگر مسابقه تجهیزات و ظرفیت تولید نخواهد بود ، بلکه یک رقابت با توانایی شناختی ، توانایی سازمانی و قابلیت های هوشمند است. AI پایان نیست بلکه نقطه شروع تمدن صنعتی جدید است.
داده ها و مدل ها: موتور دوگانه "هوش مصنوعی + تولید" بسیار دشوار برای تسلط
موتور AI تنها می تواند تکامل مداوم سیستم تولید هوشمند را هدایت کند وقتی "داده" و "مدل" همزمان به طور همزمان کار می کنند.
با این حال ، در اجرای عملی "هوش مصنوعی + تولید" ، شرکت ها غالباً در یک سوء تفاهم شناختی قرار می گیرند: معتقدند تا زمانی که الگوریتم های هوش مصنوعی مستقر شوند و داده های صنعتی به هم وصل شوند ، می توان نتایج تصمیم گیری هوشمند و بهینه سازی را به طور خودکار بدست آورد. اما واقعیت این است که بسیاری از شرکتهای تولیدی "با موفقیت خلبان شده اند اما نتوانسته اند در پروژه های هوش مصنوعی تکرار شوند ، و علت اصلی دقیقاً در این واقعیت نهفته است که دو موتور اصلی داده ها و مدل ها واقعاً شروع نشده اند.
چالش داده ها: تولید شرکت ها "بیشترین داده" را دارند ، اما همچنین "دشوارترین داده ها برای استفاده" هستند.
چرا استفاده از داده ها دشوار است؟ عمدتا سه دلیل اصلی وجود دارد:
داده ها ذاتاً کافی و از کیفیت ناهموار نیستند: مقدار زیادی از داده های صنعتی دارای مشکلاتی از قبیل نویز ، داده های گمشده و ناهمگونی است. فقدان مکانیسم های حاکمیتی وجود دارد و مستقیماً "تغذیه" آن به مدل ضد تولید است.
داده ها بعداً در زندگی پردازش نمی شوند و فاقد ساختار متن هستند: بسیاری از شرکت ها "نقاط داده جدا شده" را جمع می کنند و فاقد اطلاعات زمینه مانند رویدادها ، فرآیندها و دسته ها هستند که منجر به عدم توانایی مدل در درک معانی تجاری و منطق علی می شود.
مشکل عمیق تر این است که اگرچه شرکت های تولیدی داده دارند ، اما آنها سیستم توانایی را برای تبدیل داده ها به دانش قابل استفاده ندارند. این مشکلی در عملکرد نرم افزار نیست ، بلکه یک کمبود سیستماتیک در مکانیسم سازمانی ، سیستم تفکر داده و مدیریت است.
بنابراین ، داده های موجود در صنعت تولید خیلی کم نیست بلکه خیلی پراکنده است. اینگونه نیست که هیچ ارزشی ندارد ، بلکه اطلاعات متنی کافی نیست.
2. چالش مدل: با تکیه بر "مدلهای بزرگ عمومی" ، هوش صنعتی نمی تواند یک شبه حاصل شود
مدلهای هوش مصنوعی صنعتی با سه چالش اساسی روبرو هستند:
فقدان درک فرآیند: فرایند تولید ، مقدار زیادی دانش ضمنی مانند قوانین تجربی ، مکانیسم های فیزیکی و اتصال چند متغیره را شامل می شود. اگر مدل فرایند را درک نکند ، فقط می تواند پیش بینی های مربوطه را انجام دهد و نمی تواند تجزیه و تحلیل علت اصلی یا بهینه سازی فرآیند را انجام دهد.
کمبود داده ها و مشکلات برچسب زدن: در مقایسه با زمینه های اینترنتی مانند تجارت الکترونیکی و شبکه های اجتماعی ، سناریوهای صنعتی فاقد مجموعه داده های منبع باز در مقیاس بزرگ هستند و بسیاری از داده های غیر طبیعی برچسب زدن دشوار است و یادگیری نظارت ناپایدار است.
توانایی تعمیم کافی و مهاجرت صحنه دشوار: عملکرد یک مدل یکسان در خطوط و دستگاه های مختلف تولید بسیار متفاوت است. کمبود قابلیت های اساسی وجود دارد که می تواند مهاجرت و تنظیم خوبی داشته باشد و در نتیجه هزینه های استقرار بالای هوش مصنوعی ، چرخه های طولانی و ROI کم باشد.
بنابراین ، آنچه صنعت تولید واقعاً به آن نیاز دارد مدل های سناریو در عمق هوش مصنوعی است: آنهایی که نه تنها می توانند رفتارهای فیزیکی و مکانیسم های فرآیند را درک کنند بلکه با شرایط پویا و تجهیزات تجهیزات سازگار هستند و دارای هوش صنعتی با اندازه نمونه کوچک و تعمیم قوی هستند.
بدیهی است که مدل های AI در ساخت "مدل های صحبت" نیستند ، بلکه "مدلهایی هستند که می توانند فیزیک را درک کنند". این یک "الگویی برای تولید محتوا" نیست ، بلکه "الگویی برای بازسازی روند" است.
3. چالش های مدیریت: هوش مصنوعی مربوط به وام نیست. ساخت یک سیستم توانایی نقطه شروع واقعی برای تولید هوش مصنوعی است
در مواجهه با چالش های دوگانه داده ها و مدل ها ، شرکت ها دیگر نمی توانند در مرحله استقرار ابزارها باقی بمانند ، اما باید به ساخت یک سیستم قابلیت AI کامل و پایدار تغییر کنند. هسته اصلی در سه کار خوب است: اول ، حاکمیت داده ها: از "جمع آوری داده ها" تا "تولید دانش" ؛ ii. مدل سازی صحنه: در زبان تجاری مشکلات را بیان کنید و آنها را به زبان الگوریتمی حل کنید. iii مکانیسم تنظیم دقیق مدل: اطمینان حاصل کنید که هر عامل در صحنه خاص خود قرار می گیرد.
هوش مصنوعی چیزی نیست که باید پذیرفته شود. "هوش مصنوعی + تولید" باید به عنوان یک پروژه منظم در نظر گرفته شود. ورود هوش مصنوعی به تولید به این معنی نیست که فقط به این دلیل که نصب شده است مفید می شود و به این معنی نیست که فقط به دلیل خریداری شده هوشمند می شود. این یک پروژه سیستماتیک از داده ها به مدل ها ، از الگوریتم ها تا سازمان ها است.
اگر شرکت ها امیدوارند که واقعاً به تولید AI برسند ، باید از ذهنیت "ابزار گرا" جدا شوند و یک سیستم موتور دوگانه از "قابلیت های داده + قابلیت های مدل" را برای آینده بسازند. فقط از این طریق می توان هوش مصنوعی صرفاً تماشاگر در تولید نیست ، بلکه به یک همکار هوشمند تبدیل می شود که می تواند درک ، عمل کند و به طور مداوم تکامل یابد.