استراتژی ملی هوش مصنوعی محرک تحول دیجیتال

سنگاپور قصد دارد استفاده از هوش مصنوعی را در صنایع کلیدی گسترش دهد. دولت می‌خواهد فراتر از پروژه‌های آزمایشی کوچک حرکت کند.

به گفته لورنس وونگ، کشور باید پیاده‌سازی هوش مصنوعی را در سطح ملی گسترش دهد. بنابراین، کمیته بین‌وزارتی جدیدی برای هماهنگی ابتکارات بزرگ هوش مصنوعی تشکیل خواهد شد.

این ابتکارات بر چهار بخش تمرکز دارند: تولید پیشرفته، ارتباطات و لجستیک، مالی و بهداشت و درمان. هدف تقویت رقابت‌پذیری اقتصادی سنگاپور است.

علاوه بر این، ادغام در مقیاس بزرگ می‌تواند بهره‌وری را در صنایع مختلف افزایش دهد.

چرا پروژه‌های آزمایشی هوش مصنوعی کافی نیستند

بسیاری از سازمان‌ها در حال آزمایش فناوری‌های هوش مصنوعی هستند. با این حال، بیشتر پروژه‌ها آزمایش‌های جداگانه باقی مانده‌اند.

برای مثال، برخی کارخانه‌ها نگهداری پیش‌بینی‌شده را برای یک دستگاه منفرد به کار می‌برند. اما سیستم به ندرت با زمان‌بندی تولید یا مدیریت زنجیره تأمین متصل می‌شود.

در نتیجه، کسب‌وکارها تنها بخش کوچکی از ارزش بالقوه هوش مصنوعی را به دست می‌آورند.

تحلیل‌گران صنعت معتقدند که تحول واقعی نیازمند ادغام در سراسر سیستم‌ها، فرآیندها و پلتفرم‌های داده است. این ادغام اجازه می‌دهد بینش‌های هوش مصنوعی بر تصمیمات عملیاتی در زمان واقعی تأثیر بگذارد.

هوش مصنوعی در تولید پیشرفته و اتوماسیون صنعتی

بخش تولید پیشرفته در حال حاضر از هوش مصنوعی به چندین روش استفاده می‌کند. نگهداری پیش‌بینی‌شده یکی از رایج‌ترین کاربردها است.

حسگرها لرزش، دما و عملکرد دستگاه را نظارت می‌کنند. مدل‌های هوش مصنوعی این داده‌ها را تحلیل می‌کنند تا خرابی تجهیزات را پیش‌بینی کنند.

برای مثال، تولیدکننده نیمه‌هادی GlobalFoundries هوش مصنوعی را در کارخانه ساخت ۳۰۰ میلی‌متری خود در سنگاپور به‌کار می‌برد.

با این حال، بسیاری از پیاده‌سازی‌ها محدود به خطوط تولید منفرد باقی مانده‌اند.

برای گسترش مؤثر هوش مصنوعی، تولیدکنندگان باید سیستم‌های نگهداری پیش‌بینی‌شده را با پلتفرم‌های اتوماسیون صنعتی مانند PLC، DCS و نرم‌افزار زمان‌بندی کارخانه متصل کنند.

اگر یک دستگاه نیاز به نگهداری داشته باشد، سیستم می‌تواند به‌طور خودکار تولید را به کارخانه دیگری منتقل کند. در همین زمان، سیستم تأمین می‌تواند قطعات جایگزین را سفارش دهد.

این ادغام نمایانگر گام بعدی برای تولید هوشمند و اتوماسیون کارخانه است.

نوآوری هوش مصنوعی با حمایت برنامه‌های ملی تحقیقاتی

سنگاپور همچنین از توسعه هوش مصنوعی از طریق ابتکارات تحقیقاتی عمومی حمایت می‌کند.

برای مثال،  A*STAR با وزارت تجارت و صنعت همکاری می‌کند تا  مرکز تعالی هوش مصنوعی بخشی برای تولید را اداره کند.

این مرکز به شرکت‌ها در پذیرش هوش مصنوعی برای طراحی محصول، نگهداری پیش‌بینی‌شده و اتوماسیون صنعتی کمک می‌کند.

چندین شرکت جهانی در این برنامه شرکت دارند، از جمله  Coca-Cola و  Philips.

این همکاری‌ها با هدف تسریع پذیرش هوش مصنوعی در اکوسیستم‌های تولیدی انجام می‌شوند.

هوش مصنوعی در لجستیک و زنجیره‌های تأمین هوشمند

هوش مصنوعی همچنین نقش رو به رشدی در  اتصال و عملیات لجستیکی ایفا می‌کند.

شرکت‌ها از مدل‌های هوش مصنوعی برای بهینه‌سازی مسیرهای تحویل و پیش‌بینی تقاضا بهره می‌برند. این فناوری‌ها به کاهش هزینه‌های حمل‌ونقل و افزایش کارایی تحویل کمک می‌کنند.

برای مثال، ارائه‌دهندگان لجستیک جهانی مانند  DHL Express و  FedEx از هوش مصنوعی برای برنامه‌ریزی مسیر و پیش‌بینی تقاضا استفاده می‌کنند.

با این حال، بسیاری از سیستم‌ها هنوز به‌صورت مستقل عمل می‌کنند.

یک سیستم پیش‌بینی مسیر ممکن است زمان تحویل را به‌دقت تخمین بزند، اما ممکن است به عملیات انبار یا پلتفرم‌های ارتباط با مشتری متصل نباشد.

بنابراین، شرکت‌های لجستیکی باید این سیستم‌ها را برای دستیابی به اتوماسیون کامل یکپارچه کنند.

هوش لجستیکی لحظه‌ای از طریق یکپارچگی هوش مصنوعی

یک سیستم لجستیکی کاملاً یکپارچه می‌تواند عملیات زنجیره تأمین را متحول کند.

برای مثال، هوش مصنوعی می‌تواند داده‌های ترافیکی لحظه‌ای را با سیستم‌های مدیریت ناوگان ترکیب کند. اگر حادثه‌ای رخ دهد، سیستم می‌تواند به‌طور خودکار مسیر خودروهای تحویل را تغییر دهد.

علاوه بر این، مشتریان می‌توانند اعلان‌های خودکاری درباره تأخیرهای احتمالی دریافت کنند.

هوش مصنوعی همچنین می‌تواند انبارها، بنادر و شرکت‌های حمل‌ونقل را از طریق پلتفرم‌های داده مشترک هماهنگ کند.

چنین یکپارچگی‌ای امکان تصمیم‌گیری خودکار درباره بسته‌بندی بار، برنامه‌ریزی حمل‌ونقل و مستندسازی گمرکی را فراهم می‌کند.

با این حال، دستیابی به این چشم‌انداز نیازمند استانداردهای داده‌ای مشترک و هماهنگی مقرراتی در مرزها است.

بلوغ هوش مصنوعی در بخش خدمات مالی

در میان چهار بخش،  صنعت مالی بالاترین سطح پذیرش هوش مصنوعی را نشان می‌دهد.

بانک‌ها حجم زیادی از داده‌های ساختاریافته تراکنش‌ها را در اختیار دارند. علاوه بر این، چارچوب‌های نظارتی، حاکمیت قوی و مدیریت ریسک را تشویق می‌کنند.

برای مثال، بانک‌های سنگاپور از هوش مصنوعی برای شناسایی تقلب، شخصی‌سازی خدمات مالی و خودکارسازی گزارش‌دهی انطباق استفاده می‌کنند.

یک مثال دیگر بانک United Overseas است که هوش مصنوعی را در خدمات بانکداری دیجیتال خود ادغام کرده است.

مثال دیگر بانک OCBC است. این بانک گزارش می‌دهد که میلیون‌ها تصمیم عملیاتی روزانه با استفاده از مدل‌های هوش مصنوعی گرفته می‌شود.

این تصمیمات شامل شناسایی تقلب و پیشنهادات مالی شخصی‌سازی شده است.

گسترش هوش مصنوعی در مسیر مشتری مالی

با وجود پذیرش قوی، مؤسسات مالی هنوز فرصت‌هایی برای گسترش استفاده از هوش مصنوعی می‌بینند.

سیستم‌های هوش مصنوعی می‌توانند کل مسیر مشتری را خودکار کنند. برای مثال، یک مدل می‌تواند عادات خرج کردن و سابقه اعتباری را تحلیل کند.

بر اساس این تحلیل، سیستم می‌تواند پیشنهاد وام مسکن را پیش‌تأیید کند.

اگر مشتری پیشنهاد را بپذیرد، فرم درخواست می‌تواند به‌طور خودکار اطلاعات مورد نیاز را پر کند.

علاوه بر این، هوش مصنوعی می‌تواند رفتار بازپرداخت را نظارت کند تا علائم اولیه فشار مالی را شناسایی کند.

با این حال، شفافیت همچنان ضروری است. مؤسسات مالی باید توضیح دهند که چگونه سیستم‌های هوش مصنوعی به تصمیم‌گیری می‌رسند.

مشتریان همچنین نیاز به افشای واضح دارند زمانی که الگوریتم‌ها بر نتایج مالی تأثیر می‌گذارند.

هوش مصنوعی در سیستم‌های بهداشتی

سازمان‌های بهداشتی نیز به طور فزاینده‌ای به دنبال کاربردهای هوش مصنوعی هستند.

بیمارستان‌های سنگاپور از هوش مصنوعی برای تحلیل تصاویر پزشکی و تشخیص ناهنجاری‌ها استفاده می‌کنند.

برای مثال، ابزارهای تشخیصی می‌توانند مشکلات قلب یا ریه را از روی رادیوگرافی قفسه سینه شناسایی کنند.

کاربرد دیگر شامل چت‌بات‌های مجهز به هوش مصنوعی است که گزارش‌های پزشکی را به زبان ساده‌تر توضیح می‌دهند.

این سیستم‌ها به بیماران کمک می‌کنند تا نتایج آزمایشگاهی و اطلاعات درمانی را بهتر درک کنند.

چالش‌ها در گسترش هوش مصنوعی در شبکه‌های بهداشتی

هوش مصنوعی در حوزه سلامت با الزامات نظارتی و اخلاقی سختگیرانه‌تری مواجه است.

داده‌های پزشکی نیازمند حفاظت قوی از حریم خصوصی هستند. علاوه بر این، روندهای بالینی پیچیده و دشوار برای استانداردسازی هستند.

بنابراین بسیاری از بیمارستان‌ها هوش مصنوعی را در ابزارهای جداگانه به جای سیستم‌های کاملاً یکپارچه پیاده‌سازی می‌کنند.

با این حال، ادغام آینده می‌تواند مزایای قابل توجهی را به همراه داشته باشد.

برای مثال، هوش مصنوعی می‌تواند به‌طور خودکار ارجاع به متخصصان را هنگام تغییر در پرونده بیمار فعال کند. همچنین می‌تواند آزمایش‌های فوری را برنامه‌ریزی یا هماهنگی برنامه‌ریزی ترخیص بیمارستان را انجام دهد.

چنین خودکارسازی می‌تواند مراقبت از بیماران را بهبود بخشد و در عین حال بار کاری اداری را کاهش دهد.

پلتفرم‌های ملی داده سلامت که از نوآوری هوش مصنوعی پشتیبانی می‌کنند

سنگاپور اخیراً زیرساخت دیجیتال بهداشت و درمان خود را تقویت کرده است.

دولت قانونی را معرفی کرد که ارائه‌دهندگان خدمات بهداشتی را ملزم می‌کند اطلاعات بیماران را به سامانه پرونده الکترونیکی سلامت ملی ارائه دهند.

این مخزن داده ملی به متخصصان بهداشت و درمان اجازه می‌دهد تا به تاریخچه بیماران در مؤسسات مختلف دسترسی داشته باشند.

علاوه بر این، مجموعه داده‌های ناشناس ممکن است از پژوهش‌های هوش مصنوعی و مدل‌های پیش‌بینی بهداشت و درمان پشتیبانی کنند.

با این حال، هوش مصنوعی پزشکی باید دقت بالایی را به‌طور مداوم به دست آورد تا اتوماسیون در مقیاس وسیع قابل قبول شود.

ریسک‌ها بسیار بالا باقی می‌مانند زیرا خطاها مستقیماً بر ایمنی بیماران تأثیر می‌گذارند.

دیدگاه نویسنده: یکپارچه‌سازی هوش مصنوعی اقتصاد دیجیتال بعدی را تعریف خواهد کرد

استراتژی هوش مصنوعی سنگاپور بازتاب‌دهنده یک روند جهانی گسترده‌تر است.

بسیاری از شرکت‌ها ابزارهای هوش مصنوعی را به‌کار می‌گیرند. با این حال، تحول واقعی تنها زمانی رخ می‌دهد که سازمان‌ها هوش مصنوعی را در سراسر جریان‌های کاری یکپارچه کنند.

در تولید، این به معنای اتصال هوش مصنوعی به سیستم‌های اتوماسیون صنعتی، از جمله پلتفرم‌های PLC و DCS است.

در لجستیک، این نیازمند هماهنگی لحظه‌ای میان شرکای زنجیره تأمین است.

در حوزه مالی و بهداشت و درمان، شفافیت و حاکمیت مقرراتی همچنان حیاتی است.

بنابراین، مرحله بعدی توسعه هوش مصنوعی کمتر بر الگوریتم‌ها و بیشتر بر یکپارچه‌سازی سیستم و زیرساخت داده تمرکز خواهد داشت.

سناریوی پیاده‌سازی عملی برای اتوماسیون صنعتی

یک کارخانه هوشمند را در نظر بگیرید که عملیات مبتنی بر هوش مصنوعی را اجرا می‌کند.

کارخانه ممکن است حسگرهای هوش مصنوعی را برای نگهداری پیش‌بینی‌شده تجهیزات تولید به‌کار گیرد.

سیستم هوش مصنوعی با سیستم‌های کنترل صنعتی کارخانه، از جمله کنترل‌کننده‌های PLC و پلتفرم‌های MES ارتباط برقرار می‌کند.

اگر یک دستگاه علائم اولیه خرابی را نشان دهد، سیستم به‌طور خودکار برنامه‌های تولید را تنظیم می‌کند.

در همین حال، پلتفرم زنجیره تأمین قطعات جایگزین را سفارش می‌دهد.

این معماری یکپارچه، یک اکوسیستم اتوماسیون کارخانه واقعاً هوشمند ایجاد می‌کند.

نتیجه‌گیری

استراتژی ملی هوش مصنوعی سنگاپور اهمیت گسترش هوش مصنوعی فراتر از پروژه‌های منفرد را برجسته می‌کند.

تولید پیشرفته، لجستیک، مالی و بهداشت و درمان هم‌اکنون از فناوری‌های هوش مصنوعی استفاده می‌کنند.

با این حال، تحول واقعی نیازمند یکپارچه‌سازی در سراسر پلتفرم‌های داده، جریان‌های کاری و سیستم‌های تصمیم‌گیری است.

با ترکیب هوش مصنوعی با اتوماسیون صنعتی، زیرساخت دیجیتال و چارچوب‌های مقرراتی، سازمان‌ها می‌توانند به افزایش قابل توجه بهره‌وری و نوآوری دست یابند.