سیستم های بینایی هوش مصنوعی تجربه‌ای شگفت‌انگیز برای انسان‌ها خلق می‌کنند

فناوری هوش مصنوعی امروزه بیش از هر زمان دیگری به خودکار کردن فرآیندهای متنوع در تولید و امور دیگر کمک می‌کند. یک نظرسنجی که اخیرا توسط Landing AI و Association of Advancing Manufacturing انجام شده نشان می‌دهد که ۲۶ درصد از کسب و کارهای تولیدی در حال حاضر از سیستم های بینایی هوش مصنوعی استفاده می‌کنند. این رقم باید در آینده نزدیک رشد کند. نکته مهم این است که  پیش از اعتماد به یک مدل هوش مصنوعی و بکارگیری آن برای تصمیم‌گیری‌های حیاتی همچون تشخیص نقص، باید این هوش مصنوعی تست و اعتبار آن بررسی شود.

برای استقرارموفقیت‌آمیز برنامه‌های هوش مصنوعی، مرحله اثبات مفهوم حرف اول را میزند. در این مرحله، مهندس‌ها یک مورد استفاده را شناسایی کرده و یک مدل هوش مصنوعی را روی لپ‌تاپ یا کامپیوتر راه‌اندازی می‌کنند. پس از اجرای دقیق مدل، مهندسان مدل را در یک محیط کاربری اجرا می‌کنند. سپس حجم تولید این مدل ممکن است تا چندین خط تولید در چندین کارخانه افزایش یابد. ممکن است بسیاری از تیم‌ها موفق به توسعه اثبات مفهوم شوند، اما وقتی سیستم هوش مصنوعی در محیط تولید پویا استقرار پیدا کند مشکلاتی ایجاد می‌شود. در واقع، افرادی که در نظرسنجی اخیر شرکت کردند، «دستیابی به نتایج آزمایشگاهی در تولید» را به عنوان یکی از سه چالش اصلی پروژه‌های هوش مصنوعی عنوان کردند.

شاید سوال بسیاری این باشد که چرا سیستم هوش مصنوعی در آزمایشگاه به نتایج مثبتی می‌رسد اما در محیط واقعی ممکن است شکست بخورند. به نظر می‌رسد که در یک محیط تولید پویا، موارد غیرمنتظره‌ای که مدل هوش مصنوعی برای آن‌ها آماده نشده است پیش بیاید.

استفاده از سیستم های بینایی هوش مصنوعی در تولید، یک فرآیند تکرار پذیر است تا یک رویداد منفرد. تیم‌های موفق به جای اینکه یک مدل را در محیط کاربری قرار دهند تا همانطور که وجود دارد دوام بیاورد، این سیستم را برای همکاری مشترک با انسان‌ها در استراتژی «انسان در چرخه» تنظیم می‌کنند. این استراتژی به سه مرحله تقسیم می‌شود. این مراحل برای ایجاد اعتماد متخصصان انسانی به هوش مصنوعی، بدون ایجاد وقفه در سازوکار عادی یک خط تولید طراحی شده‌اند.

هوش مصنوعی به دنبال فرد متخصص است. سیستم هوش مصنوعی را در یک محیط تولید پویا اجرا کنید اما اجازه دهید فرد متخصص به طور مستقل همه تصمیم‌ها را بگیرد. با انجام این کار، انسان می‌تواند عملکرد هوش مصنوعی را مشاهده کند و آن را بهبود دهد. هرگاه خروجی هوش مصنوعی با تصمیم فرد متخصص تفاوت داشت، این موارد را تجزیه‌وتحلیل و رده‌بندی کنید و سیستم را مجددا آموزش دهید تا تصمیم‌گیری هوش مصنوعی اصلاح شود.

فرد متخصص به دنبال هوش مصنوعی است. با بهبود سیستم، اجازه دهید هوش مصنوعی تصمیم‌هایی را به یک فرد متخصص پیشنهاد کند، سپس وی تصمیم نهایی را بگیرد. مانند اولین قدم، وقتی فرد متخصص تصمیم هوش مصنوعی را رد می‌کند، داده ها را دریافت کنید و از آن‌ها برای آموزش مجدد سیستم استفاده کنید و سپس به‌روزرسانی‌ها را انجام دهید.

سیستم را مقیاس‌بندی کنید. به هوش مصنوعی اجازه دهید در مورد موارد با اطمینان بالا تصمیم بگیرد و در عین حال به متخصص انسانی اجازه دهید در مورد موارد دشوار تصمیم بگیرد.  مقیاس‌بندی می‌تواند با گردش کار مشترک بین هوش مصنوعی و انسان در محل انجام شود. در این گام، هر متخصص انسانی می‌تواند روی چندین سیستم هوش مصنوعی نظارت کند. (به عنوان مثال، یک متخصص می‌تواند بر ۱۰ سیستم که ۱۰ خط تولید را کنترل می‌کند نظارت داشته باشد). یک تیم هوش مصنوعی باید ابزاری برای ردیابی عملکرد هوش مصنوعی و به روز نگه داشتن سیستم داشته باشد.

استراتژی انسان در چرخه مزایای متخصصان انسانی و سیستم‌های هوش مصنوعی ر به کار می‌گیرد. سیستم‌های هوش مصنوعی به طور مداوم و موثر وظایف تکراری را انجام می‌دهند؛ وظایفی که که ممکن است انسان را خسته کنند و در نتیجه احتمال خطا بالا برود. در مقابل، انسان‌ها بهتر می‌توانند با شرایط تغییر یافته سازگار شوند و در مورد موارد دشوار قضاوت کنند.

انسان‌ها و هوش مصنوعی با همکاری یکدیگر، می‌توانند سیستمی را تولید کنند که نه تنها در کوتاه مدت نتایج بهتری به بار می‌آورد بلکه داده‌های اضافی خلق می‌کند که منجر به بهبود عملکرد سیستم  با گذشت زمان می‌شود. عملکرد بهتر همچنین به معنای مزایای ملموس است. از ۱۱۰ شرکتی که در این نظرسنجی شرکت کرده‌اند ۶۲ درصد معتقدند که بهترین مزیت استفاده از سیستم های بینایی هوش مصنوعی، رسیدن به دقت بالاتر است.

وقتی صحبت از توسعه سیستم های بینایی هوش مصنوعی و کنترل آن می‌شود، منتظر اجرای استراتژی انسان در چرخه نباشید.

هرچه سیستم هوش مصنوعی زودتر در معرض شرایط دنیای واقعی قرار گیرد، سریع‌تر می‌تواند عملکرد خود را بهبود بخشد و در طولانی مدت شانس موفقیت بالا می‌رود. اگر فرآیندهای مناسب وجود داشته باشد، یک سیستم هوش مصنوعی می‌تواند عملکرد خوبی داشته باشد، به سرعت مقیاس‌بندی شود و منجر به سود اقتصادی شود.