Varför misslyckas 85 procent av alla AI-initiativ och vad kan företag inom processindustrin göra för att lyckas? Det diskuterade Anna Olsson, Chief Commercial Officer på Intelecy under PiiA Summit. Läs orginaltexten hos Piia Summit HÄR
Anna har ansvar för sälj och marknadsföring på Intelecy. Från sina 20 år i mjukvarubranschen har hon bred erfarenhet inom försäljning, produktmarknadsföring, affärsutveckling bland annat från Microsoft och Cognite.
Anna Olsson ger 5 konkreta tips till processindustrin för att lyckas med att implementera AI
1. Sätt experterna i förarsätet
Processingenjörer och operatörer förstår processerna och utmaningarna på djupet. Men det krävs samarbete för att få med kunskap från samtliga roller. IT kan och bör inte bygga lösningar endast baserat på inspel från produktionen.
Genom att tillhandahålla experterna användarvänliga verktyg, där de kan dra nytta av AI:s potential utan att behöva lära sig programmera, skapas en snabbare väg till affärsvärde och en smidigare övergång till ny teknologi. IT spelar fortfarande en avgörande roll, särskilt när det gäller säkerheten kring integrationen mot OT-system, master data management och implementeringen av lösningen.
2. Se till att ha en AI-strategi på plats som skalar till hela organisationen
Efter lanseringen av ChatGPT har många fått upp ögonen för AI och vill komma igång snabbt. Det är dock viktigt att ha en genomtänkt strategi för att undvika potentiella problem som kan uppkomma. En AI-strategi bör adresserar ämnen som teknologi, organisation, utbildning och företagskultur samt ha förankring i ledningen och det centrala teamet.
Det är bra om de lokala fabrikerna har autonomi men samtidigt vill man skala use cases och lösningar inom organisationen. Detta kan vara svårt om det är internkonkurrens mellan fabriker och ”Not invented here” syndrom är närvarande. Allt detta ska adresseras i strategin.
3. Undvika fällan med att bygga allt ”från scratch” DIY (Do It Yourself)
Att utveckla en lösning istället för att köpa mjukvara kan resultera i det som Gartner kallar för ”pilot purgatory”. Första piloten lyckas oftast, men utmaningarna uppstår vid uppskalning. Hur implementerar vi maskinlärningsmodellerna i nästa produktionslinje?
Och hur hanterar vi nästa fabrik? Vem tar ansvar för att underhålla koden och de utvecklade maskinlärningsmodellerna? Den stora kostnaden för en DIY-plattform är inte att bygga den utan att underhålla den. En SaaS-lösning erbjuder uppdaterade maskinlärningsmodeller och enklare skalbarhet utan att behöva koda om för varje nytt scenario.”
4. Välj rätt use case
Prioritera use cases som snabbt kan demonstrera affärsvärde. Utvärdera dagens problem och kostnader. Har vi tillräckligt med data för att träna modellerna? Fokusera på use cases med hög potential och tillgänglig data.
5. Skapa tillit
Industrin har ännu inte upplevt ett ”Tesla-moment”, så det kommer att ta tid innan AI fullt ut styr produktionen. Ge operatörerna tillgång till prediktioner från maskinlärningsmodellerna direkt i SCADA-systemet för att fatta datadrivna beslut och observera förbättringar, till exempel att producera mer med jämnare kvalitet.
Se videon från PiiA Summit med Anna Olsson:
