Last chance! 50% off DataCamp Premium
Sale ends in
वर्ल्ड इकोनॉमिक फोरम के संस्थापक क्लाउस श्वाब ने दावोस में “चौथी औद्योगिक क्रांति” (4IR) का जिक्र किए अब सात वर्ष बीत चुके हैं। फिर भी, इसकी संभावनाओं, यह कैसा दिखेगा, और यह कब आएगा—इन सबको लेकर उत्साह थमा नहीं है।
इसी शीर्षक वाली अपनी पुस्तक में, श्वाब 4IR को “एक तकनीकी क्रांति बताते हैं जो भौतिक, डिजिटल और जैविक क्षेत्रों के बीच की रेखाओं को धुंधला कर रही है।”
जैसे-जैसे हम कृत्रिम बुद्धिमत्ता जैसी तकनीकों पर अधिक निर्भर होते जा रहे हैं और यह हमारे जीवन में बड़ी भूमिका निभा रही है, बहुत से लोग अब 4IR को भविष्य की चीज़ नहीं मानते—वे कहते हैं कि यह यहीं है—अगला कदम है AI में विश्वास बनाना ताकि इसका अपनाव तेज हो। आप हमारे अलग वेबिनार में AI से निर्णय-निर्माण में क्रांति के बारे में अधिक जान सकते हैं।
उद्योग में AI का उदय
AI इक्कीसवीं सदी के सबसे बड़े चर्चित शब्दों में से एक रहा है, और इसका अधिकतर जोर पिछले दशक से आया है। कृत्रिम बुद्धिमत्ता को आगे बढ़ाने की हालिया पहल के बावजूद, इसकी उत्पत्ति बीसवीं सदी के मध्य तक जाती है।
ट्यूरिंग टेस्ट
1950 में, एलन ट्यूरिंग ने कृत्रिम बुद्धिमत्ता की अवधारणा को जनचेतना में लाया। अपनी सोच के अनुरूप, उन्होंने ट्यूरिंग टेस्ट विकसित किया ताकि यह पहचाना जा सके कि क्या मशीनें मनुष्यों के समान या उससे परे सोच सकती हैं। दुर्भाग्यवश, 60 के दशक के उत्तरार्ध तक बहुत कम प्रगति हुई, जिसे अनुसंधान व विकास के लिए पर्याप्त धन न मिलने के कारण पहला “AI विंटर” कहा गया।
निर्माण में रोबोट का प्रवेश
फिर भी, पृष्ठभूमि में चुपचाप, इस अवधि में कम वृद्धि के बावजूद AI के कुछ पहलू निर्माण में एकीकृत होने लगे। उदाहरण के लिए, SCARA नामक असेंबली लाइन रोबोटिक आर्म 1978 में विकसित हुआ और निर्माण में इस्तेमाल हुआ। लेकिन 1980 के दशक तक हमें AI अनुसंधान और विकास में अगला उछाल नहीं दिखा, और इसमें शतरंज ने महत्वपूर्ण भूमिका निभाई।
AI के लिए चेकमेट
उस समय के शतरंज विश्व चैंपियन गैरी कास्पारोव खेल पर हावी थे। शतरंज को उस अंतिम खेल के रूप में देखा गया जिसे हराना आवश्यक था, क्योंकि इसे पार कर लेना दर्शाता कि AI ने ट्यूरिंग के उस मानक को हासिल कर लिया है जिसमें एक ऐसी मशीन बनाना शामिल है जो मनुष्य की क्षमता के बराबर सोच सके।
कास्पारोव अपने क्षेत्र में AI की प्रगति से आश्वस्त नहीं थे और उन्होंने कहा कि AI-संचालित शतरंज इंजन ग्रैंडमास्टर्स के स्तर को पार नहीं कर पाएंगे। यह विश्वास तब और मजबूत हुआ जब उन्होंने क्रमशः 1996 में IBM के डीप ब्लू और 1989 में उसके पूर्ववर्ती IBM डीप थॉट को हरा दिया।
लेकिन 1997 में IBM के डीप ब्लू ने रीमैच में उन्हें हरा दिया; कहा जाता है कि इस क्षण ने 1988 में शुरू हुए दूसरे “AI विंटर” का अंत कर दिया।
AI का भविष्य
तब से AI में लगातार सुधार होते रहे हैं। हालांकि, अगला बड़ा उछाल 2012 में डीप लर्निंग क्रांति के बाद और हाल ही में GPT-4 के लॉन्च के साथ आया।
हर प्रगति ने AI की वृद्धि में महत्वपूर्ण भूमिका निभाई है, जो धीरे-धीरे निर्माण उद्योग तक भी फैल गई है। आजकल, उत्पादन को अनुकूलित करने के लिए निर्माताओं द्वारा AI का उपयोग करना आम बात हो गई है।
निर्माण में AI के उदाहरण
हम AI को इस प्रकार परिभाषित कर सकते हैं: “बुद्धिमत्ता—जानकारी को ग्रहण करना, संश्लेषित करना, और निष्कर्ष निकालना—जो मशीनों द्वारा प्रदर्शित की जाती है, मनुष्यों या अन्य जानवरों द्वारा प्रदर्शित बुद्धिमत्ता के विपरीत।”
AI की एक विशिष्ट शाखा जिसे मशीन लर्निंग कहा जाता है, निर्माण उद्योग में क्रांतिकारी प्रगति कर रही है क्योंकि यह उद्योग भारी मात्रा में डेटा पर निर्भर है।
मशीन लर्निंग मशीनों को डेटा से सीखे गए पैटर्न के आधार पर बिना मानवीय हस्तक्षेप के निर्णय लेने में सक्षम बनाती है। मनुष्यों के लिए विशाल मात्रा में डेटा को छांटना आम तौर पर कठिन होता है, जबकि मशीन के लिए यह सरल है।
जहां कभी रोबोट कर्मचारियों से भरा कारखाना विज्ञान-कथा जैसा दूर का सपना लगता था, आज यह निर्माताओं द्वारा AI का उपयोग करने की एक वास्तविक दुनिया की स्थिति को दर्शाता है।
लेकिन निर्माता कई तरीकों से AI से लाभ उठा सकते हैं; आइए कुछ पर नज़र डालते हैं।
भविष्यसूचक रखरखाव
सभी औद्योगिक उपकरणों की एक आयु होती है। समय पर रखरखाव न करने पर बड़े पैमाने पर धन और समय की हानि हो सकती है। बहुत जल्दी सर्विसिंग करना भी समय और धन की हानि का कारण बन सकता है, इसलिए चुनौती यह है कि उपकरण की सर्विसिंग या प्रतिस्थापन के लिए आदर्श समय की पहचान की जाए। AI-आधारित भविष्यसूचक रखरखाव तेजी से इस आवश्यकता को पूरा करने के लिए अपनाया गया है।
गुणवत्ता नियंत्रण और निरीक्षण
निर्मित उत्पादों में अक्सर एक निश्चित स्तर का गुणवत्ता नियंत्रण बनाए रखा जाता है ताकि उपभोक्ताओं तक पहुंचने से पहले वे अच्छे मानकों पर खरे उतरें। परंपरागत रूप से गुणवत्ता नियंत्रण लागू करने का अर्थ था कि मनुष्य दोषों की तलाश के लिए दृश्य निरीक्षण करें। मानवीय दृश्य निरीक्षण की दिक्कतें दोहरी हैं: 1) मनुष्य आमतौर पर त्रुटिप्रवण होते हैं, और 2) निरीक्षण में लंबा समय लग सकता है।
दृश्य निरीक्षण की जिम्मेदारी AI-संचालित उपकरणों, जैसे मशीन विजन कैमरों, को सौंपने से अक्सर दोषों की तेज और अधिक सटीक पहचान व निरीक्षण होते हैं, जिससे कंपनियां आश्वस्त हो सकती हैं कि उनके उत्पाद उपभोक्ताओं तक पहुंचने से पहले अपेक्षित गुणवत्ता पर खरे उतरते हैं।
प्रक्रिया अनुकूलन और स्वचालन
Robotic process automation (RPA) जैसी तकनीकें सॉफ्टवेयर रोबोट बनाने, तैनात करने और प्रबंधित करने की आवश्यकताओं को सरल बनाती हैं, जो डिजिटल सिस्टम और सॉफ्टवेयर के साथ इंटरैक्ट करते हुए मानवीय क्रियाओं की नकल करते हैं।
ऐसा सॉफ्टवेयर दोहराए जाने वाले, उच्च-वॉल्यूम कार्यों को मनुष्यों की तुलना में अधिक सटीकता से संभाल सकता है। RPA के उदाहरणों में सिस्टमों के बीच डेटा स्थानांतरण, खोज, गणनाएं, और रिकॉर्ड रखरखाव शामिल हैं।
आपूर्ति श्रृंखला प्रबंधन
निर्माण में AI का एक अच्छा उदाहरण आपूर्ति श्रृंखला प्रबंधन में देखा जा सकता है। निर्माताओं को आमतौर पर लाखों ऑर्डर, खरीद, सामग्री, अवयव आदि को संसाधित करना होता है। इन प्रक्रियाओं को मैन्युअल रूप से संभालना लोगों के समय और संसाधनों पर काफी प्रभाव डालता है, यही कारण है कि अधिक कंपनियां अपनी आपूर्ति श्रृंखला प्रक्रियाओं को बढ़ाने के लिए AI की ओर रुख कर रही हैं।
कोबोट्स
सहयोगी रोबोट, या संक्षेप में कोबोट्स, मनुष्यों के स्थान पर नहीं बल्कि उनके साथ मिलकर अधिक सहायक जिम्मेदारियां निभा रहे हैं।
स्वचालित रोबोटों के विपरीत, जिन्हें एक ही कार्य को बार-बार करने के लिए प्रोग्राम किया जाता है, कोबोट्स विभिन्न कार्य करना सीख सकते हैं और अक्सर ऐसे कार्यों में लगाए जाते हैं जिनमें भारी उठान (जैसे कार के भारी पुर्जे उठाना) या फैक्ट्री असेंबली लाइनों पर काम शामिल होता है। कोबोट्स का एक अन्य उपयोग बड़ा गोदामों में वस्तुओं का पता लगाना और उन्हें लाना भी है।
निर्माण में AI के नैतिक निहितार्थ
निर्माण में AI के परिणामस्वरूप होने वाले सभी सकारात्मक परिणामों और संभावित सफलताओं के बीच, कुछ नैतिक निहितार्थों ने कुछ समूहों में चिंताएं पैदा की हैं।
वे जिन चिंताओं को उठाते हैं, उनमें कुछ ये हैं।
बेरोजगारी और बढ़ती असमानता
सबसे स्पष्ट चिंता मानवता की सुरक्षा के लिए खतरा है। कुछ के लिए यह अस्तित्वगत है, लेकिन दूसरों के लिए यह श्रम की मांग के बारे में अधिक है।
परंपरागत रूप से, तकनीकी प्रगति उच्च-कुशल श्रम की मांग बढ़ाती है, जबकि कम शिक्षा और कम कौशल वाले श्रमिकों की मांग घटती है।
हालांकि, IBM के चेयरमैन और मुख्य कार्यकारी अरविंद कृष्णा ने जनवरी 2023 में दावोस में भविष्यवाणी की कि AI क्रांति के साथ हम इसका उल्टा भी देख सकते हैं:
“आपको दफ्तरी, श्वेतपोश नौकरियों के बारे में शारीरिक [नौकरियों] की तुलना में अधिक चिंतित होना चाहिए। इनका एक बड़ा हिस्सा प्रतिस्थापित हो जाएगा। तो सवाल है: ‘उनके स्थान पर आप कौन-सी नौकरियां पैदा करते हैं?’”
Arvind Krishna, Chairman and Chief Executive IMB
जैसे-जैसे मशीनें अधिक बुद्धिमान होती जाएंगी, वे कार्यस्थलों में कई मनुष्यों की जगह लेंगी, और 4IR के कौशल से वंचित लोगों में बेरोजगारी बढ़ेगी।
साइबर सुरक्षा खतरे
साइबर अपराधी लगातार सिस्टम में सेंध लगाने के नए तरीकों की खोज में रहते हैं, जिससे AI को लेकर कई चिंताएं बढ़ती हैं क्योंकि वे साइबर हमलों के लिए अधिक संवेदनशील होते हैं। वर्ल्ड इकोनॉमिक फोरम निर्माण क्षेत्र के मुख्य खतरों के रूप में निम्नलिखित को रेखांकित करता है:
- फ़िशिंग हमले
- रैनसमवेयर
- बौद्धिक संपदा की चोरी
- आपूर्ति श्रृंखला पर हमले
- इंटरनेट ऑफ थिंग्स (IoT) पर हमले
जैसे-जैसे मनुष्य, उत्पाद और उपकरण IoT के माध्यम से अधिक जुड़ते जा रहे हैं, सिस्टम में एक छोटी-सी सेंध भी पूरी उत्पादन लाइन में व्यवधान पैदा करने के लिए पर्याप्त है और सबसे बुरे मामलों में, किसी निर्माण व्यवसाय को पूरी तरह से बंद कर सकती है।
पक्षपात
AI पर विशाल मात्रा में डेटा को तेजी से संसाधित करने के लिए भरोसा करने का एक दुष्परिणाम यह है कि यह अंतर्निहित पक्षपात सीख सकता है। AI पर हमेशा निष्पक्ष और तटस्थ होने का भरोसा नहीं किया जा सकता।
उदाहरण के लिए, भविष्य में अपराधियों की भविष्यवाणी करने के लिए प्रशिक्षित एक AI प्रणाली में काले लोगों के प्रति प्रबल पक्षपात देखा गया। सिस्टम बनाने वाले लोगों को भी ध्यान में रखना होता है। इन्हें मनुष्य बनाते हैं, और लोग अक्सर अपने स्वयं के पक्षपात रखते हैं, जिन्हें वे अनजाने में शामिल कर सकते हैं।
निर्माण के संदर्भ में, AI पक्षपात कई समस्याएं पैदा कर सकता है।
उदाहरण के लिए, भविष्यसूचक रखरखाव में, पक्षपाती डेटासेट पर प्रशिक्षित AI मॉडल उपकरण विफलताओं की सटीक भविष्यवाणी करने में विफल हो सकते हैं, जिससे अप्रत्याशित ठहराव, बढ़ी हुई लागत और घटती उत्पादकता हो सकती है।
पक्षपात स्वचालित गुणवत्ता नियंत्रण प्रक्रियाओं को भी विकृत कर सकता है, जिसके परिणामस्वरूप त्रुटिपूर्ण डेटा के आधार पर कुछ उत्पादों या पुर्जों को दूसरों पर तरजीह मिल सकती है।
इसके अलावा, AI-चालित आपूर्ति श्रृंखला प्रबंधन में, पक्षपात अनुचित विक्रेता चयन, संसाधनों का अक्षम आवंटन, और बाजार मांग का गलत आकलन करा सकता है। ये प्रभाव न केवल परिचालन दक्षता को प्रभावित कर सकते हैं, बल्कि प्रतिष्ठा संबंधी जोखिम पैदा कर सकते हैं और नियामक अनुपालन के मुद्दे भी खड़े कर सकते हैं।
समापन
निस्संदेह, AI एक क्रांतिकारी तकनीक है; बढ़ती संख्या में व्यवसाय इसे प्रक्रियाओं में सुधार, बेहतर निर्णय लेने और बेहतर उत्पाद बनाने के लिए अपना रहे हैं।
जैसे-जैसे ये सिस्टम और अधिक स्मार्ट होंगे, निर्माण प्रक्रियाएं भी बेहतर होने की संभावना है; इसलिए, जिन कंपनियों की AI की बुनियादी समझ मजबूत है, वे अपने प्रतिस्पर्धियों पर महत्वपूर्ण बढ़त बनाए रखेंगी।
डेमो का अनुरोध करें और जानें कि DataCamp कैसे आपकी पूरी टीम को अपस्किल करने और डेटा-पॉजिटिव संस्कृति बनाने की प्रक्रिया में मार्गदर्शन कर सकता है।
