Kecerdasan buatan tradisional yang telah berkembang selama dekade terakhir ini telah melakukan pengolahan data – mencari pola dan memberikan analisis prediktif berdasarkan probabilitas yang mungkin. Masuklah kecerdasan buatan generatif yang, di antara kemampuan-kemampuannya, memberikan akses ke prediksi dan observasi AI numerik, membuka kemungkinan untuk pertanyaan verbal yang sangat interaktif.
Generative AI membantu membuka kotak hitam AI yang dulunya sangat samar untuk berbagai fungsi perusahaan, dan bahkan dapat membantu memperkecil kesenjangan antara teknologi operasional dan informasi, kata Peter Zornio, Wakil Presiden Senior dan CTO Emerson. Saya baru saja berbicara dengan Zornio di New York, di mana dia menjelaskan bagaimana generative AI dan AI numerik mewakili dua ujung dari kontinum. Kedua variasi ini didasarkan pada model numerik dan model berbasis bahasa.
Landasan teknis dari kedua variasi AI ini sama, katanya, tetapi cara kerja dengan keduanya berbeda. “Model produksi berorientasi numerik didasarkan pada dataset angka,” jelasnya. “Model bahasa menggunakan dataset berdasarkan jutaan dokumen, gambar, dan hal lainnya.”
Sekarang, kata Zornio, dua ujung AI ini sedang konvergen, membuka ranah baru untuk aspek tradisional yang tersembunyi dari AI tradisional. “Kami melihat kedua model ini digunakan bersama,” kata Zornio. “Dalam pengaturan industri, kita akan menggunakan model berbasis bahasa sebagai cara untuk berinteraksi dengan model berbasis numerik yang sudah kita miliki. Jadi bisakah Anda membayangkan seorang operator mengatakan sesuatu seperti, ‘Hei komputer, mengapa produksi unit ini melambat? Dan apa yang bisa saya lakukan untuk menyesuaikannya?'”
Ini memiliki implikasi produktivitas dan penghematan waktu yang besar, lanjutnya. “Ini adalah cara alami untuk berinteraksi. Itulah bagaimana Anda mungkin berbicara dengan seorang ahli yang telah bekerja di perusahaan itu selama 30 tahun, bukan? Anda mungkin bertanya kepada Fred di bidang teknik: ‘Apa yang terjadi?’ Kemudian Fred akan melihat semua tren produksi, dan akhirnya dia akan kembali dan memberi tahu Anda, ‘Biasanya, ketika ini terjadi, yang terjadi adalah terjadi penyumbatan katalis, dan inilah yang perlu Anda lakukan. Anda mungkin perlu berhenti dan melakukan regenerasi.'”
Bakat manusia sangat penting, dan apa yang dilakukan Fred di bidang teknik adalah “menggunakan model yang dibangun di kepalanya dari menjalankan tempat itu selama 30 tahun,” kata Zornio. Generative AI mengambil pekerjaan itu, berinteraksi dengan AI berbasis numerik melibatkan percakapan dengan komputer sama seperti dengan insinyur ahli, menggunakan deduksi ilmiah. Ini juga mampu “melihat lima tahun terakhir operasi, mencoba menemukan skenario di mana rangkaian keadaan yang sama persis akan cocok pola dengan jejak produksi yang sangat mirip. Dan jejak itu akan mengatakan, ‘Nah, apa yang harus kita lakukan?’ Inilah yang akan dipikirkan Fred: ‘Terakhir kali ini terjadi, kita melakukan ini.'”
Akhirnya, kata Zomio, AI “akan melalui dan menemukan semua skenario yang berbeda, melihat respons, dan memberi tahu Anda: ‘Inilah tiga tindakan yang dalam masa lalu menghasilkan hasil terbaik untuk memecahkan masalah.'”
Pendekatan AI end-to-end ini menawarkan “cara yang bagus untuk membangun sistem dukungan produk, di mana Anda mengambil semua manual Anda, semua interaksi dengan staf dukungan Anda, dan memasukkannya ke dalam sistem yang kemudian dapat Anda tanyakan tentang produk,” kata Zornio.
Ada aplikasi di seluruh lini manufaktur diskret dan proses, mulai dari petrokimia hingga pembuatan mobil. Pikirkan industri pembuatan anggur, yang juga akan mendapat manfaat dari AI end-to-end, catat Zornio. Pembuat anggur dengan ladang dan tangki penyimpanan yang diawasi dengan baik dapat bertanya seperti “mengapa anggur tahun ini jauh lebih baik daripada anggur tahun lalu?” AI dapat meninjau “indikator kunci seperti suhu, kandungan gula, keasaman anggur, dan lama fermentasi. Bagaimana kondisi tanahnya? Bagaimana kondisi kelembabannya? Berapa banyak sinar matahari yang ada? Berapa banyak hujan?”
Dalam banyak hal dan di berbagai industri, AI akan bertindak sebagai asisten – dan “cara yang bagus untuk berinteraksi dan mengajukan pertanyaan pada model yang Anda miliki,” tegas Zornio. “Mereka mungkin lebih banyak dihasilkan data – dihasilkan dari data jenis numerik – tetapi Anda juga bisa melihat pembersihan seperti buku catatan operator. Karena setiap kali sesuatu terjadi, operator menuliskannya. Dan jika Anda memasukkan semua itu, maka Anda bisa bertanya: ‘Dimana ini terjadi sebelumnya dalam buku catatan operator?’ Atau ‘Apa yang dilakukan untuk menyelesaikan masalah?'”
Ini juga memerlukan kolaborasi yang lebih besar antara dua sisi yang cenderung terbagi – tim teknologi operasional dan informasi. Data adalah tempat dimulainya kerjasama ini. Tim TI dan TO perlu merasionalkan data “dari semua format yang berbeda, dari pabrikan yang berbeda,” jelas Zornio. “Secara historis, tidak banyak cinta antara dua organisasi itu. Karena orang operasi memiliki sistem mereka sendiri yang dibangun untuk melakukan semua ini. Dan mereka memiliki gagasan yang sangat berbeda tentang cara mengimplementasikan dan menggunakannya. Beberapa yang lebih terang telah mencoba untuk memberikan lebih banyak integrasi, tetapi – ke depan – akan ada kerjasama yang lebih besar antara keduanya.”
Itulah sebabnya, Zomio mendorong, “kita perlu merancang arsitektur yang memungkinkan data untuk menarik lebih lancar dari dunia OT ke dunia IT dan kembali. Terutama jika kita berbicara tentang menggunakan sistem AI yang mungkin berada di cloud. Itu akan menjadi OpenAI atau model AI berbasis bahasa lainnya yang akan digunakan semua orang.”