● ניתוח תאימות של נפח מסמכים-בקנה מידה גדול (כגון תקני ISO, תקנות בטיחות ופרשנות של מאות עמודים של מסמכי מפרט טכני)
● תפעול גלובלי ותיאום רב לשוני (לכידת הבדלי שפה עדינים בין אזורים וספקים שונים)
ביישומים מעשיים, רוב הארגונים היצרניים יאמצו ארכיטקטורת AI היברידית - הפורסת מודלים גדולים בקצה המרכזי של הארגון ויישום מודלים קטנים בקצה-באתר.
4. בסביבות Industry 4.0 וסביבות קצה, דגמים קטנים ישימים יותר
בתרחישי ייצור מסוימים, דגמים קטנים אינם רק "מספיקים", אלא במקרים רבים הם האפשרות המעשית היחידה. דגמים קטנים יכולים להשיג טוב יותר את הפונקציות הבאות:
זיהוי חריגות-בזמן אמת במחשב
● סיוע למפעיל-נמוך
פעולות לא מקוונות בסביבות מבודדות פיזית או-בטיחותיות קריטיות
● פרטיות נתונים של נתוני ייצור קנייניים
זה חיוני לתחזוקה חזויה, בדיקה בסיוע ראייה-ממוחשבת ועוזרי בינה מלאכותית לטכנאי סדנאות, בין היתר.
מודל -מכוונן עדין עם 7 עד 13 מיליארד פרמטרים עשוי להתעלות על מודלים מובילים- כלליים אם נתוני ההדרכה כוללים מדריכי תחזוקה, נתוני היסטוריית מצבי תקלות, מטא נתונים של חיישנים ונהלי הפעלה סטנדרטיים- ספציפיים של היצרן - מכיוון שהוא מכיר את המפעל שלך טוב יותר מהאינטרנט. זה עולה בקנה אחד עם עיקרון "הקשר-מודיעין מודעת" המוטמע בפעולות ב-Industry 4.0.
תעשיית הייצור דורשת כלי AI המותאמים לתרחישים ספציפיים
הוויכוח על גודלם של מודלים של בינה מלאכותית אינו משחק סכום-אפס של או-או; הליבה טמונה בשאלה האם הם מתאימים לתרחישי יישום. דגמים גדולים מצטיינים במגוון רחב של משימות חשיבה חקרניות; לדגמים קטנים יש יתרון מוחלט מבחינת עלות, מהירות, יכולת פריסה ואמינות בתרחישים תעשייתיים.
עבור ארגונים יצרניים הרודפים אחרי מפעלים חכמים, נכסים מחוברים וייצור בעל גמישות גבוהה, עתיד הבינה המלאכותית אינו מסתמך על מודל סופר-גדול יחיד, אלא על בניית מערכת אקולוגית של בינה מלאכותית שתואמת את קנה המידה - מהענן ועד לקצה, מתכנון ארגוני כולל ועד למודל-אמתי ברמת המכשיר, עם התאמה של כל מודל בזמן ביצוע.
ככל שדגמי בינה מלאכותית ממשיכים להיות קלים והיכולות שלהם ממשיכות להשתפר, נושא הליבה מוצב בפני מנהלי הייצור: בשלב הבא של הפיתוח של Industry 4.0, כאשר AI-גבוהה- במיוחד, בינה מלאכותית- משולבת עמוקות במערכת הייצור, כיצד היא תגדיר מחדש את רמת היעילות והיעילות של המוצר?
