Sztuczna inteligencja i analityka predykcyjna w przemyśle to odpowiedź na rosnące wymagania wobec precyzji i wydajności. Pozwalają one szybko wykrywać nieprawidłowości i usprawniać procesy, zwiększając efektywność i jakość produktów i minimalizując ewentualne straty. Kluczowe znaczenie mają tu modele językowe typu LLM, niezwykle skuteczne w analizie dużych wolumenów danych nienumerycznych, takich jak dokumentacja techniczna czy instrukcje operacyjne. Porównanie specyfikacji komponentów, identyfikacja zamienników części, ocena przyczyn awarii czy optymalizacja zużycia zasobów nie stanowi dla nich zatem żadnego problemu. Modele tego typu, odpowiednio wyszkolone i dopasowane do konkretnego przypadku, mogą funkcjonować jako inteligentne warstwy decyzyjne w złożonych środowiskach przemysłowych.
Nieco ponad miesiąc temu, spółka VECTO wraz z Ingram Micro zorganizowały ciekawy webinar z cyklu VTORKI Technologiczne, pt.: „AI w świetle rozwiązań Dell”. Prowadzący spotkanie Piotr Piotrowski, inżynier współpracujący z działem Enterprise DELL Technologies, wskazał na kilka kluczowych wniosków płynących z doświadczeń z polskiego rynku. Przede wszystkim — dostępność dużych modeli językowych w środowiskach on-premises i chmurowych to prawdziwy game-changer, jednak ich realne wykorzystanie nadal wymaga świadomego bilansu zalet i wad.
Uczestnicy webinaru podkreślali ponadto, że wdrożenie AI to nie tylko kwestia wyboru modelu, ale również decyzji odnośnie architektury sprzętowej. Wysoka wydajność, konieczna do przetwarzania danych przez AI, warunkuje stosowanie zaawansowanych technologicznie procesorów graficznych (GPU), takich producentów jak Nvidia, AMD czy Intel, które przewyższają tradycyjne procesory CPU pod względem liczby rdzeni i ogólnej efektywności. Nieprzypadkowo zatem serwery GPU-accelerated stają się dziś standardem przy wdrożeniach AI, a ich projektowanie obejmuje nie tylko dobór odpowiedniego sprzętu, ale też zapewnienie infrastruktury zasilania, chłodzenia i zarządzania oprogramowaniem.
DELL oferuje tu gotowe rozwiązania oparte na serwerach serii XE9680 czy XE7745, które umożliwiają integrację nawet ośmiu kart GPU w jednej jednostce. To jednak sprzęt stworzony dla bardzo dużych projektów. Dla większości przedsiębiorstw idealne będą tzw. architektury „małe”, oparte na jednym lub dwóch GPU, działających na dostrojonych modelach — nierzadko wykorzystujących modele typu open-source, jak LLaMA2, Vicuna czy Mistral.
Co ciekawe, nawet serwer o wartości zbliżonej do mieszkania nie gwarantuje sukcesu wdrożenia. Kluczowym aspektem — jak zaznaczył podczas webinaru Piotr Piotrowski — jest gotowość organizacyjna: dostępność danych, świadomość celów, kompetencje zespołu IT oraz kultura pracy. Podczas webinaru posłużono się znakomitym przykładem warsztatu samochodowego do zilustrowania tego problemu. Choć teoretycznie można by wdrożyć model językowy analizujący kompatybilność części samochodowych według marek aut, to w praktyce barierą może być brak cyfryzacji dokumentacji, przyzwyczajenia mechaników, a nawet ograniczenia wynikające z ochrony know-how producentów. Z drugiej strony, w środowiskach o wysokim poziomie automatyzacji, efekty zastosowania AI są w zasadzie natychmiastowe – tego typu systemy nie tylko czynią produkcję znacznie efektywniejszą, ale i podnoszą poziom bezpieczeństwa czy jakość produktu końcowego.
Jednak infrastruktura sprzętowa to tylko jeden z elementów układanki. Istotne jest także oprogramowanie i jego integracja z istniejącymi systemami IT. DELL opracował platformę Apex IOPS, która jest bez wątpienia odpowiedzią na rosnące potrzeby firm w zakresie zarządzania złożonymi środowiskami AI. To chmurowe narzędzie pozwalające na zdalny monitoring serwerów, aktualizację oprogramowania czy ocenę ryzyk oraz ich integrację z systemami zabezpieczeń. Dla wielu organizacji możliwość wczesnego wykrywania potencjalnych problemów na poziomie infrastruktury może być równie istotna, jak sama wydajność modeli AI.
Nie bez znaczenia pozostaje również aspekt energetyczny. Jak zauważyli organizatorzy VTORKU Technologicznego, samo uruchomienie pełnej szafy serwerowej z 72 GPU może wymagać tak dużego poboru mocy, że… przekracza możliwości zasilania całego miasta. Przykład ten świetnie obrazuje konieczność uwzględnienia potrzeby mocy obliczeniowej, dostępności energii i chłodzenia w całym procesie planowania wdrożenia złożonej infrastruktury AI.
Zatem jak podejść do tematu wdrożenia AI w produkcji? Najrozsądniejszym kierunkiem wydaje się być podejście iteracyjne — rozpoczęcie od pilotażowych projektów opartych o infrastrukturę chmurową lub model hybrydowy. Wykorzystanie dostępnych narzędzi, nawet open-source, pozwala obniżyć próg wejścia i zidentyfikować potencjał danego rozwiązania bez ponoszenia nadmiernych kosztów. Dopiero pozytywna walidacja — zarówno technologiczna, jak i organizacyjna — uzasadnia inwestycję w sprzęt lokalny (on-premises), który daje większą kontrolę nad danymi i niezależność operacyjną.
Wdrożenie AI i analityki predykcyjnej w produkcji staje się koniecznością dla firm dążących do utrzymania przewagi konkurencyjnej. O sukcesie decyduje nie tylko dobór modeli, lecz przede wszystkim zrozumienie potrzeb biznesu, sprawna integracja narzędzi z procesami oraz faktyczna gotowość na zmianę organizacyjną.
