اس کا مطلب یہ ہے کہ اے آئی لہر کے تحت ، مینوفیکچرنگ انڈسٹری کو "نئے سرے سے" کی دہلیز پر کھڑے ہوکر گہری بیٹھی ساختی چیلنجوں اور تبدیلی کے دباؤ کا سامنا ہے۔
ایک طرف ، عالمی صنعتی سلسلہ اپنی تعمیر نو کو تیز کررہا ہے ، مزدوری کی ایک ساختی کمی ہے ، اور معیار اور کارکردگی کے دوہری دباؤ تیزی سے ابھر رہے ہیں۔ دوسری طرف ، مصنوعی ذہانت ہر لنک کو تحقیق اور ترقی سے لے کر غیر معمولی رفتار سے سپلائی چین کی پیداوار سے گھس رہی ہے ، جو مینوفیکچرنگ کی اعلی معیار کی ترقی کو ایک نیا متغیر بنا رہی ہے۔
اس پس منظر کے خلاف ، مینوفیکچرنگ اب AI ایپلی کیشنز کا پیروکار نہیں ہے بلکہ ان کے نفاذ کے لئے اہم میدان جنگ اور انجن ہے۔
تاہم ، مصنوعی ذہانت کے ذریعہ مینوفیکچرنگ کی بااختیار بنانا محض کارکردگی کو بڑھانا اور اخراجات کو کم کرنا نہیں ہے۔ یہ منطقی ڈھانچے ، تنظیمی طریقوں ، اور مینوفیکچرنگ سسٹم کی حکمرانی کی صلاحیتوں پر زیادہ گہرا اثر ڈالتا ہے ، جس سے مینوفیکچرنگ انڈسٹری کے ارتقا کو عمل سے چلنے والے ڈیٹا سے چلنے والی ، آٹومیشن سے لے کر انٹلیجنس تک ، اور انسانی کنٹرول والے نظام سے لے کر انسانی مشینوں کے تعاون تک فروغ ملتا ہے۔
لہذا ، اے آئی ٹکنالوجی کا سرایت مینوفیکچرنگ انڈسٹری کی "نئی وضاحت" شروع کر رہا ہے۔
اس مضمون میں "مصنوعی ذہانت + مینوفیکچرنگ" کے انضمام کے رجحان پر توجہ دی جائے گی ، اور اسے متعدد جہتوں جیسے عمل درآمد کے راستے ، عام ایپلی کیشنز ، کلیدی چیلنجوں اور تنظیمی صلاحیتوں سے توڑ دیا جائے گا۔ اس سے یہ معلوم ہوگا کہ کس طرح اے آئی کو مینوفیکچرنگ سسٹم کی پرت میں تاثر ، کنٹرول ، عمل درآمد ، فیصلہ سازی کے عمل سے لے کر سرایت کیا جاسکتا ہے ، اس طرح مینوفیکچرنگ انٹرپرائزز کو فروغ دینے کے لئے زیادہ لچکدار ، اعلی معیار اور زیادہ لچکدار مستقبل کی طرف بڑھتا ہے۔
"مصنوعی ذہانت + مینوفیکچرنگ" کا نفاذ کا راستہ: تاثر سے فیصلہ سازی تک پانچ تکرار
"مصنوعی ذہانت + مینوفیکچرنگ" کے گہرے انضمام کی ترقی کے ساتھ ، مینوفیکچرنگ سسٹم کا بنیادی فن تعمیر ایک پرسکون اور گہری تعمیر نو سے گزر رہا ہے۔
روایتی مینوفیکچرنگ سسٹم نے طویل عرصے سے "تاثر - کنٹرول - عمل - آپریشن - فیصلہ سازی" کے ایک الگ درجہ بندی کو اپنایا ہے: سینسر ڈیٹا اکٹھا کرتے ہیں اور اسے کنٹرول سسٹم میں اپ لوڈ کرتے ہیں ، ہدایات پر عمل درآمد یونٹ چلاتے ہیں ، آٹومیشن سسٹم عمل کا انتظام کرتا ہے ، اور وقتا فوقتا اعداد و شمار کے تجزیے کی بنیاد پر فیصلہ سازی کی سطح کے منصوبے اور ایڈجسٹ۔
اس ٹاپ ڈاون ، مرکزی طور پر کنٹرول شدہ لکیری فن تعمیر نے ایک بار بڑے پیمانے پر اور معیاری صنعتی پیداوار کی حمایت کی۔ تاہم ، آج کل بڑھتے ہوئے پیچیدہ ، متحرک اور بدلنے والے مینوفیکچرنگ ماحول میں ، اس کی حدود تیزی سے نمایاں ہوگئیں۔
آج ، مینوفیکچرنگ انڈسٹری ایک درجہ بندی کے فن تعمیر سے ایک ایسے نظام کی تعمیر نو میں آگے بڑھ رہی ہے جو پلیٹ فارم پر مبنی ، مربوط اور وکندریقرت ہے۔ تاثر ، کنٹرول ، عمل درآمد ، آپریشن اور فیصلہ سازی اب الگ الگ نظام نہیں ہے بلکہ ہم آہنگی میں کام کرتی ہے ، حقیقی وقت میں بات چیت کرتی ہے اور ایک متحد تکنیکی پلیٹ فارم پر ذہین بند لوپ تشکیل دیتی ہے۔
اس فن تعمیر میں ، مصنوعی ذہانت کی صلاحیتوں کو اب کسی خاص لنک میں داخل نہیں کیا جاتا ہے ، لیکن پورے مینوفیکچرنگ نیٹ ورک کے اعصابی مرکز میں گہرائی سے سرایت کیا جاتا ہے ، جو سسٹم انٹیلیجنس کی مدد کے طور پر کام کرتا ہے۔
یہ نمونہ شفٹ مینوفیکچرنگ میں اے آئی کے اطلاق کے لئے پانچ تکراری راستوں کا خاکہ بھی تیار کرتا ہے:
تاثر تکرار: "دیکھنے کے قابل ہونے سے" "سمجھنے کے قابل"
مینوفیکچرنگ کا پہلا مرحلہ تاثر سے شروع ہوتا ہے۔ اے آئی ویڈیو تجزیہ ، ذہین سینسرز ، اور چیزوں کے صنعتی انٹرنیٹ کی ترقی کے ساتھ ، مینوفیکچرنگ سائٹس کی "آنکھیں" زیادہ شدید اور بصیرت بن چکی ہیں۔
AI- قابل ویڈیو تجزیہ نظام خود بخود پروڈکشن کی بے ضابطگیوں کی نشاندہی کرسکتا ہے ، غلطی کی انتباہ جاری کرسکتا ہے ، اور اشیاء کی حیثیت کو تبدیل کرسکتا ہے ، جس سے روایتی حکمرانی پر مبنی الگورتھم کی حدود کو پورا کیا جاسکتا ہے۔ اعداد و شمار کے حصول کے اختتام پر ، سینسر نہ صرف ڈیٹا اکٹھا کرتے ہیں بلکہ ابتدائی تجزیہ اور ایونٹ کو ایج AI کے ذریعے متحرک کرتے ہیں ، جو بعد کے کنٹرول اور عملدرآمد کے لئے حقیقی وقت کی بنیاد فراہم کرتے ہیں۔ تاثرات کی پرت میں اضافہ مینوفیکچرنگ سسٹم میں AI کے جامع انضمام کے لئے نقطہ آغاز کی نشاندہی کرتا ہے۔
2. کنٹرول تکرار: "رول کنٹرول" سے "ذہین نسل" تک
کنٹرول سسٹم کی ذہانت صنعتی کنٹرول کی منطق کو دوبارہ لکھ رہی ہے۔ سافٹ ویئر سے طے شدہ آٹومیشن (ایس ڈی اے) کے ذریعہ نمائندگی کرنے والے صنعتی کنٹرول سسٹم کی نئی نسل نے بند ڈھانچے کو توڑ دیا ہے جہاں ہارڈ ویئر اور پروگرامنگ روایتی کنٹرول سسٹم میں پابند ہیں ، اور ایک کھلا ، ماڈیولر اور قابل تشکیل کنٹرول پلیٹ فارم تعمیر کیا ہے۔
اس بنیاد پر ، اے آئی اسسٹنٹ ٹولز کے تعارف نے پی ایل سی پروگرامنگ کو اب کوئی ایسا کام نہیں بنایا ہے جو انجینئر تنہا مکمل کرسکیں۔ قدرتی زبان کے ذریعہ کنٹرول کے مقاصد کو بیان کرنے سے ، اے آئی خود بخود کنٹرول منطق ، فلوچارٹس ، معنوی تشریحات ، اور حتی کہ ڈیبگنگ اور توثیق کا انعقاد کرسکتا ہے ، انسانی تحریری ضابطہ سے انسانی مشین کی شریک تحریر تک ایک چھلانگ حاصل کرسکتا ہے ، اور اس طرح کنٹرول سسٹم کی ترقی کی کارکردگی اور تکراری صلاحیتوں کو بڑھا سکتا ہے۔
3. پھانسی کی تکرار: "آٹومیشن" سے "ذہین ہم آہنگی" تک
مینوفیکچرنگ پر عمل درآمد کی سطح پر بھی تبدیلیاں ہو رہی ہیں۔ اے آئی اور صنعتی روبوٹ کا گہرا انضمام تاثر ، فیصلے اور عملدرآمد کی صلاحیتوں کے ساتھ "صنعتی ذہین اداروں" کے قیام کو فروغ دیتا ہے۔
اے آئی کے ذریعہ کارفرما روبوٹ نہ صرف بار بار کام انجام دے سکتے ہیں ، بلکہ انکولی راستے کی منصوبہ بندی ، اصل وقت کے بصری پہچان اور ملٹی مشین کے تعاون سے متعلق نظام الاوقات بھی حاصل کرسکتے ہیں۔ ڈیجیٹل جڑواں اور نقلی پلیٹ فارم کے ذریعے ، روبوٹ تعیناتی سے پہلے ورچوئل ماحول میں تربیت اور توثیق کو مکمل کرسکتے ہیں ، جس سے آن لائن سائیکل کو بہت حد تک کم کیا جاسکتا ہے۔ تب سے ، تخلیق کردہ "ہاتھ پیر" اب محض ہدایات پر عملدرآمد کرنے کے لئے نہیں تھے ، بلکہ فیصلے کی صلاحیتوں کے حامل ذہین پھانسی دینے والے تھے۔
4. آپریشنل تکرار: "ریکارڈ مینجمنٹ" سے "پیش گوئی کی اصلاح" تک
اے آئی کے تعارف کی وجہ سے مینوفیکچرنگ پروسیس مینجمنٹ سسٹم کی بھی جامع تنظیم نو کی گئی ہے۔ مصنوعی ذہانت بنیادی پروڈکشن پروسیس پلیٹ فارمز جیسے MES اور آلات کے انتظام کے نظام میں اپنے انضمام کو تیز کررہی ہے ، جو مینوفیکچرنگ کی اصلاح کے لئے ذہین انجن بن رہی ہے۔
اے آئی سامان کے آپریشن ڈیٹا کا نمونہ بنا سکتا ہے ، پیشگی طور پر ممکنہ خرابیوں کی نشاندہی کرسکتا ہے اور پیش گوئی کی بحالی حاصل کرسکتا ہے۔ ریئل ٹائم ڈیٹا اسٹریم تجزیہ کے ذریعے OEE کی کارکردگی کو بہتر بنائیں۔ کوالٹی مینجمنٹ میں ، AI کو عیب نمونوں اور جڑوں کی وجوہات کی نشاندہی کرنے کے لئے استعمال کیا جاتا ہے ، اس طرح مصنوعات کی مستقل مزاجی اور تعمیل میں اضافہ ہوتا ہے۔ مینوفیکچرنگ پروسیس مینجمنٹ رد عمل کے کنٹرول سے پیش گوئی کرنے والے آپریشن کی طرف بڑھ رہی ہے ، عمل کی سطح ، ڈیٹا سے چلنے والی ذہین اصلاح کو حاصل کرتی ہے۔
5. فیصلہ تکرار: "متواتر وقفہ تجزیہ" سے "ریئل ٹائم ذہین فیصلہ سازی" تک
مینوفیکچرنگ انٹرپرائزز کے فیصلہ سازی میں بھی ذہین تبدیلی آرہی ہے۔ اے آئی آہستہ آہستہ اعلی پیچیدگی کے فیصلہ سازی کے کاموں جیسے پیداوار کے نظام الاوقات ، انوینٹری تخروپن ، اور معیار کی پیش گوئی میں مدد کرنے کی صلاحیت حاصل کرے گا۔
اے آئی ماڈلز کی مدد سے ، کاروباری ادارے مختلف پیداوار کے نظام الاوقات کی حکمت عملیوں کے وسائل کے قبضے اور ترسیل کے امکانات کا فوری اندازہ کرنے کے لئے منظرنامے کے نقوش انجام دے سکتے ہیں۔ تاریخی اور اصل وقت کے اعداد و شمار کا امتزاج کرتے ہوئے ، AI معیار کے اتار چڑھاو کے رجحان کی پیش گوئی کرسکتا ہے اور پہلے سے عمل کے پیرامیٹرز کو ایڈجسٹ کرسکتا ہے۔ انوینٹری مینجمنٹ میں ، AI انوینٹری ٹرن اوور کی کارکردگی کو بڑھانے کے لئے متحرک طور پر دوبارہ ادائیگی کی حکمت عملی کی سفارش کرسکتا ہے۔ مینوفیکچرنگ کے فیصلے ردعمل سے پیچھے رہ جانے والی بصیرت کی طرف بدل گئے ہیں ، جو انٹرپرائز کی چستی اور لچک کے لئے کلیدی تعاون بن گئے ہیں۔
ان پانچ چھلانگوں کے دوران ، ہم نے مشاہدہ کیا ہے کہ مصنوعی ذہانت اب کوئی بیرونی ٹول نہیں ہے بلکہ مینوفیکچرنگ سسٹم کے اندر ایک ذہین عنصر ہے۔ یہ روایتی حدود سے بالاتر ہے ، ہر سطح اور ہر نوڈ میں ضم ہوتا ہے ، اور تیاری کے نظام کو درجہ بندی کے کنٹرول سے ذہین تعاون تک ، اور مقامی اصلاح سے لے کر سسٹم انٹلیجنس تک فروغ دیتا ہے۔
یہ منظم تعمیر نو خاص طور پر "مصنوعی ذہانت + مینوفیکچرنگ" کا جوہر ہے۔
"مصنوعی ذہانت +" دور میں تنظیموں کی تیاری کے لئے کس نظام کی صلاحیتوں کی ضرورت ہے؟
مصنوعی ذہانت کی تیز رفتار ترقی کے موجودہ دور میں ، ایک سوال جس پر بار بار تبادلہ خیال کیا گیا ہے وہ یہ ہے کہ کیا اے آئی انسانوں کی جگہ لے لے گی؟ مینوفیکچرنگ انڈسٹری میں ، یہ مسئلہ خاص طور پر حساس ہے۔
ماضی میں ، آٹومیشن میں ہر چھلانگ کو "انسانوں کی جگہ لینے والی مشینوں" کے رجحان کے ساتھ لگتا تھا۔ تاہم ، آج کی مصنوعی ذہانت ، خاص طور پر مینوفیکچرنگ کے منظرناموں میں اس کا اطلاق کا راستہ ، ہمیں ایک قطعی جواب دے رہا ہے: اے آئی کو لوگوں کی تعداد کو کم کرنے کے لئے ڈیزائن نہیں کیا گیا ہے ، بلکہ ان کو بڑھانے کے لئے تیار کیا گیا ہے۔
ذہین مینوفیکچرنگ میں زیادہ سے زیادہ لوگوں کی ضرورت ہوتی ہے ، کم نہیں۔
اس کا مطلب یہ ہے کہ اے آئی کی وسیع اطلاق نے چھٹ .یوں کی لہر کا باعث نہیں بنایا ہے۔ اس کے بجائے ، اس نے نئی مہارتوں اور ورسٹائل صلاحیتوں کی مضبوط مانگ کو جنم دیا ہے۔
ماضی میں ، اے آئی کو ایک ٹول کے طور پر زیادہ سمجھا جاتا تھا: پتہ لگانے ، ڈیٹا تجزیہ ، اور رپورٹ جنریشن میں مدد کے لئے استعمال کیا جاتا تھا۔ آج کل ، پیش گوئی کی بحالی ، کوالٹی کنٹرول ، پیداوار کے نظام الاوقات اور دیگر لنکس میں اے آئی ماڈلز کے دخول کے ساتھ ، وہ آہستہ آہستہ معاون ججوں سے شریک فیصلہ سازوں تک تیار ہورہے ہیں۔
اس ارتقاء نے نہ صرف ٹکنالوجی کے کردار کو تبدیل کیا ہے بلکہ تنظیمی ڈھانچے کو بھی نئی شکل دی ہے۔ مینوفیکچرنگ انٹرپرائزز "انسانی فیصلہ سازی اور AI امداد" کے یکطرفہ تعلقات سے "ہیومن مشین کے شریک فیصلہ سازی" کے دو طرفہ باہمی تعاون کے ساتھ منتقل ہو رہے ہیں۔ اے آئی اب بیک اینڈ ٹول نہیں ہے بلکہ ایک ذہین عنصر کاروباری عمل میں سرایت کرتا ہے ، عمل کے ارتقا میں حصہ لے رہا ہے ، اور عمل کو متحرک کرنے کے عمل کو متحرک کرتا ہے۔
اس کا یہ مطلب بھی ہے کہ صلاحیتوں کے لئے کاروباری اداروں کی ضروریات کو ایک گتاتمک تبدیلی سے گزر رہا ہے: انہیں نہ صرف انجینئرز کی ضرورت ہے جو AI کو سمجھتے ہیں ، بلکہ AI صلاحیتوں کو بھی جو مینوفیکچرنگ کو سمجھتے ہیں۔ سرحد پار کی صلاحیتوں ، سسٹم کی سوچ اور کاروباری تفہیم کے حامل اے آئی جنرل کسی تنظیم کی ذہین تبدیلی کے لئے کلیدی تعاون بن جائیں گے۔
اگر اے آئی ذہین مینوفیکچرنگ کا "دماغ" ہے ، تو تنظیمی صلاحیت اس کے لئے فیصلہ کن عنصر ہے کہ آیا یہ "جسم" لچکدار ، مضبوط اور پائیدار ہے۔ اے آئی دور میں داخل ہونے کے بعد ، مینوفیکچرنگ انٹرپرائزز کو نہ صرف الگورتھم اور ٹولز متعارف کرانے کی ضرورت ہے ، بلکہ ایک منظم صلاحیت کا فریم ورک بھی تیار کرنا ہے جو اے آئی کے نفاذ ، نمو اور توسیع کی حمایت کرتا ہے۔ اس کے کلیدی طول و عرض میں شامل ہیں:
اسٹریٹجک صلاحیت: AI محض ایک "آئی ٹی پروجیکٹ" نہیں ہے ، بلکہ ایک "عام آپریشن" ہے۔
جب بہت سارے کاروباری ادارے "مصنوعی ذہانت + مینوفیکچرنگ" کو فروغ دیتے ہیں تو ، وہ اسے ایک دفعہ معلومات کو اپ گریڈ سمجھتے ہیں اور برتری حاصل کرنے کے لئے اسے محکمہ آئی ٹی پر چھوڑ دیتے ہیں۔ یہ نقطہ نظر اکثر اے آئی پروجیکٹس کا باعث بنتا ہے جس کی شروعات اعلی لیکن کم ہوتی ہے ، کامیاب پائلٹ پروجیکٹس اور ناکام نقل کے ساتھ۔
ذہین مینوفیکچرنگ میں ایک حقیقی تبدیلی کے لئے AI کے بارے میں بنیادی اسٹریٹجک وسائل کی ضرورت ہوتی ہے کیونکہ کاروباری آپریشن ماڈل کی تبدیلی کو آگے بڑھانا۔ AI کو کاروباری کارروائیوں سے آزادانہ طور پر موجود نہیں ہونا چاہئے لیکن اسے بنیادی عمل جیسے پیداوار ، کوالٹی کنٹرول ، سپلائی چین مینجمنٹ ، اور توانائی کے انتظام میں گہری مربوط کیا جانا چاہئے۔ "بزنس کرشن + ٹکنالوجی ڈرائیو" کا ڈوئل وہیل ماڈل بنانے کے لئے کاروباری حکمت عملی کے ساتھ AI کی حکمت عملی کو گہری مربوط کیا جانا چاہئے۔
2. ٹیلنٹ کی صلاحیتیں: "AI انجینئرز + کاروباری ماہرین" کے ایک جامع ایکیلون بنائیں
ٹیلنٹ ڈھانچے کی اصلاح AI کے نفاذ کے لئے شرط ہے۔ ایک طرف ، انٹرپرائزز کو AI الگورتھم کی صلاحیتوں اور ڈیٹا ماڈلنگ کی صلاحیتوں کے حامل انجینئرز کی ضرورت ہے ، جو مینوفیکچرنگ ڈیٹا کی ساخت ، خصوصیات اور شور کو سمجھ سکتے ہیں۔ دوسری طرف ، یہ ماہرین مینوفیکچرنگ ماہرین کے لئے بھی زیادہ ضروری ہے جو کاروبار ، عمل اور آپریشن کو AI پروجیکٹس میں حصہ لینے کے ل communted سمجھتے ہیں ، اپنے تجربے کو واضح اور علم کا ڈھانچہ بناتے ہیں ، تاکہ اے آئی ماڈل حقیقی دنیا کے مسائل کے قریب ہوں۔
انجینئرنگ کی زبان اور کاروباری زبان دونوں کے ساتھ دو لسانی صلاحیتیں مستقبل میں تیاری کے کاروباری اداروں کے لئے ایک ناگزیر بیک بون فورس ہوگی۔
3. تنظیمی ڈھانچہ: اے آئی مڈل پلیٹ فارم اور کاروباری کارروائیوں کی باہمی تعمیر کو فروغ دیں
اے آئی پروجیکٹس اکثر بکھرے ہوئے اور بڑے پیمانے پر نقل تیار کرنا مشکل ہوتے ہیں۔ بنیادی وجہ متحد ڈیٹا اور ماڈل فاؤنڈیشن کی کمی میں ہے۔ اس مقصد کے لئے ، کاروباری اداروں کو "پلیٹ فارم + منظر نامے" کے دو درجے کے فن تعمیر کی تشکیل کے لئے بنیادی الگورتھم کی صلاحیتوں ، ڈیٹا گورننس کی صلاحیتوں اور کاروباری عمل کو مربوط کرنے کے ساتھ ، دوبارہ پریوست کے ساتھ AI اور ڈیٹا مڈل پلیٹ فارم بنانے کی ضرورت ہے۔
تنظیمی طور پر ، یہ بھی ضروری ہے کہ آئی ٹی اور او ٹی ، آر اینڈ ڈی اور مینوفیکچرنگ ، ہیڈ کوارٹر اور سائٹ کے مابین رکاوٹوں کو ختم کرنے کے لئے کراس ڈیپارٹمنٹل اے آئی ایپلیکیشن کمیٹیاں یا ڈیجیٹل آپریشن ٹیمیں قائم کریں ، اور ایک شریک تخلیق کا ماڈل حاصل کریں جہاں فرنٹ لائن سے مسائل اٹھائے جاتے ہیں اور پلیٹ فارم کے ذریعہ حل فراہم کیے جاتے ہیں۔
4. نفاذ کا راستہ: پائلٹ پروجیکٹس سے لے کر مکمل چین کی تعیناتی تک
تحقیقی رپورٹ میں تجویز کردہ ذہین مینوفیکچرنگ ٹرانسفارمیشن راہ کے مطابق ، کاروباری اداروں کو AI پروجیکٹس کی تعیناتی کرتے وقت فرتیلی آغاز ، تیز رفتار تکرار اور مسلسل توسیع کے آٹھ قدمی طریقہ کار پر عمل کرنا چاہئے ، جیسا کہ مذکورہ اعداد و شمار میں دکھایا گیا ہے۔
اس راستے پر زور دیا گیا ہے کہ اے آئی کا اطلاق حد سے زیادہ مہتواکانکشی اور جامع نہیں ہونا چاہئے۔ اس کے بجائے ، اس کو چھوٹے لیکن تیز رفتار اقدامات کرنا چاہئے ، کام کرکے سیکھنا چاہئے ، اور آہستہ آہستہ "مقامی انٹیلیجنس" سے "سسٹم انٹیلیجنس" تک سرپل چھلانگ حاصل کرنے کے لئے تیار ہونا چاہئے۔
اے آئی کی اصل قدر انسانوں کی جگہ لینے میں نہیں ہے ، بلکہ ایک ہوشیار ، زیادہ فرتیلی اور زیادہ تیار شدہ مینوفیکچرنگ تنظیم کی تشکیل میں ہے۔ یہ تنظیموں کو قابل بناتا ہے کہ وہ تجربے سے چلنے والے ڈیٹا سے چلنے والی ، اور عمل کی سختی سے ذہین لچک کی طرف منتقل ہوجائے ، بالآخر انسانی مشین کے تعاون پر مبنی ایک ذہین شریک تخلیق کا نظام تشکیل دے گا۔
آئندہ مینوفیکچرنگ انڈسٹری میں مقابلہ اب سامان اور پیداواری صلاحیت کا مقابلہ نہیں ہوگا ، بلکہ علمی قابلیت ، تنظیمی قابلیت اور ذہین صلاحیتوں کا مقابلہ ہوگا۔ اے آئی اختتام نہیں بلکہ ایک نئی صنعتی تہذیب کا نقطہ آغاز ہے۔
ڈیٹا اور ماڈل: ماسٹر کرنے کے لئے انتہائی مشکل "مصنوعی ذہانت + مینوفیکچرنگ" ڈوئل انجن
جب "ڈیٹا" اور "ماڈل" بیک وقت موثر انداز میں کام کرتے ہیں تو اے آئی انجن ذہین مینوفیکچرنگ سسٹم کے مستقل ارتقا کو صحیح معنوں میں چلا سکتا ہے۔
تاہم ، "مصنوعی ذہانت + مینوفیکچرنگ" کے عملی نفاذ میں ، کاروباری اداروں اکثر ایک علمی غلط فہمی میں پڑ جاتے ہیں: یقین رکھتے ہیں کہ جب تک اے آئی الگورتھم تعینات ہیں اور صنعتی اعداد و شمار منسلک ہیں ، ذہین فیصلہ سازی اور اصلاح کے نتائج خود بخود حاصل کیے جاسکتے ہیں۔ لیکن حقیقت یہ ہے کہ بہت سارے مینوفیکچرنگ انٹرپرائزز اے آئی پروجیکٹس میں "کامیابی کے ساتھ پائلٹ ہیں لیکن ان کی نقل تیار کرنے میں ناکام رہے ہیں" ، اور اس کی بنیادی وجہ اس حقیقت میں خاص طور پر مضمر ہے کہ اعداد و شمار اور ماڈلز کے دو بنیادی انجن واقعتا started شروع نہیں ہوئے ہیں۔
ڈیٹا چیلنج: مینوفیکچرنگ انٹرپرائزز میں "سب سے زیادہ ڈیٹا" ہے ، بلکہ "استعمال کرنے کے لئے سب سے مشکل ڈیٹا" بھی ہے۔
ڈیٹا کو استعمال کرنا مشکل کیوں ہے؟ بنیادی طور پر تین بڑی وجوہات ہیں:
اعداد و شمار فطری طور پر ناکافی اور ناہموار معیار کا ہے: صنعتی اعداد و شمار کی ایک بڑی مقدار میں شور ، گمشدہ ڈیٹا ، اور متفاوت جیسے مسائل ہیں۔ گورننس میکانزم کی کمی ہے ، اور اسے ماڈل کو براہ راست "کھانا کھلانا" متضاد ہے۔
اعداد و شمار پر بعد میں زندگی میں عمل نہیں کیا جاتا ہے اور اس میں سیاق و سباق کی ساخت کا فقدان نہیں ہوتا ہے: بہت سارے کاروباری ادارے "الگ تھلگ ڈیٹا پوائنٹس" اکٹھا کرتے ہیں ، جس میں سیاق و سباق کی معلومات جیسے واقعات ، عمل اور بیچوں کی کمی ہوتی ہے ، جس کی وجہ سے ماڈل کی اس کے کاروباری الفاظ اور اس کی وجہ سے منطق کو سمجھنے میں ناکامی ہوتی ہے۔
گہرا مسئلہ اس میں ہے کہ اگرچہ مینوفیکچرنگ انٹرپرائزز کے پاس ڈیٹا موجود ہے ، لیکن ان کے پاس اعداد و شمار کو قابل استعمال علم میں تبدیل کرنے کی اہلیت کے نظام کی کمی ہے۔ یہ سافٹ ویئر کی فعالیت کے ساتھ کوئی مسئلہ نہیں ہے ، بلکہ تنظیمی طریقہ کار ، ڈیٹا سوچ اور حکمرانی کے نظام میں ایک منظم کمی ہے۔
لہذا ، مینوفیکچرنگ انڈسٹری میں ڈیٹا بہت کم نہیں بلکہ بہت بکھرے ہوئے ہے۔ ایسا نہیں ہے کہ اس کی کوئی قیمت نہیں ہے ، لیکن یہ کہ سیاق و سباق کی معلومات ناکافی ہے۔
2. ماڈل چیلنج: "عام بڑے ماڈلز" پر بھروسہ کرکے صنعتی ذہانت کو راتوں رات حاصل نہیں کیا جاسکتا۔
صنعتی اے آئی ماڈلز کو تین بڑے چیلنجوں کا سامنا کرنا پڑتا ہے:
عمل کی تفہیم کا فقدان: مینوفیکچرنگ کے عمل میں بڑی مقدار میں معلومات شامل ہوتی ہے ، جیسے تجرباتی قواعد ، جسمانی میکانزم ، اور کثیر متغیر جوڑے۔ اگر ماڈل عمل کو نہیں سمجھتا ہے تو ، یہ صرف متعلقہ پیش گوئیاں کرسکتا ہے اور جڑ کی وجہ سے تجزیہ یا عمل کی اصلاح کا کام نہیں کرسکتا ہے۔
ڈیٹا کی کمی اور لیبلنگ کی مشکلات: ای کامرس اور سوشل نیٹ ورکنگ جیسے انٹرنیٹ فیلڈز کے مقابلے میں ، صنعتی منظرناموں میں بڑے پیمانے پر اوپن سورس ڈیٹاسیٹس کی کمی ہے ، اور بہت سے غیر معمولی اعداد و شمار کو لیبل لگانا مشکل ہے ، جس کی نگرانی سیکھنے کو غیر مستحکم بناتا ہے۔
ناکافی عمومی صلاحیت اور مشکل منظر ہجرت: ایک ہی ماڈل کی کارکردگی مختلف پروڈکشن لائنوں اور آلات پر بہت مختلف ہوتی ہے۔ بنیادی صلاحیتوں کی کمی ہے جن کو ہجرت اور ٹھیک سے تیار کیا جاسکتا ہے ، جس کے نتیجے میں اے آئی کی تعیناتی کے اخراجات ، لمبے چکر اور کم آر اوآئ زیادہ ہوتا ہے۔
لہذا ، مینوفیکچرنگ انڈسٹری کو واقعی جس چیز کی ضرورت ہے وہ منظر نامے میں گہرائی والے AI ماڈل ہیں: وہ جو نہ صرف جسمانی طرز عمل اور عمل کے طریقہ کار کو سمجھ سکتے ہیں بلکہ متحرک حالات اور سازوسامان کے اختلافات کو بھی ڈھال سکتے ہیں ، جس میں نمونہ کے ایک چھوٹے سائز اور مضبوط عمومی کاری کے ساتھ صنعتی ذہانت حاصل ہے۔
یہ واضح ہے کہ مینوفیکچرنگ میں اے آئی ماڈل "بات کرنے والے ماڈل" نہیں ہیں ، بلکہ "ایسے ماڈل ہیں جو طبیعیات کو سمجھ سکتے ہیں"۔ یہ "مواد تیار کرنے کا ماڈل" نہیں ہے ، بلکہ "عمل کی تشکیل نو کا ماڈل" ہے۔
3. انتظامیہ کے چیلنجز: AI قرض لینے کے بارے میں نہیں ہے۔ صلاحیت کے نظام کی تعمیر AI کی تیاری کے لئے اصل نقطہ آغاز ہے
اعداد و شمار اور ماڈلز کے دوہری چیلنجوں کا سامنا کرتے ہوئے ، کاروباری اداروں کو ٹولز کی تعیناتی کے مرحلے پر نہیں رہ سکتے ، لیکن انہیں ایک مکمل اور پائیدار AI صلاحیت کے نظام کی تعمیر میں منتقل کرنا چاہئے۔ بنیادی تین چیزوں میں اچھی کارکردگی کا مظاہرہ کرنے میں ہے: پہلا ، ڈیٹا گورننس: "ڈیٹا اکٹھا کرنے" سے لے کر "علم پیدا کرنے" تک ؛ ii. منظر ماڈلنگ: کاروباری زبان میں مسائل کا اظہار کریں اور انہیں الگورتھمک زبان میں حل کریں۔ iii. ماڈل فائن ٹوننگ میکانزم: اس بات کو یقینی بنائیں کہ ہر ایجنٹ اپنے ہی منظر میں فٹ بیٹھتا ہے۔
اے آئی کو اپنانے کی کوئی چیز نہیں ہے۔ "مصنوعی ذہانت + مینوفیکچرنگ" کو ایک منظم منصوبے کے طور پر سمجھا جانا چاہئے۔ مینوفیکچرنگ میں مصنوعی ذہانت کے داخلے کا مطلب یہ نہیں ہے کہ یہ صرف اس وجہ سے مفید ہوجاتا ہے کہ یہ انسٹال ہے ، اور نہ ہی اس کا مطلب یہ ہے کہ یہ ذہین ہوجاتا ہے کیونکہ یہ خریدا جاتا ہے۔ یہ الگورتھم سے لے کر تنظیموں تک ڈیٹا سے ماڈل تک ایک منظم منصوبہ ہے۔
اگر کاروباری اداروں کو واقعی AI- قابل مینوفیکچرنگ کو حاصل کرنے کی امید ہے تو ، انہیں مستقبل کے لئے "ٹول پر مبنی" ذہنیت سے الگ ہونے اور "ڈیٹا کی صلاحیتوں + ماڈل کی صلاحیتوں" کا دوہری انجن نظام بنانے کی ضرورت ہے۔ صرف اس طرح سے مصنوعی ذہانت صرف مینوفیکچرنگ میں تماشائی نہیں بن سکتی ، بلکہ ایک ذہین ساتھی بن سکتی ہے جو سمجھ ، عمل اور مستقل طور پر تیار ہوسکتی ہے۔