Στις βιομηχανικές εφαρμογές είναι σαφές ότι η μηχανική μάθηση, το λεγόμενο machine learning, αλλάζει ολοένα και περισσότερο τα επιχειρηματικά μοντέλα, που σχετίζονται με την παραγωγική διαδικασία. Με ποιον τρόπο, όμως, γίνεται αυτό;

Γράφει η Ελένη Αθανασάτου, Μηχανολόγος – Μηχανικός

Η μηχανική μάθηση έχει ήδη αρχίσει να ενσωματώνεται στη σύγχρονη βιομηχανική τεχνολογία σε όλο το φάσμα της παραγωγικής διαδικασίας. Αλγόριθμοι πρόβλεψης χρησιμοποιούνται ώστε ο σχεδιασμός της συντήρησης να βασίζεται σε ένα προσαρμόσιμο πρόγραμμα, αντί για ένα σταθερό χρονοδιάγραμμα. Κι αυτά είναι μόνο η κορυφή του παγόβουνου. Τα μοντέλα της μηχανικής μάθησης μπορούν να βελτιώσουν σχεδόν κάθε πτυχή μιας επιχείρησης: από το μάρκετινγκ ως τις πωλήσεις και τη συντήρηση. Στον τομέα της παραγωγής, η εξάπλωση του Διαδικτύου των Πραγμάτων (ΙοΤ), καθώς και ο πρωτοφανής όγκος των διαθέσιμων δεδομένων, δημιούργησε πλήθος ευκαιριών για την αξιοποίηση της μηχανικής μάθησης. Η μηχανοργάνωση των βιομηχανικών μηχανημάτων έχει επίσης επιταχυνθεί. Σύμφωνα με την εταιρεία ερευνών IDC, οι ετήσιες δαπάνες για τις πλατφόρμες ΙοΤ αναμένεται να αυξηθούν από 745 δισεκατομμύρια δολάρια το 2019 σε πάνω από ένα τρισεκατομμύριο δολάρια το 2022.

Σύμφωνα με έκθεση της Global Market Insights, η δαπάνη που σχετίζεται με τη μηχανική μάθηση στον τομέα της παραγωγής πρόκειται να αυξηθεί κατακόρυφα: από ένα δισεκατομμύριο δολάρια το 2018 σε 16 δισεκατομμύρια δολάρια το 2025. Παράλληλα, η βιομηχανία θα εξακολουθεί να αντιμετωπίζει την ανάγκη περιορισμού του κόστους και μεγαλύτερης ενσωμάτωσης τεχνολογιών 4.0, συμπεριλαμβανομένης της προγνωστικής συντήρησης και επιθεώρησης που βασίζεται στην τεχνητή νοημοσύνη (ΑΙ).

Μια σχεδιαστική λύση για σύνθετα συστήματα
Θα μπορούσαμε να προσθέσουμε έναν προσδιορισμό στη μηχανική μάθηση και να την περιγράφουμε ως μηχανική μάθηση βάσει διαδικασιών (process-based machine learning). Κατ’ αυτόν τον τρόπο, μπορούμε να εστιάσουμε στη βιομηχανική τεχνολογία που χρειάστηκε να δημιουργηθεί ή να τροποποιηθεί προκειμένου να αξιοποιηθούν οι υπολογιστικοί αλγόριθμοι μηχανικής μάθησης, ώστε να περάσουμε στην εποχή της έξυπνης παραγωγής.

Η μηχανική μάθηση χρησιμοποιεί δεδομένα, ή πιο συγκεκριμένα, «εκπαιδευτικά» δεδομένα (training data), ώστε να διδάξει στον αλγόριθμο τι πρέπει να αναμένει από τα μηχανήματα που παρακολουθεί για να λαμβάνει αυτά τα δεδομένα. Για να το κάνει δε αυτό, βασίζεται στην αναγνώριση μοτίβων (pattern recognition) και την εξαγωγή συμπερασμάτων (inference), προκειμένου ο αλγόριθμος να αναπτύξει την ικανότητα να λαμβάνει αποφάσεις και να πραγματοποιεί προβλέψεις, χωρίς την ανάγκη συγγραφής ειδικού κώδικα προγραμματισμού.
Η συλλογή, η επεξεργασία και η αξιολόγηση των εκπαιδευτικών δεδομένων πραγματοποιείται με μια δομημένη αλληλουχία βημάτων, ώστε τα δεδομένα να προετοιμάζονται για χρήση από τον αλγόριθμο της μηχανικής μάθησης.

Αυτή η δομημένη αλληλουχία βημάτων αποτελεί μια διαδικασία, και η δημιουργία αυτής της διαδικασίας εισάγει νέες τεχνολογίες που περιλαμβάνουν τα εξής:
• Συσκευές ΙοΤ για την παραγωγή των δεδομένων.
• Δίκτυα για την αποθήκευση και την επεξεργασία των δεδομένων.
• Υπολογιστές για την επεξεργασία των καθαρών δεδομένων ως προς την ακρίβεια και τη σχετικότητά τους.
Παραδείγματα μηχανικής μάθησης
1. Προγνωστική συντήρηση (predictive maintenance)

Η μηχανική μάθηση επιτρέπει την προγνωστική παρακολούθηση, με την οποία οι αλγόριθμοι της μηχανικής μάθησης προβλέπουν τις βλάβες του εξοπλισμού προτού αυτές συμβούν και προγραμματίζουν έγκαιρα τη συντήρηση. Η χρήση της προγνωστικής συντήρησης οδηγεί σε δραστική μείωση του χρόνου διακοπής της παραγωγής (downtime).Σε ένα εργοστάσιο αυτοκινήτων εφαρμόστηκε η λύση της προγνωστικής συντήρησης για μια υδραυλική πρέσα που χρησιμοποιούνταν στην κατασκευή διαφόρων τμημάτων του αμαξώματος. Η αναλυτική μελέτη της διαδικασίας της συντήρησης έδειξε ότι οι μηχανικοί δαπανούσαν υπερβολικά πολύ χρόνο στην αντιμετώπιση βλαβών, αντί να διαθέτουν τους κατάλληλους πόρους για τακτική συντήρηση. Η νέα λύση τούς επέτρεψε να προβλέπουν τις βλάβες της πρέσας με ακρίβεια 92% και να προγραμματίζουν πιο αποτελεσματικά τη συντήρηση, και τελικά βελτίωσε την αξιοπιστία του εξοπλισμού και την ποιότητα του παραγόμενου προϊόντος. Η συνολική δε απόδοση του εξοπλισμού στο εργοστάσιο αυξήθηκε από 65% ( ο μέσος όρος στην αυτοκινητοβιομηχανία) σε 85%.

Μια επιχείρηση κατασκευής βιομηχανικών μηχανημάτων στον τομέα των ροφημάτων ενσωμάτωσε στα μηχανήματά της ένα σύστημα παρακολούθησης και πρόβλεψης, προκειμένου να βοηθήσει τους τεχνικούς της στον προγραμματισμό της προληπτικής συντήρησης. Αυτό έλυσε το πρόβλημα της αναποτελεσματικής, «πυροσβεστικής» εξυπηρέτησης των πελατών και οδήγησε στη βελτιστοποίηση του προγράμματος συντήρησης εξοπλισμού, το οποίο παραδοσιακά βασιζόταν σε προκαθορισμένα χρονικά διαστήματα και όχι στις πραγματικές ανάγκες. Η εφαρμογή της μηχανικής μάθησης οδήγησε σε αύξηση των δυνατοτήτων προσαρμογής και επέκτασης της επιχείρησης και σε σημαντική αναδιάρθρωση του κόστους της.
Αξίζει να σημειωθεί, ότι η Motor Oil, στο πλαίσιο του Ψηφιακού Στρατηγικού σχεδιασμού «Digital Refinery» επενδυσε στον εκσυγχρονισμό των εγκαταστάσεων της, υιοθετώντας λύσεις Τεχνητής Νοημοσύνης για τους εξοπλισμούς του Διυλιστηρίου (Artificial Intelligence for Predictive Maintenance).

Μέσω ανάλυσης real-time δεδομένων παράγονται προβλέψεις (Machine Learning) σχετικά με τη λειτουργία των εξοπλισμών επιτρέποντας την έγκαιρη αντιμετώπιση πιθανών προβλημάτων. Η λύση επιτρέπει την πρόβλεψη με ακρίβεια πάνω από 77 % σε πιθανά μη φυσιολογικά συμβάντα από 20 έως 120 ώρες πριν την εκδήλωσή τους. Με τον τρόπο αυτό αναμένεται αύξηση του χρόνου ζωής των εξοπλισμών και μείωση του κόστους συντήρησής τους.
Η λύση αναπτύχθηκε στην πλατφόρμα SAP Business Technology Platform/SAP HANA Cloud . Η επιτυχία του όλου έργου επισφραγίστηκε με την υιοθέτηση της λύσης ως σημείο αναφοράς (Reference case) από την SAP AG, επιβράβευση που αποτελεί μία από τις μέγιστες διακρίσεις στο SAP ecosystem.

Η προγνωστική συντήρηση αναμένεται επίσης να αποτελέσει σημαντικό κομμάτι της τεχνολογίας των αυτόνομων οχημάτων. Τα αυτοκίνητα χωρίς οδηγό είναι πιθανό να λειτουργούν με βάση το μοντέλο «επιχείρηση ως υπηρεσία» (business-as-a-service), αντί για το μοντέλο ιδιοκτησίας που επικρατεί σήμερα στην αυτοκινητοβιομηχανία. Αυτό σημαίνει ότι τα αυτοκίνητα θα πρέπει να παρακολουθούν τα ίδια την κατάστασή τους, αντί να βασίζονται στον ιδιοκτήτη-οδηγό τους για τον εντοπισμό και την αντιμετώπιση τυχόν προβλημάτων.

2. Έλεγχος ποιότητας
Η τεχνητή νοημοσύνη χρησιμοποιείται επίσης για την επιθεώρηση και τον ποιοτικό έλεγχο των προϊόντων. Αλγόριθμοι μηχανικής μάθησης διδάσκονται από ένα σύνολο δειγμάτων πώς να διαχωρίζουν το καλό από το σκάρτο προϊόν. Πιο συγκεκριμένα, οι ημι-εποπτευόμενοι αλγόριθμοι εντοπισμού ανωμαλιών χρειάζονται μόνο δείγματα καλών προϊόντων στο σύνολο των εκπαιδευτικών δεδομένων, καθιστώντας περιττή την ύπαρξη βιβλιοθήκης με δεδομένα για πιθανά ελαττώματα. Εναλλακτικά, είναι δυνατό να αναπτυχθεί κάποια λύση που συγκρίνει τα δείγματα με τις πιο συνηθισμένες περιπτώσεις σκάρτων προϊόντων.

Το οικονομικό όφελος που προσφέρει η μηχανική μάθηση μέσω του περιορισμού του κόστους του οπτικού ποιοτικού ελέγχου διαφέρει από αγορά σε αγορά. Στη βιομηχανία παραγωγής ημιαγωγών, το κόστος των δοκιμών και των αποτυχημένων ελέγχων συνιστά έως και το 30% του συνολικού κόστους των προϊόντων. Σύμφωνα με το Forbes, οι αυτοματοποιημένοι έλεγχοι που πραγματοποιούνται με τη βοήθεια μηχανικής μάθησης μπορούν να αυξήσουν τα ποσοστά εντοπισμού προβλημάτων έως και 90%.

Ένας κατασκευαστής μηχανημάτων συσκευασίας γεωργικών προϊόντων ξεκίνησε πρόσφατα να χρησιμοποιεί ένα προηγμένο μηχάνημα διαλογής φρούτων, που χρησιμοποιεί την υπολογιστική όραση (computer vision) και τη μηχανική μάθηση για να ταξινομεί ελαττώματα στη φλούδα των καρπών. Ο χειριστής μπορεί να διδάξει την πλατφόρμα διαλογής να ξεχωρίζει τους διάφορους τύπους ελαττωμάτων και να ταξινομεί τα φρούτα σε διαφορετικές κατηγορίες συσκευασίας. Η λύση αυτή συνδυάζει τη βελτιστοποίηση του υλικού, του λογισμικού και των διαδικασιών, απλοποιώντας σημαντικά τη διαδικασία της διαλογής.

3. Εφοδιαστική και διαχείριση αποθεμάτων
Πέρα από τη γραμμή συναρμολόγησης και τις μονάδες παραγωγής, μεγάλα βήματα προόδου έχουν συντελεστεί και σε άλλους τομείς. Η τροφοδότηση της παραγωγικής διαδικασίας βασίζεται στην εφοδιαστική αλυσίδα. Η εφαρμογή λύσεων μηχανικής μάθησης για τη διαχείριση θεμάτων σχετικών με την εφοδιαστική βελτιώνει την αποδοτικότητα και μειώνει δραστικά τα κόστη.
Σύμφωνα με το περιοδικό Material, Handling and Logistics, η μέση επιχείρηση στις ΗΠΑ χάνει $171.340 τον χρόνο εξαιτίας επαναλαμβανόμενων, ανιαρών και χρονοβόρων εργασιών όπως είναι η αναζήτηση αριθμών παραγγελίας, η διαχείριση των εγγράφων και ο υπολογισμός της αξίας μιας παραγγελίας. Σε οποιαδήποτε βιοηχανική επιχείρηση, η τήρηση εγγράφων σχετικών με την εφοδιαστική και την παραγωγή απορροφά κάθε χρόνο χιλιάδες ανθρωποώρες.

Η διαχείριση πόρων αποτελεί άλλο ένα πλεονέκτημα των αλγορίθμων μηχανικής μάθησης. Για να διαπιστώσει κανείς πόσο σημαντικό είναι αυτό το πλεονέκτημα, αρκεί να δει τον αλγόριθμο βελτιστοποίησης κατανάλωσης ισχύος που εφάρμοσε η Google στα συστήματα ψύξης του κέντρου δεδομένων της, ώστε να μειώσει τον λογαριασμό του ηλεκτρικού ρεύματος έως και 40%. Το γεγονός ότι η μείωση επετεύχθη χωρίς κανενός είδους αναβάθμιση ή τροποποίηση της υλικής υποδομής – επαρκούσε η ροή των μαζικών δεδομένων (big data) μέσα από το σύστημα – την καθιστά ακόμα πιο εντυπωσιακή.

4. Σύγκλιση επιχειρησιακής τεχνολογίας (ΟΤ) και τεχνολογίας πληροφοριών (ΙΤ) / Ασφάλεια δικτύων
Η ανάπτυξη της μηχανικής μάθησης μπορεί επίσης να επιφέρει αλλαγές σε πολλά μοντέλα όσον αφορά τις τυποποιημένες διαδικασίες λειτουργίας στον τομέα της παραγωγής. Ιδίως δε όσον αφορά στην οργανωτική δομή μιας επιχείρησης. Στα μηχανήματα παραγωγής, το δίκτυο των υπολογιστών θα βρίσκεται στο ίδιο σημείο με τους λειτουργικούς αισθητήρες που αποτελούν τμήμα του ΟΤ, έτσι ώστε τα δεδομένα να συλλέγονται και να αποστέλλονται στην αποθήκη δεδομένων και να αξιοποιούνται ως δεδομένα εκπαίδευσης για σκοπούς μηχανικής μάθησης. Το έργο των χειριστών στον χώρο της παραγωγής καθώς και των τεχνικών θα επηρεάζεται σημαντικά σε περίπτωση που το δίκτυο πάψει να είναι αξιόπιστο ή πέσει θύμα πειρατείας, και η παραγωγή θα διακόπτεται, καθώς οι συσκευές και οι αισθητήρες ΟΤ θα επηρεάζονται εξίσου με το δίκτυο και τους υπολογιστές ΙΤ. Έτσι, υποχρεωτικά πλέον, ο εσωτερικός τοίχος που χωρίζει αυτή τη στιγμή το τμήμα του ΙΤ από αυτό του ΟΤ θα πέσει, προκειμένου οι δύο ομάδες να μπορούν συνεργάζονται και να αλληλοϋποστηρίζονται.

5. Ψηφιακός σχεδιασμός και καινοτομία στην έξυπνη παραγωγή / Ανάπτυξη ψηφιακού διδύμου (digital twin)
Ο απώτερος στόχος της τεχνητής νοημοσύνης και της μηχανικής μάθησης είναι να επιτρέψει την ανάπτυξη ενός ψηφιακού διδύμου στον χώρο της παραγωγής. Η δημιουργία του ψηφιακού διδύμου θα πραγματοποιηθεί στο πλαίσιο μιας διαδικασίας βασισμένης σε μοντέλο (MBSE), με τη βοήθεια των αλγορίθμων μηχανικής μάθησης και της γνώσης που έχει ήδη αποκτηθεί. Το ψηφιακό δίδυμο θα χρησιμοποιείται για τον έλεγχο υποθετικών σεναρίων (what-if) με στόχο την απόκτηση νέων πληροφοριών για καταστάσεις που δεν γνωρίζουμε ακόμα. Το ψηφιακό δίδυμο μπορεί επίσης να αξιοποιηθεί ως μοντέλο end-to-end, για τον σχεδιασμό εξαρτημάτων υψηλότερης αξιοπιστίας και τη βελτιστοποίηση της αλληλεπίδρασης των μηχανημάτων της παραγωγής με στόχο την αύξηση της απόδοσης. Οι δυνατότητες που προκύπτουν είναι πραγματικά ανεξάντλητες.

Η SUNLIGHT πρόσφατα ανακοίνωσε ότι προχωρά σε επενδύσεις ύψους 50 εκατ. ευρώ για την ενίσχυση εξοπλισμού και μηχανημάτων, καθώς και για τη δημιουργία νέων γραμμών παραγωγής-συναρμολόγησης προϊόντων μολύβδου-οξέος και προϊόντων ιόντων λιθίου. Το μεγαλύτερο μέρος της επένδυσης, 30 εκατ. ευρώ, αφορά στην ενίσχυση του υπάρχοντος εξοπλισμού στο εργοστάσιο μπαταριών μολύβδου-οξέος της SUNLIGHT στην Ξάνθη με υπερσύγχρονα αυτόματα μηχανήματα, και στην επέκταση των εργοστασίων συναρμολόγησης στη Βερόνα της Ιταλίας και στη Βόρεια Καρολίνα των ΗΠΑ. Η αναβάθμιση αυτή θα αυξήσει την ετήσια παραγωγική δυναμική προϊόντων μολύβδου-οξέος από 4GWh σε 5,3GWh σταδιακά ως το τρίτο τρίμηνο του 2022 και θα καταστήσει τη μονάδα παραγωγής στην Ξάνθη τη μεγαλύτερη στον κόσμο για βιομηχανικές μπαταρίες μολύβδου-οξέος.

Το στρατηγικό πλάνο επενδύσεων και επέκτασης της SUNLIGHT περιλαμβάνει καινοτόμες και τεχνολογικά προηγμένες εφαρμογές στην παραγωγή μπαταριών μολύβδου-οξέος και ιόντων λιθίου, με έμφαση στις μπαταρίες έλξης και την αποθήκευση ενέργειας:
• Ανάπτυξη συστημάτων διαχείρισης ενέργειας, με την αξιοποίηση Big Data, τεχνολογιών τεχνητής νοημοσύνης (AI) και εργαλείων μηχανικής εκμάθησης (Machine Learning).
• Ανάπτυξη και λειτουργία μονάδας ανακύκλωσης μολύβδου για την προμήθεια του 60% των απαιτούμενων για την παραγωγή πρώτων υλών, σύμφωνα με το επιχειρηματικό μοντέλο κυκλικής οικονομίας.

Σχολιάζοντας τις εξελίξεις, ο Διευθύνων Σύμβουλος της SUNLIGHT, Λάμπρος Μπίσαλας, δήλωσε σχετικά: «Με χαρά ανακοινώνουμε επιπλέον επένδυση €50 εκατ., η οποία είναι πλήρως ευθυγραμμισμένη με το στρατηγικό μας στόχο να πρωταγωνιστήσουμε στον κλάδο μπαταριών μολύβδου και λιθίου. Η επένδυση υλοποιείται ήδη και είμαστε ενθουσιασμένοι εν όψει της εγκατάστασης του νέου, υπερσύγχρονου εξοπλισμού που θα επεκτείνει περαιτέρω τις δυνατότητές μας. Στη SUNLIGHT επιθυμούμε να καλύψουμε τόσο την τρέχουσα όσο και τη μελλοντική ζήτηση σε λύσεις εκτός δρόμου κινητικότητας και αποθήκευσης ενέργειας ΑΠΕ, αυξάνοντας την παραγωγική δυναμική μας και καθιστώντας τη βιομηχανική μας μονάδα στην Ξάνθη ένα πραγματικό giga-factory. Παράλληλα, συνεχίζουμε την πλήρη ενοποίηση της παραγωγικής μας διαδικασίας, προσφέροντας στους πελάτες μας ανά τον κόσμο ολοκληρωμένα συστήματα μπαταριών που συνδυάζουν καινοτομία, ασφάλεια και ποιότητα. Τέλος, είμαστε περήφανοι που αυξάνουμε την παραγωγική μας δυνατότητα, επεκτείνοντας τις νέες εγκαταστάσεις συναρμολόγησης στην Ιταλία και τις ΗΠΑ».

Προώθηση των εφαρμογών μηχανικής μάθησης στον τομέα της παραγωγής
Οι διάφοροι κατασκευαστές γίνονται χορηγοί σε διαγωνισμούς επιστήμης των δεδομένων (data science) προκειμένου να ελέγξουν κατά πόσο τα προβλήματά τους θα μπορούσαν να επιλυθούν μέσω της μηχανικής μάθησης. Ένας πρόσφατος τέτοιος διαγωνισμός, που φιλοξενήθηκε από την Kaggle, την πιο δημοφιλή παγκόσμια πλατφόρμα για διαγωνισμούς data science, προκάλεσε τους διαγωνιζόμενους να προβλέψουν ποια εξαρτήματα θα απορρίπτονταν κατά τη διάρκεια ενός ποιοτικού ελέγχου. Οι συμμετέχοντες έπρεπε να βασίσουν τις προβλέψεις τους σε χιλιάδες μετρήσεις και δοκιμές που είχαν πραγματοποιηθεί στο παρελθόν πάνω σε κάθε εξάρτημα στη γραμμή συναρμολόγησης.

Το εγγύς μέλλον: παραγωγή με τη βοήθεια της ρομποτικής
Η σύγχρονη βιομηχανική παραγωγή, μολονότι είναι σε μεγάλο βαθμό αυτοματοποιημένη, βασίζεται ακόμα πολύ στο ανθρώπινο εργατικό δυναμικό. Τα μηχανήματα εκτελούν τις εργασίες τους άψογα – όταν λειτουργούν σε κλειστά περιβάλλοντα. Ωστόσο, η άριστη εκτέλεση μιας εργασίας σε ένα περιβάλλον που διαρκώς μεταβάλλεται απαιτεί τη συμβολή ενός εξειδικευμένου εργαζόμενου.
Στο εγγύς μέλλον, ρομπότ αρκετά ευέλικτα για να συνεργάζονται με ανθρώπους και να εκτελούν τις εργασίες τους με πιο ανθρώπινο τρόπο θα είναι σε θέση να αναλάβουν μεγάλο μέρος της παραγωγικής διαδικασίας. Θα είναι ικανά να προσαρμόζονται τόσο στο μεταβαλλόμενο περιβάλλον όσο και στο αντικείμενο της παραγωγής. Ο εκδημοκρατισμός και η παραγωγικοποίηση (productization) είναι βασικές τάσεις της τεχνητής νοημοσύνης σήμερα.

Η ρομποτική αποτελεί εξαιρετική ευκαιρία για ενισχυτική μάθηση (reinforcement learning). Η τεχνική μηχανικής μάθησης είναι αυτή τη στιγμή ο μόνος τρόπος που έχουν τα μηχανήματα για να προσαρμόζονται σε ένα μεταβαλλόμενο περιβάλλον και να δημιουργούν σύνθετες στρατηγικές προκειμένου να επιτύχουν τους στόχους τους, οι οποίοι δεν είναι δυνατό να επιτευχθούν με τη βοήθεια προγραμματισμένου κώδικα.

Αναγνωρίζοντας τις πολλές ευκαιρίες για τη χρήση της τεχνητής νοημοσύνης και της μηχανικής μάθησης στη βιομηχανική παραγωγή, οι εγκαταστάσεις παραγωγής μπορούν να βελτιώσουν την ποιότητά των προϊόντων τους, να προβλέψουν τα σκαμπανεβάσματα της ζήτησης στην αγορά, να μειώσουν τον αριθμό των σοβαρών συμβάντων, να βελτιώσουν τη φήμη τους όσον αφορά την ασφάλεια και τον περιβαλλοντικό αντίκτυπο και να αυξήσουν την αποτελεσματικότητα και την παραγωγικότητά τους σε κάθε τομέα. Η εφαρμογή της μηχανικής μάθησης και της τεχνητής νοημοσύνης στη βιομηχανική παραγωγή αποτελεί εξελισσόμενη διαδικασία που αποδίδει διαρκώς αξία και οδηγεί σε αύξηση των εσόδων σε βάθος χρόνου.