Τεχνητή Νοημοσύνη: Γιατί οι εταιρείες σπεύδουν να επενδύσουν

Μιλούν στο BusinessNews.gr ο επικεφαλής βιομηχανικών εφαρμογών της Motoroil Δημήτρης Μιχαλόπουλος και οι καθηγητές Πληροφορικής Δημήτρης Βράκας και Οικονομικών Στέλιος Κώτσιος. 

της Μαρίας Μπακοπούλου

Πριν από μερικά χρόνια η έννοια της τεχνητής νοημοσύνης, ως η βασικότερη τεχνολογία αιχμής της 4ης Βιομηχανική Επανάσταση, ακούγονταν για κάποιους στην Ελλάδα πολύ μακρινή.
Εν έτει 2021, και μέσα σε λίγους μήνες, τρεις από τις πιο μεγάλες εταιρείες της χώρας υλοποίησαν προγράμματα τεχνητής νοημοσύνης σε τμήματα των

επιχειρήσεών τους και έχουν την πόρτα ανοιχτή για παρόμοιες εφαρμογές στο άμεσο μέλλον.
Σύμφωνα με πρόσφατη ανάλυση του ΣΕΒ, τα συστήματα Τεχνητής Νοημοσύνης έχουν σημαντικά οφέλη για τις επιχειρήσεις που τα υιοθετούν, προσφέρουν λύσεις σε σύγχρονες κοινωνικές προκλήσεις και βελτιώνουν την ποιότητα των υπηρεσιών προς τους πολίτες.
Μάλιστα, κατά κάποιες οικονομικές εκτιμήσεις, η διάχυση της Τεχνητής Νοημοσύνης στην Ελλάδα μπορεί να αυξήσει αθροιστικά το ΑΕΠ κατά περίπου 200 δισ. ευρώ μέσα στα επόμενα 15 χρόνια.
Η ίδια ανάλυση καταδεικνύει ότι οι επενδύσεις σε Τεχνητή Νοημοσύνη μπορούν να ενισχύσουν τα έσοδα των επιχειρήσεων έως 30% μέσα σε 4 χρόνια, με ανάλογη τόνωση της διεθνούς ανταγωνιστικότητας και αποδοτικότητας.
Στη μελέτη του ο ΣΕΒ επισημαίνει πως οι επιχειρήσεις που υιοθετούν λύσεις ΤΝ εμφανίζουν περιθώρια κέρδους έως 17% καλύτερα από τον ανταγωνισμό τους.

Είναι ενδεικτικό, ότι στη βιομηχανία, η χρήση της τεχνητής νοημοσύνης φέρνει 3-5% βελτίωση της αποδοτικότητας της παραγωγής, 10% τουλάχιστον μείωση του χρόνου time to market και 13% βελτίωση των κερδών προ τόκων και φόρων (ΚΠΤΦ) με τη χρήση μηχανικής μάθησης (machine learning) για την πρόβλεψη πηγών εσόδων και τη βελτιστοποίηση των πωλήσεων.

Στον κλάδο του λιανικού εμπορίου μπορεί να προκαλέσει 20% μείωση αποθεμάτων μέσω τεχνικών Deep Learning για την πρόβλεψη ζήτησης στο ηλεκτρονικό εμπόριο, δύο εκατ. λιγότερες επιστροφές προϊόντων το χρόνο, 30% μείωση του χρόνου αποθεματοποίησης με τη χρήση αυτόνομων οχημάτων στις αποθήκες, αλλά και 30% αύξηση των online πωλήσεων μέσω δυναμικής τιμολόγησης και προσαρμογής ανά κατηγορία πελατών.

Παράλληλα, στην παροχή ηλεκτρικής ενέργειας δύναται να κινητοποιήσει κατά 20% αύξηση της παραγωγής ενέργειας με τεχνικές Machine Learning και αισθητήρες για τη βελτιστοποίηση της απόδοσης του συστήματος, αλλά και να προκαλέσει κατά 10%-20% βελτίωση των ΚΠΤΦ μέσω μηχανικής μάθησης (machine learning) για την ενίσχυση της προληπτικής συντήρησης, της πρόβλεψης σφαλμάτων και την αύξηση της παραγωγικότητας.

Τιτάν: Το εργοστάσιο του μέλλοντος

Στη δημιουργία ενός «έξυπνου» εργοστασίου τσιμέντου μέσω ενός προγράμματος καινοτομιών τεχνητής νοημοσύνης που περιλαμβάνουν τη χρήση αυτόνομων αλγορίθμων για τη βελτιστοποίηση ολόκληρης της γραμμής παραγωγής σε πραγματικό χρόνο, προχώρησε πριν από μερικές εβδομάδες η ΤΙΤΑΝ.
Η χρήση αυτών των αλγορίθμων, επιτρέπει την καταγραφή, οργάνωση, μελέτη και αξιοποίηση μεγάλου όγκου λειτουργικών δεδομένων (big data) που προέρχονται από χιλιάδες ειδικούς αισθητήρες ενσωματωμένους στον εξοπλισμό των εργοστασίων και αποφέρει ήδη σημαντικά οφέλη, όπως: ελαχιστοποίηση της κατανάλωσης ενέργειας, μείωση των εκπομπών CO2 και βελτίωση της παραγωγικότητας, έως και 10%.
Αξίζει να σημειωθεί ότι η χρήση των αλγορίθμων βελτιστοποίησης ξεκίνησε στον Τιτάνα ήδη από το 2017 στο εργοστάσιο παραγωγής τσιμέντου Pennsuco των ΗΠΑ και αποτέλεσε μία από τις πρώτες μεθόδους τεχνητής νοημοσύνης που εφαρμόστηκαν στην παραγωγή τσιμέντου παγκοσμίως.
Μάλιστα, η μέθοδος ξεκινά να εφαρμόζεται πρόσφατα και σε εργοστάσια τσιμέντου του ομίλου στις ΗΠΑ, την Ελλάδα, τη Βραζιλία και τη Νοτιοανατολική Ευρώπη.

Μοtor Oil: Εφαρμογή για να αποτρέπονται τα ατυχήματα

Σε νέα, πιο σύγχρονη εποχή μπαίνουν, όμως, και τα διυλιστήρια της Motor Oil μέσω της τεχνητής νοημοσύνης. Είναι χαρακτηριστικό ότι στο πλαίσιο του Ψηφιακού Στρατηγικού σχεδιασμού "Digital Refinery", η εταιρία εκσυγχρόνισε και ενίσχυσε τις εγκαταστάσεις της μέσα στον Ιούλιο, υιοθετώντας λύσεις Τεχνητής Νοημοσύνης για τους εξοπλισμούς του διυλιστηρίου.
Αυτό πραγματοποιείται μέσω ανάλυσης real-time δεδομένων από τα οποία παράγονται προβλέψεις σχετικά με τη λειτουργία των εξοπλισμών επιτρέποντας την έγκαιρη αντιμετώπιση πιθανών προβλημάτων.
Μάλιστα, η εν λόγω λύση επιτρέπει την πρόβλεψη με ακρίβεια πάνω από 77 % σε πιθανά μη φυσιολογικά συμβάντα από 20 έως 120 ώρες πριν την εκδήλωσή τους, ενώ κατά τους υπεύθυνους της εταιρείας, με τον τρόπο αυτό αναμένεται αύξηση του χρόνου ζωής των εξοπλισμών και μείωση του κόστους συντήρησής τους.

IKEA: Το AI έφερε την… ψηφιακή βοηθό, τη «Σοφία»

Tην ίδια στιγμή, στα νέα μονοπάτια της τεχνητής νοημοσύνης βαδίζει η ΙΚΕΑ στην Ελλάδα την εκμετάλλευση της οποίας έχει ο όμιλος Fourlis, καθώς πριν από λίγες ημέρες δημιούργησε και παρουσίασε τη… Σοφία, την ψηφιακή βοηθό του ikea.gr.
Σύμφωνα με την εταιρεία, πρόκειται για κάλυψη της ανάγκης για ταχύτητα και ευελιξία, καθώς και για να διευρύνει την πολυκαναλική αγοραστική εμπειρία της ΙΚΕΑ σε ψηφιακό επίπεδο.
Η εν λόγω εφαρμογή, ήδη, ξεκίνησε να λειτουργεί ως ένας κανονικός υπάλληλος ΙΚΕΑ, καθώς χρησιμοποιεί την τεχνητή νοημοσύνη και είναι πάντα online, αξιοποιώντας τις δυνατότητές της για να δίνει λύσεις και να απαντάει σε όλες τις ερωτήσεις των πελατών, τόσο στα ελληνικά όσο και στα αγγλικά.
Παράλληλα, δίνει στους πελάτες τη δυνατότητα να εξερευνήσουν προϊόντα ΙΚΕΑ ανά κατηγορία ή δωμάτιο και παρουσιάζει προσωποποιημένα αποτελέσματα, σύμφωνα με τις προτιμήσεις που της υποδεικνύουν, ενώ μπορεί να ενημερώσει σχετικά με τη διαθεσιμότητα προϊόντων, τόσο στο e-shop, όσο και στα φυσικά καταστήματα ΙΚΕΑ.

Δημήτρης Μιχαλόπουλος (Μοtor Oil): Είμαστε στην αρχή για ένα συνολικό έργο

Για τη διαδικασία εφαρμογής της τεχνητής νοημοσύνης στα διυλιστήρια της Μοtor Oil μίλησε στο BusinessNews.gr ο Δημήτρης Μιχαλόπουλος, Head of Industrial Applications της εταιρείας, επισημαίνοντας ότι στην ουσία μέσω αυτής ξεκινά ένας μετασχηματισμός κουλτούρας και αντιμετώπισης των εργασιών του διυλιστηρίου και δημιουργείται ένα επιπλέον εργαλείο στα χέρια των ανθρώπων της συντήρησης.

Η έναρξη της διαδικασίας, πιλοτικά, ξεκίνησε τον Ιούλιο του 2020, εν μέσω πανδημίας, παρουσιάστηκαν τους επόμενους μήνες τα πρώτα αποτελέσματα, τα οποία ενθουσίασαν τα στελέχη της εταιρείας και στη συνέχεια από τον Φεβρουάριο ξεκίνησε σε συνεργασία με την εταιρεία SAP – η οποία είχε συνεργασία και στην πιλοτική εφαρμογή – που ολοκληρώθηκε τον Ιούλιο του 2021.

Σύμφωνα με τον κ. Μιχαλόπουλο «ο στόχος του έργου είναι διττός: Το ένα σκέλος ήταν η μελέτη ιστορικών συμβάντων, η περιήγηση στα δεδομένα πριν τα πραγματικά συμβάντα και η προσπάθεια να βρεθεί η ρίζα των προβλημάτων, ενώ το δεύτερο σκέλος είναι η απόπειρα ανάπτυξης προβλεπτικών μοντέλων μέσω αισθητήρων στα διυλιστήρια, που μπορούν να μας επιτρέψουν να έχουμε εκτίμηση για πιθανά συμβάντα μετά από 24 ώρες, χρόνος που μας επιτρέπει στη συνέχεια να μπορούμε να αντικαταστήσουμε π.χ. κάποιο προβληματικό εξάρτημα».

Ο ίδιος επισημαίνει ότι ο «ωκεανός» των δεδομένων που έδωσαν τα διυλιστήρια και τέθηκαν υπό επεξεργασία μέσω της τεχνητής νοημοσύνης έφερε στην επιφάνεια πολύ σημαντικά ευρήματα, τα οποία δεν ανιχνεύονται με τον ανθρώπινο μάτι και μπορούν να λειτουργήσουν σε μεγάλο βαθμό επικουρικά για την αποτροπή αρνητικών γεγονότων, έχουν δηλαδή τη δυνατότητα να αποτρέψουν ακόμα και ατυχήματα.

Mάλιστα, η πρώτη επιτυχημένη εφαρμογή θα φέρει και την υλοποίηση και άλλων έργων τεχνητής νοημοσύνης στο μέλλον για τη Μοtor Oil: «Από τον Σεπτέμβριο θα ξεκινήσει και άλλη εφαρμογή, καθώς αυτό που ολοκληρώσαμε μόλις είναι η αρχή ενός συνολικού προγράμματος έργων, τα οποία θα ακολουθήσουν», επισημαίνει ο κ. Μιχαλόπουλος που ετοιμάζεται και για την παρουσίαση του εν λόγω εγχειρήματος σε διεθνές συνέδριο τον Οκτώβριο στο Βουκουρέστι.

Στέλιος Κώτσιος, Καθηγητής Οικονομικών ΕΚΠΑ: «Τεχνητή νοημοσύνη σημαίνει εξειδίκευση»

Ο καθηγητής Οικονομικών του Εθνικού και Καποδιστριακού Πανεπιστημίου Στέλιος Κώτσιος υποστηρίζει μιλώντας στο BusinessNews.gr ότι η εφαρμογή της τεχνητής νοημοσύνης από ελληνικές εταιρείες είναι κάτι που αναμένονταν και πρόκειται να γιγαντωθεί τα επόμενα χρόνια, ωστόσο είναι αναγκαίο να βασίζεται σε προγράμματα που δημιουργούνται στην Ελλάδα από ειδικά καταρτισμένους επιστήμονες: «Αυτό που αρχίζουν και εφαρμόζουν σιγά-σιγά τώρα οι ελληνικές επιχειρήσεις είναι στην ουσία ρομποτική: Μια διαδικασία αυτοματισμών σε κάποιες συγκεκριμένες διαδικασίες, οι οποίοι προκύπτουν από τη συλλογή δεδομένων των εταιρειών. Πρέπει να κατανοηθεί ότι πρόκειται για εφαρμογές που χρειάζονται εξειδικευμένο προσωπικό και πολύ περισσότερους υπαλλήλους, σε αντίθεση με ό,τι γράφεται ότι η τεχνητή νοημοσύνη φέρνει απολύσεις. Αυτό που φέρνει είναι η ανάγκη για καταρτισμένους υπαλλήλους, ειδικά από τον χώρο των μαθηματικών».
Πάντως, παρά τα πλεονεκτήματα που φέρει η τεχνητή νοημοσύνη ο κ. Κώτσιος επισημαίνει ότι «δεν είναι πανάκεια. Αυτό που θα πρέπει να κατανοήσουν οι ελληνικές επιχειρήσεις που είναι τώρα στην αρχή αυτών των εφαρμογών είναι ότι θα λειτουργεί επικουρικά με τους υπαλλήλους, είναι η συμπληρωματική στην ανθρώπινη εργασία η εφαρμογή της και δεν τους υποκαθιστά με κανέναν τρόπο».

Δημήτρης Βράκας , Καθηγητής Πληροφορικής ΑΠΘ: «Μονόδρομος για τις μεγάλες επιχειρήσεις»

Eν αρχή ήταν η… Google αναφέρει ο Δημήτρης Βράκας, καθηγητής Πληροφορικής στο Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης: «Η εφαρμογή της τεχνητής νοημοσύνης ξεκίνησε επί της ουσίας πριν από επτά χρόνια από την Google , η οποία είχε στη διάθεσή της εξαιρετικά μεγάλο όγκο δεδομένων, τα οποία αποφάσισε να αξιοποιήσει. Το παράδειγμά της ακολούθησαν στη συνέχεια πολλές αμερικανικές εταιρίες και γρήγορα στις ΗΠΑ η αξιοποίηση της τεχνητής νοημοσύνης έγινε δεδομένη, κάτι που τώρα αρχίζει να γίνεται στην Ελλάδα. Tώρα, επί της ουσίας, είναι μονόδρομος η χρήση της, ειδικά για τις μεγάλες εταιρείες που έχουν σημαντικό όγκο δεδομένων τα οποία μπορούν να αξιοποιήσουν».
Είναι, όμως, σε θέση να ανταπεξέλθουν στο κόστος, ειδικά στην Ελλάδα με ‘’πληγωμένη’’ της επιχειρηματικότητα, ρωτάμε τον κ. Βράκα;

«Για να υλοποιηθούν προγράμματα τεχνητής νοημοσύνης στις εταιρείες στην Ελλάδα χρειάζεται εξειδικευμένο προσωπικό και συγκεκριμένες διαδικασίες. Χρειάζεται, επίσης, και βοήθεια από την πολιτεία. Για τις μεγάλες εταιρείες το κόστος είναι διαχειρίσιμο, καθώς τα οφέλη που θα αποκομίσουν είναι ικανά να το ισοσταθμίσουν. Για τις μικρές ίσως υπάρχει θέμα. Ωστόσο, δεν θεωρώ ότι χρειάζεται δεύτερη σκέψη, αυτό θα είναι το μέλλον, εξάλλου, για τη λειτουργία πολλών εταιρειών, ειδικά αυτών που συσσωρεύουν συνεχώς δεδομένα», απαντά ο καθηγητής του ΑΠΘ.