בינה מלאכותית כבר מזמן אינה סיסמה שיווקית בלבד. בתעשייה ובייצור אלקטרוני היא נוגעת כמעט בכל תחום – מתחזוקה חזויה ועד בקרת איכות אוטומטית. ההבטחה גדולה, אך במציאות לא מעט פרויקטים נכשלים ולא מצליחים לספק ערך עסקי אמיתי.

מחקר חדש שפורסם לאחרונה תחת הכותרת Towards Improved Research Methodologies for Industrial AI: A Case Study of False Call Reduction בוחן לעומק מדוע זה קורה. החוקרים התבססו על דוגמה מוכרת בעולם ייצור המעגלים המודפסים: הפחתת קריאות שווא במערכות בדיקה אופטית אוטומטית (AOI).

הפער המרכזי שהם מצביעים עליו הוא בין ההצלחה הנמדדת במעבדה לבין הערך בפועל על רצפת הייצור. מחקרים רבים מתמקדים במדדים סטטיסטיים כמו F1-score , אך אלה אינם משקפים את מה שבאמת חשוב למפעל – תפוקה, איכות ויעילות.

המחקר מתאר שבע חולשות מתודולוגיות שחוזרות על עצמן במחקרי בינה מלאכותית תעשייתית:

החולשה הראשונה היא שימוש במדדים כלליים שאינם מתורגמים לערך עסקי. מודלים נבחנים לפי דיוק מתמטי אך מתעלמים מהשפעתם על שעות עבודה, קצב קו הייצור או עלות הפסדים.

החולשה השנייה היא התעלמות מהזמן ומהדינמיקה של הייצור. רבים מהמחקרים מסתמכים על חלוקת נתונים אקראית, בעוד שבמפעל תנאי הייצור משתנים לאורך שבועות וחודשים – חומרים שונים, ספקים חדשים או ציוד שעובר בלאי.

החולשה השלישית היא היעדר קריטריונים ברורים להצלחה. ההצלחה מוגדרת כהתקרבות למדד סטטיסטי מסוים, ולא כמדד תפעולי כמו חיסכון בכוח אדם או שיפור בתפוקה.

החולשה הרביעית היא ניתוק מההקשר העסקי הרחב. לעיתים המודל אמנם מקטין קריאות שווא אך במקביל מעלה את שיעור הפסילות, מה שמוביל להפסדים כלכליים גדולים יותר.

החולשה החמישית היא חוסר התייחסות למגבלות פריסה ותפעול. מודלים כבדים שאינם רצים בזמן אמת, או שאינם משתלבים בתשתית הייצור, פשוט אינם ישימים גם אם הם מצטיינים בתיאוריה.

החולשה השישית היא היעדר שקיפות ויכולת הסבר. מהנדסי הייצור אינם יכולים ללמוד ולתקן תהליכים כאשר המודל מתפקד כ"קופסה שחורה" ללא נימוקים.

החולשה השביעית היא חוסר יכולת לשחזר את המחקר בעולם האמיתי. נתונים תעשייתיים רבים סגורים וחסויים, ולכן קשה לאמת או להשוות את ההצלחות המדווחות למחקרים אחרים או לסביבות ייצור שונות.