Vi har slutat fråga varandra
Föreläsningen började med en graf som fick många att haja till. På Stack Overflow, forumet där programmerare har hjälpt varandra i snart 20 år, har antalet nya frågor sjunkit med 99 procent sedan ChatGPT lanserades. Folk har inte slutat ha problem. De frågar AI i stället.
Samma sak händer i fabriken. Den nya ingenjören frågar kanske chattboten i stället för den erfarna kollegan. Då blir frågan om chattboten kan just er process.
AI är inte en sak
Det finns ingen gemensam definition av AI. Begreppet rymmer allt från regler som en människa har skrivit till system som lär sig själva. Föreläsningen redde ut skillnaden mellan machine learning, deep learning och stora språkmodeller, LLM.
Skillnaden är praktisk. Ett vanligt program följer regler som någon har bestämt i förväg, till exempel att larma om temperaturen går över 80 grader. En modell som bygger på machine learning lär sig i stället själv, till exempel från bilder på hela och trasiga produkter. En språkmodell gör något tredje: den skriver text genom att gissa nästa ord.
Att fråga efter produktionsdata och att förutsäga ett maskinfel är alltså två helt olika uppgifter, som kräver olika lösningar. Att en produkt “har AI” säger därför väldigt lite om vad den faktiskt gör.
Väldigt beläst, men aldrig varit i er fabrik
En språkmodell som Metas Llama 3 har tränats på femton biljoner ord-delar. Det motsvarar mer än 3 000 människoliv av läsning. Ändå vet den ingenting om just er process om ingen berättar det för den.
Och när den inte vet gissar den ändå, med samma självsäkra ton. Föreläsningens exempel: fråga efter rengöringsinstruktionen för en viss tank, och du kan få ett dokumentnummer och en version som låter helt rimliga, men som inte finns. Det kallas hallucination.
I produktion, och särskilt i GMP-miljöer, måste det därför alltid gå att se var ett svar kommer ifrån. Instruktionsfiler kan styra hur modellen arbetar och var den letar, men de ersätter aldrig kontroll av resultatet.
Från chattbot till agent
En chattbot svarar, en agent gör. En agent arbetar i en loop: den planerar, använder verktyg, granskar resultatet och tar ett varv till om målet inte är nått. Föreläsningen var själv ett exempel, eftersom den togs fram med hjälp av en AI-agent som sökte källor, byggde bilder och rättade sina egna fel.
För att en agent ska kunna göra nytta i fabriken måste den kunna nå era system. Där kommer Model Context Protocol, MCP, in. Föreläsningen liknade det vid USB-C: en gemensam kontakt mellan AI och till exempel MES eller ERP, som ofta kan byggas ovanpå befintliga API:er. Det finns redan över 10 000 MCP-servrar.
Den tekniska frågan är snart löst. Den viktiga frågan är vad agenten ska få göra. Att läsa data är en sak. Att ändra ett recept eller ett börvärde är något helt annat.
Därför fastnar piloterna
Priset är sällan hindret. Samma prestanda kostar i dag runt 280 gånger mindre än för två år sedan. Det som fäller AI-projekt är grunden.
Ver Takeo delade en egen erfarenhet från ett projekt med prediktivt underhåll. Arkitekturen byggdes samtidigt som piloten pågick, processen var instabil, och den data som behövdes för att träna modellen gick inte att få fram. Utan ett stabilt normalläge fanns det inget för modellen att lära sig.
Det knöt an till dagens keynote om digital mognad: man kan inte hoppa över steg. Prediktion kräver att man först har synlighet och förstår sin process. Men alla tillämpningar behöver inte vänta lika länge. En AI-assistent som hjälper operatörer att söka i dokumentation eller översätter felkoder till begriplig svenska kan göra nytta mycket tidigare. Även där måste svaren gå att kontrollera.
Moln eller egen server, och vem äger frågan?
Molnet ger de bästa modellerna och snabb start, men datan lämnar fabriken. Egna servrar ger kontroll och fungerar utan internet, men kräver egen drift och svagare modeller. Det finns inget rätt svar, men frågan behöver ställas tidigt.
I diskussionen efteråt lyfte Cecilia Jacobsson ägarskapet. Lokala piloter med svag arkitektur och otydligt ansvar gör det svårt att behålla helhetsbilden. Hennes medskick var att styra AI med tydligt ansvar och tydliga processer, på samma sätt som resten av IT-miljön.
Fyra frågor att börja med
- Finns rätt data, och går den att komma åt?
- Är processen tillräckligt stabil för att lära sig av?
- Hur kontrollerar vi att svaren stämmer?
- Vem äger lösningen när piloten är klar?
Svaren avgör om ett avgränsat informationsstöd är rätt första steg, eller om data och arkitektur behöver komma först.
Vill du prata vidare om var AI kan göra nytta i din produktion? Hör av dig, så hittar vi tillsammans ett nästa steg som passar där ni är i dag.