في عام 1913 ، أحدث هنري فورد ثورة في صناعة السيارات مع أول خط تجميع متنقل ، وهو ابتكار جعل تجميع المركبات الجديدة أسرع وأكثر كفاءة.
بعد ما يقرب من مائة عام ، تستخدم شركة فورد الآن الذكاء الإصطناعي لتسريع خطوط التصنيع الحالية.
يتضمن مصنع Ford في ميتشجان ، حيث تساعد الروبوتات في تجميع محولات عزم الدوران ، الآن نظامًا يستخدم الذكاء الإصطناعي للتعلم من المحاولات السابقة حول كيفية تجميع الأجزاء معًا بشكل أكثر كفاءة.
تستخدم Ford تقنية من شركة ناشئة تسمى Symbio Robotics لاكتشاف الذراعين والتحكم فيها ، والتي تفحص مئات المحاولات السابقة لتحديد التقنيات والحركات التي يبدو أنها تعمل بشكل أفضل.
و تستخدم شركتا تويوتا ونيسان نفس التقنية لتحسين كفاءة خطوط إنتاجهما.
و تسمح التكنولوجيا لهذا الجزء من خط التجميع بالعمل بشكل أسرع بنسبة 15٪ ، وهو تحسن كبير في صناعة السيارات حيث تعتمد هوامش الربح المنخفضة بشكل كبير على كفاءة التصنيع.
و تخطط الشركة لاستكشاف ما إذا كانت تستخدم التكنولوجيا في المصانع الأخرى ، حيث يمكن استخدام التكنولوجيا في أي مكان يمكن أن يتعلمه الكمبيوتر من كيفية ملاءمة الأشياء معًا ، وهناك العديد من التطبيقات.
غالبًا ما يُنظر إلى الذكاء الإصطناعي على أنه تقنية تحويلية ، لكن تجميع محولات عزم الدوران في مصنع فورد يوضح كيف يمكن للذكاء الإصطناعي اختراق العمليات الصناعية بطرق تدريجية وغير محسوسة في كثير من الأحيان.
و على الرغم من أن صناعة السيارات أصبحت آلية للغاية ، فإن الروبوتات التي تساعد في تجميع المركبات ولحامها وطلائها هي آلات قوية ودقيقة تكرر نفس المهمة مرارًا وتكرارًا دون أي قدرة على فهم محيطها أو التفاعل معها.
و تعد إضافة المزيد من الأتمتة تحديًا ، وتشمل المهام التي لا تزال بعيدة عن متناول الآلات , مهام مثل إضافة الكابلات المرنة عبر لوحة القيادة وجسم السيارة.
وفي عام 2018 ، ألقى Elon Musk باللوم على قرار الإعتماد بشكل أكبر على الأتمتة في التصنيع ، مما تسبب في تأخير Tesla لإنتاج الطراز 3.
و يستكشف الباحثون والشركات الناشئة طرقًا لتمكين الروبوتات ، على سبيل المثال من خلال السماح لهم بإدراك وفهم الأشياء غير المعروفة التي تتحرك على طول أحزمة النقل.
و يوضح مثال فورد كيف يمكن في كثير من الأحيان تحسين الآلات الموجودة من خلال توفير قدرات استشعار وتعلم بسيطة.
و يستخدم الذكاء الإصطناعي بشكل متزايد لمراقبة الجودة في التصنيع ، حيث يمكن تدريب خوارزميات الرؤية الحاسوبية لاكتشاف العيوب في المنتجات أو المشاكل في خطوط الإنتاج.
و يتمثل أحد التحديات الرئيسية في أن كل عملية تصنيع فريدة وتتطلب الأتمتة لاستخدامها بطريقة معينة ، ويجب دمج التقنيات الجديدة في سير العمل دون المساس بالإنتاجية.