Útiterv a sikerhez: A mesterséges intelligencia alkalmazása a LEAN gyártásban

Bencze Irén, MMI mentor, AI-Enhanced Learning & Development Specialist
2024.01.10.
A saját, angol eredeti cikk: https://www.linkedin.com/pulse/roadmap-success-adopting-ai-lean-manufacturing-iren-bencze-fkexf/
Iren Bencze
Idealist Thinker / Perfectionist Doer
AI-Enhanced Learning & Development Specialist

Az AI-környezet változásának sebessége és a körülötte lévő bizonytalanságok fokozott tudatosságot kívánnak mindannyiunktól. Mint mindig, előre szeretném bocsátani, hogy a cikkben található információk bár a megíráskor valós adatokra épültek, csupán pillanatképet nyújtanak a rendelkezésre álló alternatívákról. Saját AI-stratégia kidolgozásakor ajánlott a szervezet igényei szerint aktuálisra frissíteni az eszközök és erőforrások listáját, és úgy mérlegelni a lehetőségeket.

A cikksorozat első cikkeinek írása során azzal a felismeréssel szembesültem, hogy a mesterséges intelligencia katalizátorként működhet, amely segít a hagyományos gyártási környezetet a fokozott hatékonyság és innováció birodalmává alakítani. Ettől a negyedik résztől kezdődően fokozottan a gyártóterületre, a genbára (gembára) kerül a hangsúly, „ahol a dolgok történnek”.  A folyamatok egyszerűsítésén vagy újrafeltalálásán túl a munkatársakra irányul a figyelem, mint a gyártási kiválóság kulcsfontosságú tényezőire.

A termelési pokoltól a paradigmaváltó mesterséges intelligencia hatékonyságig

2017-ben a Tesla, az elektromos autók úttörője arra készült, hogy felpörgesse a Model 3 szedánja gyártását, azé a járműét, amely elektromobilitást ígért a tömegeknek. Sokan figyelték várakozva, hogyan fogja a Tesla teljesíteni a célul kitűzött heti 5000 Model 3 legyártását, de az ehhez a teljesítményhez vezető út közel sem volt zökkenőmentes [1]. Azt a kínos helyzetet, amelybe a Tesla akkoriban került, Elon Musk „termelési pokol”-ként emlegette, amit bevallottan a „túlzott automatizálás” okozott [2]. A Robotics Tomorrow szerint

A termék- és a folyamat-innovációra nem volt elegendő idő szánva, hogy  a tesztelés is beleférjen, a megbízhatóság és az ismételhetőség biztosítása érdekében. A gyakori változásokat és variációkat nem tudták figyelembe venni, és a gépi látással (machine vision) és más intelligens technológiákkal történő automatizálás általánosítására tett kísérletek sikertelenek voltak. [3]

Noha a kihívást azóta dicsőségesen felülmúlta, a Tesla korai tapasztalatai élénken szemléltetik azokat a megpróbáltatásokat, amelyekkel a szervezetek, még a diszruptív innovátorok is szembesülnek a fejlett technológiák nagy léptékű bevezetésekor. A Tesla útja rávilágít egy alapvető igazságra: a mesterséges intelligencia alkalmazása a gyártásban összetett és fáradságos folyamat lehet. Jó megközelítéssel azonban hihetetlen eredményeket hozhat. 

A következőkben egy ütemtervet igyekszem felvázolni, amely átvezetheti a szervezeteket ezen az átalakuláson. Megvizsgáljuk, hogy a lean gyártási elvek az AI-integrációval kombinálva hogyan vezethetnek figyelemre méltó hatékonysághoz, költségmegtakarításhoz és a minőség javulásához. 

Teljesen új üzleti modellek és üzleti folyamatok létrehozása

2022. áprilisi Fortune-cikkükben François Candelon, Bowen Ding és Su Min Ha azt veti fel, hogy az  üzleti modellek és folyamatok mesterséges intelligencia alapúvá való újragondolása / újratervezése jelentősebb pénzügyi előnyökkel jár, mint a meglévő hatékonyság javítása. Mi több, segítheti a vállalatokat abban is, hogy megelőzzék a riválisokat, és felvértezzék magukat a diszruptív változásokkal szemben [4].

Javasolt útitervükben szerepel az üzleti modellek újratervezése, valamint a célok és az értékláncok újragondolása. Utóbbira példaként a Teslát említik, amelynek mesterséges intelligenciával működő rendszerei ma már lehetővé teszik a gyártás folyamatos fejlesztését úgy, hogy a fogyasztókat teszik a termék- és az általános fejlesztési ciklusuk kiindulópontjává. Erre példa a következő: 

Ha egy ügyfél járműve akár kisebb problémába ütközik – például vibrálnak az ablakai – az adatokat valós időben továbbítja a Tesla gyártósoron lévő robotokhoz. Ezek módosítanak az összeszerelési folyamaton, a munkatársak pedig tesztelik, hogy a zajok megszűntek-e. [4]

Javasolt mesterséges intelligencia integrálási stratégiák és lépések

Amint azt a Tesla példájából láthattuk, az AI-alapú megoldásokban óriási a lehetőség a hatékonyság és a fenntarthatóság fokozására. A prediktív karbantartáson és minőségellenőrzésen túl az AI alkalmazható a kereslet előrejelzésben, a termelésütemezésben, a készletkezelésben és az ellátási lánc optimalizálásában, ezáltal újradefiniálva a lean gyártás környezetét. A számtalan rendelkezésre álló mesterséges intelligencia-eszköz és -technológia miatt azonban nyomasztó lehet még csak belegondolni is ebbe a stratégiai irányba.

Annak érdekében, hogy mérettől függetlenül minden lean vállalkozásnak lehetősége legyen az AI bevezetését mérlegelni, a következő ütemterv javasolt. Megvizsgáljuk, hogyan lehet azonosítani a legmegfelelőbb AI-használati eseteket, kiválasztani a megfelelő eszközöket és technológiákat, kipróbálni az AI-megoldásokat, zökkenőmentesen integrálni a mesterséges intelligenciát a lean gyártási folyamatokba, valamint folyamatosan nyomon követni és javítani az AI-megvalósításokat. E lépések mentén a lean gyártók konkrét céljaikra és igényeikre szabott mesterséges intelligencia bevezetési stratégiát tervezhetnek és hajthatnak végre, lehetővé téve számukra a hatékonyság, a minőség és a termelékenység jelentős javulását.

1. Az AI-integrálási célok meghatározása

Annak érdekében, hogy egyértelműen meghatározhassuk a mesterséges intelligencia bevezetésének céljait, meg kell értenünk azokat a konkrét problémákat, amelyeknek megoldására használnánk. Legyen szó a működési hatékonyság javításáról, a minőség-ellenőrzésről, a kereslet-előrejelzésről és más kulcsfontosságú mutatókról, VAGY az üzleti modellek és üzleti folyamatok mesterséges intelligencia által vezérelhetővé való újragondolásáról / újratervezéséről, e célkitűzéseket fontos összhangba hozni az üzleti célokkal és a szervezet hosszú távú jövőképével. Ebben segíthet a vállalati adatok elemzése, a csapattal való ötletbörze, valamint az ügyfelek elvárásainak felmérése.

Néhány további javaslat:

  • Pontosítás. Ne csak azt mondjuk, hogy az AI-t a hatékonyság növelésére szeretnénk használni, hanem azonosítsunk olyan konkrét feladatokat vagy folyamatokat, amelyek automatizálhatók vagy optimalizálhatók a mesterséges intelligencia segítségével.
  • Mérhetőség. Határozzunk meg mérhető célokat az AI-kezdeményezésekhez. Ez segít nyomon követni az előrehaladást, és szükség szerint módosítani a megközelítést.
  • Realitás. Ne próbáljunk túl gyorsan túl sokat tenni (lásd a „termelési pokolt”!). Kezdjük néhány konkrét AI-projekttel, majd bővítsük az alkalmazásokat a tapasztalatra építkezve.
  • Rugalmasság. Az AI környezet folyamatosan fejlődik. Készüljünk fel arra, hogy módosítsuk a célkitűzéseket az új technológiák és alkalmazások mentén.2. AzAI használati eseteinek azonosítása
Az AI használati eseteinek azonosítása
Az integrálási célok meghatározásához hasonlóan a lean szempontból leginkább releváns AI használati esetek azonosítása is történhet a csapattal való konzultáció, a múltbeli adatok elemzése, valamint az ügyfelek visszajelzései mentén, hogy feltárjuk azokat a területeket, ahol az AI jelentős értéket hozhat. A lean gyártásban a mesterséges intelligencia gyakori felhasználási esetei közé tartozik a korábban említett prediktív karbantartás, a minőség-ellenőrzés, a kereslet előrejelzése és az ellátási lánc optimalizálása.

A lean gyártók ide vonatkozó, ismert megközelítései a következők:

  • Mesterséges intelligencia használata a működési hatékonyság javítására. Például az AI használható olyan feladatok automatizálására, mint a minőség-ellenőrzés és a gyártásütemezés. Ez felszabadíthatja a munkatársakat, hogy nagyobb hozzáadott értéket képviselő tevékenységekre összpontosítsanak.
  • Mesterséges intelligencia használata a minőségellenőrzés javítására. Például egy félvezetőket gyártó lean vállalat mesterséges intelligencia segítségével észlelheti a termékek hibáit a gyártási folyamat korai szakaszában. Ez csökkentheti a selejtezési arányt és javíthatja az ügyfelek elégedettségét.
  • Mesterséges intelligencia használata a kereslet előrejelzésének javítására. A különböző termékek iránti kereslet előrejelzésére használt mesterséges intelligencia segíthet optimalizálni a termelést és a készletszintet.

Ha azonban az üzleti modellek és üzleti folyamatok újragondolása / újratervezése a cél, fontoljuk meg a következő innovatív megközelítéseket:

  • Mesterséges intelligencia használata az üzleti modell újratervezéséhez. Például egy autóalkatrész gyártó vállalat mesterséges intelligencia segítségével olyan prediktív karbantartási szolgáltatást dolgozhat ki, amely segíti ügyfeleit a leállás csökkentésében és a termelékenység javításában. Ez új bevételi forrást jelenthet a gyártó számára.
  • Mesterséges intelligencia használata új értékajánlatok létrehozására az ügyfelek számára. Például egy fogyasztói elektronikai cikkeket gyártó lean vállalat  mesterséges intelligencia segítségével személyre szabott termék ajánlatokat dolgozhat ki ügyfelei számára. Ez javíthatja a vásárlói élményt, és növelheti az eladásokat.
  • Mesterséges intelligencia használata az ellátási lánc optimalizálására. AI alkalmazása a készletszint optimalizálására és a szállítási költségek csökkentésére javíthatja a jövedelmezőséget és a fenntarthatóságot.
A használati esetek rangsorolása

Miután azonosítottuk a lehetséges AI-használati eseteket, a következő tényezők alapján rangsorolhatjuk őket az erőforrások hatékony elosztása és a siker érdekében:

  • Hatás: Mekkora hatással lehet a mesterséges intelligencia a vállalat működésének ezen területére?
  • Megvalósíthatóság: Mennyire megvalósítható az AI alkalmazása ezen a területen?
  • Igazodás (Alignment): Mennyire van összhangban ez az AI-használati eset az általános üzleti célokkal és a hosszú távú jövőképpel?
  • Sürgősség: Mennyire sürgős a probléma megoldása?
  • Költség: Mennyibe kerül az AI bevezetése ezen a területen?
3.1. Pontozási mátrix használata

A pontozási mátrix az egyik olyan eszköz, amellyel szisztematikusan értékelhetjük és rangsorolhatjuk a mesterséges intelligencia potenciális használati eseteit, az egyes kritériumokhoz pontszámokat és súlyokat rendelve, az alábbi példa  szerint. A pontozási mátrixban a súlyok azt jelzik, hogy szervezetünk sajátos prioritásai és szükségletei alapján mennyire fontosak az egyes szempontok a döntéshozatal folyamatában. Ha egy szempontot 30%-os súllyal látunk el, ez azt jelenti, hogy ez a szempont 30%-kal járul hozzá a végső döntéshez.

Miután egy-egy szempontot 1-től 10-ig terjedő skálán értékeltünk, a súlyozott pontszámot úgy számoljuk ki, hogy megszorozzuk az előzetes értéket a súllyal. Például, ha egy 30%-os súllyal rendelkező szempont értékelése 8-as, akkor a súlyozott pontszám ennek a szempontnak 30%-a lesz, azaz 2.4.

Pontozási mátrix példa

  • Hatás (Súly: 30%): Értékeljük és pontszámot rendelünk minden egyes használati esethez az alapján, hogy az milyen hatással lehet a gyártási folyamatainkra, figyelembe véve olyan tényezőket, mint a potenciális hatékonyságnövekedés, minőségjavulás és bevételnövekedés. Pontozás 1-től 10-ig terjedő skálán, ahol a 10 a legnagyobb hatás.
  • Megvalósíthatóság (Súly 20%): A mesterséges intelligencia alkalmazásának megvalósíthatóságát olyan tényezők függvényében pontozzuk, mint az adatok és a képzett személyzet elérhetősége, valamint a technológiai felkészültség. A 10-es a leginkább megvalósítható.
  • Igazítás (Súly 20%): Fontos, hogy az egyes használati esetek illeszkedjenek az általános üzleti céljainkhoz és szervezetünk jövőképéhez. A leginkább igazodó esetek magasabb, míg a kevésbé igazodóak alacsonyabb pontszámot kapnak.
  • Sürgősség (Súly 15%): Értékeljük az AI alkalmazásával megoldandó probléma sürgősségét olyan tényezők figyelembe vételével, mint a piaci igények, az ügyfelek igényei vagy a szabályozási követelmények. A legmagasabb sürgősség 10 pontot kap.
  • Költség (Súly 15%): Becsüljük meg a mesterséges intelligencia alkalmazás megvalósításának költségét minden egyes felhasználási esetben. Ennek tartalmaznia kell a technológiával, személyzettel, képzéssel és karbantartással kapcsolatos költségeket egyaránt. A 10 a legköltséghatékonyabb, az 1 pedig a legkevésbé költséghatékony alkalmazás.

Miután minden kritériumhoz pontszámot adtunk, számítsuk ki a súlyozott értékeket az egyes kritériumok szerint, majd összegezzük azokat. Ez az összpontszám segít az AI-használati esetek rangsorolásában: a magasabb összpontszám magasabb prioritást jelez.

3.2. Döntési fa használata

A döntési fa egy bonyolultabb eszköz, amelyet alkalmazhatunk az AI-használati esetek rangsorolására. A döntési fa létrehozásához meg kell határoznunk a használni kívánt kritériumokat; azokat a küszöbértékeket, amelyeket annak meghatározására fogunk használni, hogy egy mesterséges intelligencia használati eset megfelel-e vagy sem az egyes kritériumoknak; valamint az egyes mesterséges intelligencia-használati esetekben végrehajtandó műveleteket, attól függően, hogy azok megfelelnek-e az egyes kritériumoknak.

Döntési fa példa

A döntési fa használatához vegyük figyelembe a következő attribútumokat:

  • Küszöbértékek: Állítsunk be konkrét küszöbértékeket minden egyes feltételhez a szervezet prioritásai és szükségletei alapján. Ha például a 7-es vagy magasabb hatáspont számot tekintjük nagy hatásnak, állítsuk a küszöbértéket 7-re. Hasonlóképpen állítsunk be küszöbértékeket a Megvalósíthatóság, Igazodás, Sürgősség és Költség számára.
  • Műveletek: Határozzuk meg az egyes mesterséges intelligencia-használati esetekben végrehajtandó műveleteket, attól függően, hogy azok megfelelnek-e az egyes kritériumoknak.
  • Magas prioritás: Ha egy mesterséges intelligencia használati esete az összes vagy a legtöbb kritériumnak megfelel (pl. hatás >7, megvalósíthatóság >5, igazodás >7, sürgősség >6, költség <4), akkor kiemelt prioritásúnak kell tekinteni. Ezek a használati esetek jelentős pozitív hatást gyakorolhatnak a vállalat működésére, és jól illeszkednek a stratégiai céljaihoz. Ennek megfelelően biztosíthatjuk a megfelelő eszközöket és erőforrásokat.
  • Közepes prioritás: Közepes prioritásúként kell besorolni azokat az eseteket, amelyek megfelelnek néhány kritériumnak, de nem mindegyiknek (pl. hatás >6, megvalósíthatóság >6, igazodás >6, sürgősség >5, költség <6). Bár van bennük potenciál, további elemzést vagy befektetést igényelhetnek teljes hatásuk meghatározásához.
  • Alacsony prioritás: Ha egy mesterséges intelligencia-használati eset nem felel meg a legtöbb kritériumnak (pl. Hatás <4, Megvalósíthatóság <4, Igazodás <4, Sürgősség <4, Költség >7), akkor alacsony prioritásúnak kell tekinteni. Előfordulhat, hogy ezek a felhasználási esetek nem illeszkednek jól az üzleti céljainkhoz, vagy jelentős erőforrásokat igényelhetnek a befektetés egyértelmű megtérülése nélkül.

Egy hasonló döntési fa követésével szisztematikusan rangsorolhatjuk a mesterséges intelligencia használati eseteit a szervezetünk egyedi kritériumai és küszöbértékei alapján, így biztosítva, hogy a leginkább hatásos és megvalósítható kezdeményezésekre összpontosítunk.

4. Megfelelő AI eszközök és  technológiák kiválasztása

A megfelelő AI eszközök és technológiák átalakíthatják a lean gyártási műveleteket, lehetővé téve a hatékonyság optimalizálását, a minőség javítását és a mélyebb betekintést. Az egyes mesterséges intelligencia eszközök és technológiák mérlegelésénél győződjünk meg róla, hogy azok alkalmazhatók a korábban azonosított használati esetekre. A figyelembe veendő tényezők közé tartozik a szükséges adatok elérhetősége, a követelmények bonyolultsága, a költségvetési korlátok, valamint a házon belüli szakértelem. Ha még csak most ismerkedünk a mesterséges intelligenciával, érdemes megfontolni a felhőalapú AI-szolgáltatások használatát a zökkenőmentes és skálázható megközelítés érdekében.

4.1. Gépi tanulási platformok (Machine Learning)
  • TensorFlow [5]: Nyílt forráskódú platform gépi tanulási modellek fejlesztéséhez és bevezetéséhez; ideális komplex AI-modellek építéséhez és betanításához.
  • PyTorch [6]: Egy másik népszerű nyílt forráskódú platform, amely különösen alkalmas természetes nyelvi feldolgozásra (NLP) és számítógépes látási feladatokra.
  • AWS SageMaker [7]: Az Amazon Web Services által felügyelt mesterséges intelligencia szolgáltatás, amely átfogó eszközkészletet biztosít az AI-modellek építéséhez, betanításához és telepítéséhez.
  • Vertex AI [8]: Egységes mesterséges intelligencia platform, amely átfogó eszközkészletet kínál az AI-modellek építéséhez, betanításához és telepítéséhez. A Google Cloud AI Platform és a Google Cloud Machine Learning Engine funkcióit egyaránt tartalmazza, így hatékonyabb és rugalmasabb platform az AI fejlesztéséhez.
4.2. Számítógépes látási megoldások (Computer Vision)
  • OpenCV [9]: Erőteljes nyílt forráskódú számítógépes látás könyvtár kép- és videó feldolgozáshoz. Különösen hasznos olyan feladatokhoz, mint a hibaészlelés és az objektum felismerés.
  • Custom Vision [10]: A Microsoft Azure felhő alapú számítógépes látás szolgáltatása, amely leegyszerűsíti a kép- és videó elemzést.
  • Google Cloud Vision API [11]: Felhőalapú látás API, amely számos funkciót kínál, beleértve a kép címkézést, az objektum észlelést és a szövegfelismerést.
4.3. IoT platformok
  • Azure IoT Hub [12]: A Microsoft Azure méretezhető IoT üzenetkezelési és adatfeldolgozási szolgáltatása, amely lehetővé teszi a valós idejű adatgyűjtést a csatlakoztatott eszközökről.
  • AWS IoT Core [13]: Az Amazon Web Services által felügyelt IoT-szolgáltatás, amely leegyszerűsíti az eszközkezelést, az adatfeldolgozást és az üzenetkezelést.
  • IBM Watson IoT Platform [14] : Az IBM átfogó IoT platformja, amely funkciók széles skáláját kínálja az eszközök csatlakoztatásához, az adatok kezeléséhez és a mesterséges intelligencia által vezérelt betekintések lehetővé tételéhez.

A fenti és más mesterséges intelligencia eszközök és technológiák nagyobb hatékonyságot, jobb minőséget és mélyebb betekintést nyújthatnak a lean gyártás területén, de döntéshozatal előtt mindig fontos megbizonyosodni róla, hogy a legfrissebb információkkal rendelkezünk őket illetően. 

5. Az EU által jóváhagyott mesterséges intelligencia eszközök és keretrendszerek

Az Európai Unió (EU) továbbra is kulcsszerepet játszik a mesterséges intelligencia felelős fejlesztésének és elfogadásának alakításában, megerősítve az adatvédelem, az etikai megfontolások és az átláthatóság jelentőségét a mesterséges intelligencia rendszerekben. Az Európai Parlament és a Tanács a mesterséges intelligenciáról szóló törvényről (AI-törvény) 2023. december 9-én jutott politikai megállapodásra. Ursula von der Leyen, az Európai Bizottság elnöke megjegyezte, hogy „Az EU mesterséges intelligenciáról szóló törvénye az első mesterséges intelligenciára vonatkozó átfogó jogi keret világszerte”, és azáltal, hogy a szabályozást az azonosítható kockázatokra összpontosítja, elősegíti a felelősségteljes innovációt, és „jelentősen hozzájárul az emberközpontú mesterséges intelligencia globális szabályainak és elveinek kidolgozásához” [15].

A lean vállalatoknak előnyére válhat az EU által jóváhagyott mesterséges intelligencia eszközök és keretrendszerek megismerése, amelyeket úgy alakítottak ki, hogy megfeleljenek a felelős mesterséges intelligenciára vonatkozó uniós elveknek, biztosítva, hogy az alkalmazásra kiválasztott AI modellek megfelelnek az EU szabályozásainak, és összhangban állnak az etikai szempontokkal. Az ezekkel kapcsolatos további információkért célszerű megfontolni az MI-egyezményhez [16] vagy az Európai AI Szövetséghez [17] való csatlakozást.

6. Oktatási átalakulás a mesterséges intelligencia elfogadásához

Amint láthattuk, a mesterséges intelligencia lean gyártásban való alkalmazásával kapcsolatos teendőnk nem merül ki a használati esetek priorizálásával és a megfelelő eszközök kiválasztásával. A gyakran figyelmen kívül hagyott kritikus összetevő az emberi tényező – a képzett munkaerő, amely nemcsak használni tudja az AI technológiákat, hanem fejlődni is tud azokkal. Utunk következő szakasza ezért a mesterséges intelligenciával kapcsolatos képességek és kompetenciák szervezeten belüli fejlesztésére összpontosít.

6.1. Az AI-kompetenciához szükséges oktatási igények felmérése

Első lépésként meg kell ismernünk a szervezeten belüli jelenlegi készségszinteket és tudásbeli hiányosságokat a mesterséges intelligenciával kapcsolatban. Ezt kérdőívek, interjúk és készségfelmérések segítségével érhetjük eli. A hatékony oktatási program megtervezéséhez kulcsfontosságú annak megértése, hogy csapatunk hol tart a mesterséges intelligencia elfogadása és ismeretei tekintetében, és mit kell tanulniuk.

6.2. Személyre szabott tanulási lehetőségek

Az értékelés alapján alakítsunk ki testreszabott tanulási útvonalakat a szervezeten belüli különböző szerepkörök számára. Például az operátoroknak alapvető mesterséges intelligencia-tanfolyamokra lehet szükségük, míg a mérnököknek továbbképzésre a mesterséges intelligencia alkalmazására és karbantartására vonatkozóan. Ezeknek a tanulási terveknek rugalmasnak kell lenniük, hogy az egyéni tanulási sebességhez és stílushoz igazíthatók legyenek.

6.3. AI tanulás mint napi teendő

Integráljuk a tanulást a napi munkarutinba. Ez munkahelyi képzéssel, mentorprogramokkal és valós idejű tanulási modulokkal érhető el. A mesterséges intelligenciát alkalmazó eszközök azonnali visszajelzést és tanulási tippeket is adhatnak, amikor a munkatársak használják az új technológiákat.

6.4. Együttműködések és partnerségek

Hozzunk létre együttműködést oktatási intézményekkel, mesterséges intelligencia szakértőkkel és technológiai szolgáltatókkal, hogy lépést tudjunk tartani a legújabb fejlesztésekkel, és külső szakértelmet vonhassunk be a képzési programjainkba. Ez nemcsak javítja a tanulást, hanem segít a hálózatépítésben és az AI közösséggel való kapcsolattartásban is.

6.5. Folyamatos tanulás és fejlődés

A folyamatos tanulás és fejlődés kultúrájának előmozdítása érdekében ösztönözzük a munkatársakat készségeik és ismereteik rendszeres frissítésére. Ugyanakkor biztosítsunk platformokat is a tanulságok és jó gyakorlatok megosztására a szervezeten belül.

Az ezekre az oktatási szempontokra való összpontosítás megteremti az alapot a mesterséges intelligencia elfogadásához és a vele való fejlődéshez. Ez a megközelítés nem csak a jelenlegi igényeket elégíti ki, hanem felkészíti a munkaerőt a mesterséges intelligencia jövőbeli fejlődésére.

A következő két cikkemben ezen oktatási stratégiák sajátosságaiba fogok mélyebben beleásni, bemutatva, hogyan játszanak kulcsszerepet a lean műveletek sikeres AI-integrációjában. Valós példákat, bevált gyakorlatokat és innovatív megközelítéseket igyekszem feltárni, a munkahelyi mesterséges intelligencia oktatás elősegítése érdekében.

Hivatkozások

 

[1] Forbes. (2022, September 29). Tesla: A History Of Innovation (and Headaches) [Online]. Available: https://www.forbes.com/sites/qai/2022/09/29/tesla-a-history-of-innovation-and-headaches/

[2] S. Gibbs. (2018, April 16).  “Elon Musk drafts in humans after robots slow down Tesla Model 3 production”. The Guardian [Online]. Available: https://www.theguardian.com/technology/2018/apr/16/elon-musk-humans-robots-slow-down-tesla-model-3-production

[3] Robotics Tomorrow. [Online]. Available: https://www.roboticstomorrow.com/article/2022/06/2022-top-article-how-tesla-used-robotics-to-survive-production-hell-and-became-the-worlds-most-advanced-car-manufacturer/18908

[4] F. Candelon, B. Ding and S. M. Ha. (2022, April 1). What do Starbucks, Tesla, and John Deere have in common? They’ve used A.I. to reinvent their businesses. Fortune [Online]. Available: https://fortune.com/2022/04/01/ai-artificial-intelligence-starbucks-tesla-reinvention/

[5] TensorFlow. [Online]. Available: https://www.tensorflow.org/

[6] PyTorch. [Online]. Available: https://pytorch.org/

[7] AWS SageMaker. [Online]. Available: https://aws.amazon.com/pm/sagemaker/

[8] Vertex AI. [Online]. Available: https://cloud.google.com/vertex-ai?hl=en

[9] OpenCV: Open Computer Vision Library. [Online]. Available: https://opencv.org/

[10] Custom Vision: Visual Intelligence Made Easy. [Online]. Available: https://www.customvision.ai/

[11] Google Cloud Vision API. [Online]. Available: https://cloud.google.com/vision/docs

[12] Azure IoT Hub: Connect, monitor, and manage billions of IoT assets. [Online]. Available: https://azure.microsoft.com/en-us/products/iot-hub

[13] AWS IoT Core: Easily and securely connect devices to the cloud. [Online]. Available: https://aws.amazon.com/iot-core/

[14] IBM Watson IoT Platform. [Online]. Available: https://internetofthings.ibmcloud.com/

[15] European Commission (2023, Dec. 9). Commission welcomes political agreement on Artificial Intelligence Act [Online]. Available: https://ec.europa.eu/commission/presscorner/detail/en/ip_23_6473

[16] AI Pact (2023, Nov. 15). [Online]. Available: https://digital-strategy.ec.europa.eu/en/policies/ai-pact

[17] European AI Alliance. Trustworthy AI in Practice [Online]. Available: https://futurium.ec.europa.eu/en/european-ai-alliance/best-practices

Iren Bencze
Idealist Thinker / Perfectionist Doer
AI-Enhanced Learning & Development Specialist
https://www.linkedin.com/in/irenbencze

Csatlakozz hozzánk!

Kérdezz az életeddel, munkáddal vagy lelki fejlődéseddel kapcsolatban és találj mentorodra!
Segíts tapasztalatoddal, gondolataiddal és járulj hozzá a közösségi gondolkodáshoz!