Efektivní využití AI zdrojů v provozu

Studie „Potenciály slabé umělé inteligence pro podnikové využití zdrojů“, kterou zadalo Ministerstvo životního prostředí (BMU), zkoumá konkrétní možnosti využití AI ke zvýšení efektivity využívání zdrojů, zejména u malých a středních podniků (MSP).

5. května byl opět Den vyčerpání zdrojů v Německu. Od té doby žijeme opět na úkor životního prostředí a budoucích generací. Jedná se o překročení planetárních hranic a spotřebováváme více zdrojů, než naše planeta dokáže regenerovat. To byla špatná zpráva.

A teď ta dobrá: Udržitelný hospodářský rozvoj je stále více uznáván jako nutnost – také k zajištění budoucí životaschopnosti středního stavu. Mezi hlavní hnací síly patří požadavky zákazníků, investorů a společnosti, stejně jako zpřísňující se předpisy a regulace ze strany zákonodárce. To vede k větší aktivitě řady podniků.

Podpora při zavádění v provozu

Je tedy nejvyšší čas, aby naše výrobní a životní způsoby byly udržitelné. To zahrnuje výrazné zvýšení efektivity využívání zdrojů. Do jaké míry jsou vhodné metody umělé inteligence k efektivnímu využívání přírodních zdrojů, jako jsou voda, energie a materiály v zpracovatelském průmyslu, a tím i k prevenci skleníkových plynů, zkoumá právě nyní vydaná studie Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA a poradenské společnosti Deloitte Artificial Intelligence & Data. Jejím zaměřením jsou MSP. Protože zejména pro MSP je obtížné identifikovat správné přístupy k využití AI. Často chybí čas a personál na získání přehledu o možnostech AI a souvisejících metodách a technologiích. Také chybí potřebné odborné znalosti pro výběr a realizaci AI projektů ve vlastním podniku. Implementace a zavádění AI tak často představují velkou výzvu. Studie proto nejen ukazuje příklady AI pro podnikové využití zdrojů, ale nabízí také praktickou pomoc při zavádění ve vlastním podniku.

Výzkumné otázky

Studie se řídí následujícími otázkami:

- Jaké technologie a metody slabé AI mohou MSP ve zpracovatelském průmyslu využít ke zvýšení efektivity využívání zdrojů?
- Jaké potenciály v oblasti efektivity využívání zdrojů umožňuje slabá AI u MSP ve zpracovatelském průmyslu?
- Jaké scénáře využití slabé AI jsou nejperspektivnější pro zvýšení efektivity využívání zdrojů v MSP?
- Jaké faktory úspěchu a překážky existují pro systematické využívání slabé AI ke zvýšení efektivity využívání zdrojů v MSP?
- Jaké příklady realizace existují pro úspěšné zvýšení efektivity využívání zdrojů v MSP pomocí slabé AI?

Výhody a jedinečné vlastnosti MSP

Protože analýza velkých datových objemů a odvození možných optimalizačních opatření často vyžadují zavedení digitalizačních řešení, je digitalizace již delší dobu považována za klíčový nástroj ke zlepšení udržitelnosti výrobních podniků. „Zapojení metod AI je logickým dalším krokem na cestě k využití potenciálu efektivity zdrojů ve výrobních prostředích,“ říká profesor Alexander Sauer, vedoucí Fraunhofer IPA a Ústavu pro energeticky efektivní výrobu (EEP) na Univerzitě Stuttgart. „Právě i pro MSP představují příležitosti cílené začlenění AI k získání konkurenční výhody a posílení nebo zavedení jedinečných vlastností.“

Studie, kterou zpracovalo VDI Zentrum Ressourceneffizienz (VDI ZRE) na zakázku Ministerstva životního prostředí, ochrany přírody a jaderné bezpečnosti (BMU), byla koordinována a provedena Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA společně s Deloitte Artificial Intelligence & Data. Studie byla zveřejněna 7. června 2021 a poprvé veřejně představena na 25. síťové konferenci „Umělá inteligence – příležitosti a výzvy pro efektivitu využívání zdrojů“.

Studie „Potenciály slabé umělé inteligence pro podnikové využití zdrojů“ je k dispozici ke stažení na: https://www.ressource-deutschland.de/fileadmin/user_upload/downloads/studien/VDI-ZRE_Studie_KI-betriebliche-Ressourceneffizienz_Web_bf.pdf

Co je slabá AI?

Obecně se rozlišují „slabá“ a „silná“ AI (anglicky: artificial narrow intelligence vs. artificial general intelligence). Silná AI by měla především vykazovat kognitivní schopnosti, které budou v téměř všech aspektech převyšovat nebo být srovnatelné s člověkem. Naopak slabá AI může být sice v určitých oblastech nad člověkem, ale obvykle jen v oblastech, pro které byla explicitně naprogramována a trénována. Slabá AI se zaměřuje na řešení konkrétních aplikačních problémů na základě známých metod z matematiky a informatiky. Vyvinuté systémy jsou schopny samostatné optimalizace.