- OMX Baltic−0,63%319,25
- OMX Riga0,4%968,04
- OMX Tallinn−1,01%2 225,88
- OMX Vilnius−0,41%1 506,55
- S&P 500−0,25%7 651,54
- DOW 30−0,86%50 906,05
- Nasdaq 0,24%26 861,06
- FTSE 100−1,57%10 439,46
- Nikkei 2253,3%68 956,72
- CMC Crypto 2000,00%0,00
- USD/EUR0,00%0,89
- GBP/EUR0,00%1,17
- EUR/RUB0,00%94,05
- OMX Baltic−0,63%319,25
- OMX Riga0,4%968,04
- OMX Tallinn−1,01%2 225,88
- OMX Vilnius−0,41%1 506,55
- S&P 500−0,25%7 651,54
- DOW 30−0,86%50 906,05
- Nasdaq 0,24%26 861,06
- FTSE 100−1,57%10 439,46
- Nikkei 2253,3%68 956,72
- CMC Crypto 2000,00%0,00
- USD/EUR0,00%0,89
- GBP/EUR0,00%1,17
- EUR/RUB0,00%94,05
Tehisaru on valmis, tehased veel mitte. Tööstuse järgmine pudelikael on masinates
Tehisaru kasutuselevõtul pole tööstuses enam peamine küsimus, kas AI suudab talle antud ülesandega hakkama saada. Palju keerulisem on viia tehisaru päriselt tootmisliinile ning panna see suhtlema masinate ja robotitega nii, et tulemuseks oleks mõõdetav rahaline võit, rääkis Leanesti tegevjuht Marko Saviauk.
Loe AI kokkuvõtet
Leanesti juht Marko Saviauk ütles, et tööstuses pole AI peamine takistus enam ülesannete lahendamine, vaid selle sidumine masinate ja robotitega nii, et tekiks mõõdetav rahaline kasu. Tema sõnul sünnivad esimesed võidud sageli muudes protsessides, näiteks müügipakkumistes, kus ajakulu võib väheneda 70–80%. Tootmisliinil pidurdavad AI kasutust vanad masinad, liidesed ja riistvara; vastutus jääb siiski inimesele.
Saviaugu sõnul tahavad praegu AI-d kasutada sisuliselt kõik, kuid päris edulugusid, kus tehisaru mõju jõuab otseselt toodangu, praagi või kuludeni, on endiselt suhteliselt vähe.
Kõige lihtsam on tulemust mõõta näiteks masinnägemise puhul, kus AI kontrollib toodet ja masin sorteerib selle vastavalt tulemusele. Selliste projektide tasuvusaeg võib tema kogemusel ulatuda mõnest kuust aastani.
"Kui on juba alla aasta, siis need projektid ostetakse ikkagi kohe otse ära," ütles Saviauk Äripäeva raadio saates “Fookuses: tark tööstus”.
Samas ei pea esimesi suuri võite tingimata otsima tootmisliinilt. Saviaugu hinnangul on praegu lihtsam automatiseerida ettevõtte muid protsesse, näiteks müügipakkumiste koostamist või klienditeenindust. AI võib kliendipäringu põhjal pakkumise kokku panna ning jätta müügiinimesele vaid kontrolli ja parandused. Saviaugu sõnul võib nii müügipakkumise koostamisele kuluv aeg väheneda 70–80 protsenti.
Vastutus jääb siiski inimesele: tootmises ei lasta tema sõnul üldjuhul AI-l täieliku vastutusega otsuseid teha.
Tehisaru oskab, masin ei võimalda
Tootmisliinidel on olukord keerulisem. AI võib küll otsustada, millisesse kasti konkreetne detail sorteerida, kuid selle otsuse täitmiseks peab olemas olema ka füüsiline masin, mis detaili sinna viib. Vanasse tootmisliini ei saa uut tehnoloogiat alati lihtsalt juurde panna ning mõnel juhul eeldab AI kasutuselevõtt suuremat masinaehitusprojekti või isegi uue tootmisüksuse rajamist.
Saviaugu hinnangul liigub järgmine suurem areng selles suunas, et inimene saaks masinatega suhelda tavakeeles. Operaator ei peaks enam iga uue toote jaoks masinat pikalt käsitsi seadistama, vaid võiks anda talle ülesande ning AI koostaks ise masina jaoks vajaliku programmi.
Tehnoloogia selleks on suuresti juba olemas. Leanest on näiteks pannud väikese keelemudeli Hiinast ostetud robotile, võimaldades robotil inimese käsklusi vastu võtta ja oma tegevuse kohta tagasisidet anda. Probleemiks muutuvad aga masina enda võimekus, liidesed ja riistvara.
"Minu meelest see maailm on juba valmis minema sinna, et anda masinale käsklusi, aga mis ei ole valmis, on masinad," võttis Saviauk olukorra kokku.
Masinate arendamine liigub tarkvarast paratamatult aeglasemalt: masina projekteerimine, valmistamine, tarnimine ja katsetamine võib võtta aasta. Seetõttu ei ole Saviaugu hinnangul pudelikael enam niivõrd selles, kas AI suudab ülesande lahendada, vaid selles, kas tehisaru saab masinaga piisavalt hästi suhelda ja kas masin suudab tema otsuse füüsilises maailmas ellu viia.
Hetkel kuum
Lihtsam tarkvaratöö kaob, aga vajadus teadmiste järele mitte
AI muudab samal ajal ka tarkvaraarendust ennast. Lihtsamaid rakendusi saab Saviaugu sõnul juba edukalt vibe coding'u abil ehitada ning ta soovitab ka tööstusettevõtetel seda katsetada. Ettevõttes endas valminud lihtne prototüüp võib hiljem anda professionaalsele tarkvaraarendajale väga täpse lähteülesande.
See ei tähenda tema hinnangul siiski tarkvarafirmade kadumist. Mida kriitilisemaks muutub rakendus, seda olulisemad on teadmised süsteemiarhitektuurist, integratsioonidest, andmetest ja küberturvalisusest. AI abil võib lihtsa rakenduse kiiresti valmis teha, kuid ilma vajalike teadmisteta võib sama kiiresti valmis saada ka turvaaukudega süsteemi.
Näha on juba muutust ka IT-tööturul: lihtsamate ülesannete vähenemine muudab keerulisemaks alustavate arendajate esimese töö- või praktikakoha leidmise. Samas vajavad suured süsteemid endiselt IT-spetsialiste ning küsimuseks muutub, kuidas kasvatada uusi eksperte olukorras, kus just algtaseme ülesanded võtab järjest enam enda kanda AI.
Tööstusettevõttele, kes tahab AI kasutamisega alustada, soovitab Saviauk aga mitte alustada tehnoloogiast. Küsimus "tahaksime AI-d" pole tema sõnul piisav lähteülesanne. Kõigepealt tuleb defineerida konkreetne probleem, korrastada vajalikud andmed ning otsustada, millisele infole AI ligi pääseb.
Just seal peitub üks AI kasutuselevõtu vastuolusid: mida rohkem asjakohaseid andmeid mudelile anda, seda paremini saab see töötada, kuid ettevõte peab samal ajal tagama, et mudel ei pääseks ligi infole, mida tal konkreetse ülesande lahendamiseks vaja pole. See muudab päris süsteemide juurutamise märksa keerulisemaks kui lihtsalt AI-tööriista kasutuselevõtu.
Saviauk ei soovinud ennustada, mitu protsenti võiks AI Eesti tööstuse tootlikkust lähiaastatel kasvatada, sest erinevused ettevõtete vahel on liiga suured. Tema hinnangul on aga suurem osa võimalikust mõjust alles ees.
Saadet juhtis Mart Valner.
Seotud lood
Hetkel kuum
Investeerimiseksperiment
Poolteist protsenti tootlust toob miljon eurot lisaks
Poolteist protsenti tootlust toob miljon eurot lisaks
- PRO
Suur uusarenduste ülevaade
Podcastid
18 akadeemilist tundi, millest 16 tundi auditoorset tööd ja 2 tundi iseseisvat kodutööd
Enimloetud
1
4
Investeerimiseksperiment
Viimased uudised
Tagasi Äripäeva esilehele