A kerekasztal-beszélgetést Dr.Nick Gábor, az EPIC InnoLabs helyettes ügyvezetője vezette. Bevezetőjében megidézte John McCarthy-t, aki 1956 nyarán szervezte meg azt a Dartmouth konferenciát, ahol megszületett a „mesterséges intelligencia fogalma.  A szintén jelenlévő Marvin Minsky már akkor úgy fogalmazott: olyan korszak küszöbén állunk, amelyben a gépek és az AI-eszközök domináns szerepet fognak betölteni. Ez a felütés jól megalapozta a kerekasztal központi kérdését: mit jelent ma az AI az iparban, és mennyire bízhatunk meg benne, ha a minőségellenőrzésről van szó. Az erről folyó szakmai beszélgetésben Herbály Péter, a TRIGO Group szolgáltatási területekért felelős alelnökeke, Kontos János, a Continental veszprémi üzemének AI és adat specialistája, valamint Makkos Levente, a TRUMPF lézertechnikai értékesítési mérnöke vett részt. A panel technológiai, gyakorlati és stratégiai szempontból járta körül, mikor és hogyan érdemes valóban mesterséges intelligenciát alkalmazni az ipari minőségellenőrzésben.

Adatminőség kérdése – a sikeres AI-alapú megoldások alapja

A beszélgetés egyik legmarkánsabb tanulsága az volt, hogy az AI-rendszerek teljesítménye közvetlenül az adatminőségtől függ. „Shit in, shit out” – hangzott el tömören, utalva arra, hogy gyenge minőségű bemenetekből nem lehet megbízható eredményeket várni. Kontos János, a Continental veszprémi üzemének AI és adat specialistája úgy fogalmazott: „Nincs ingyen ebéd az AI-ban sem – ha nem megfelelő az adat, a rendszer sem fog pontos eredményt adni.” Kiemelte, hogy a GenAI mellett a neurális hálózatokon alapuló, célzott, prediktív modellek már ma is eredményesen alkalmazhatók – akár drága szenzorok kiváltására, akár dokumentációkezelési vagy operátorképzési célokra. A TRIGO és a TRUMPF képviselői is megerősítették: az adatok nemcsak a hibafelismerés, hanem az automatizált döntéshozatal alapját is jelentik. A szakemberek kiemelték, hogy sok iparági szereplő hatalmas mennyiségű adatot gyűjt, de ez nem jelenti azt, hogy ezek az adatok rögtön értékké is válnak: „az adatgyűjtés és az értékteremtő adatfelhasználás között gyakran nincs meg az egyértelmű híd.” Ez fontos gondolat, mert rávilágít arra, hogy a digitalizáció nem önmagáért, hanem a célzott és hatékony alkalmazásáért értékes. Mindez azt is jelenti, hogy az ipari szereplőknek gyakran maguknak kell kialakítaniuk a megfelelő adatgyűjtési és -kezelési gyakorlatokat. Egy sikeres AI-bevezetés ugyanis nem az algoritmusnál, hanem az adatelőkészítésnél kezdődik – ez pedig sokszor a teljes projektmunkaidő 80%-át is kiteheti.

Alkalmazási példák az iparból

A kerekasztal résztvevői konkrét ipari példákon keresztül mutatták be, hogyan válik a mesterséges intelligencia a gyártás szerves részévé. Makkos Levente, a TRUMPF lézertechnikai értékesítési mérnöke elmondta, hogy cégük optikai koherencia tomográfiával (OCT) működő rendszert alkalmaz a lézerhegesztési varratok valós idejű elemzésére. Ez a technológia nemcsak a roncsolásos vizsgálatokat váltja ki, hanem gépi látással és mesterséges intelligenciával kombinálva biztosítja az alkatrészek visszakövethetőségét is. A TRIGO leányvállalatánál, a Scortexnél például nem csak arról van szó, hogy hibát keresünk: „a jó darab alapján határozzuk meg, mi a normális” – vagyis az AI a minőség újfajta definícióját is segít kialakítani, nem csak követni. Kontos János, a Continental veszprémi üzemének AI és adat specialistája hozzátette: náluk az AI-t prediktív karbantartásra, szenzorpótlásra és többnyelvű tréningfolyamatok automatizálására is sikeresen használják. A cél az, hogy a mérnökök és operátorok adminisztráció helyett valódi értékteremtő munkára fókuszálhassanak – ebben a GenAI eszköztára is egyre nagyobb szerepet kap. Herbály Péter, a TRIGO szolgáltatási területekért felelős alelnöke elmondta: a vállalatcsoporthoz tartozó megoldás, a Scortex rendszer nem a hibákat tanulja, hanem a jó darabokat, így képes anomáliákat azonosítani egy csavaron éppúgy, mint egy teljes ajtópanelen – alkalmazkodva az iparági sokféleséghez és ügyféligényekhez.

Így támogatja a mérnökök munkáját

A beszélgetés során egyértelművé vált, hogy a mesterséges intelligencia jelenleg nem a mérnöki munka kiváltását, hanem annak hatékonyabbá tételét szolgálja. Herbály Péter, a TRIGO Group globális szolgáltatási vonalainak alelnöke az engineer-powered AI kifejezést használva hangsúlyozta: a jól strukturált, mérnökök által irányított rendszerek idővel automatizmussá fejlődhetnek, de a döntéshozatal továbbra is emberi kontrollt igényel. Az AI képes például 8D riportokat előkészíteni, vagy FMEA-elemzéseket támogatni, így a mérnökök a tényleges problémamegoldásra koncentrálhatnak. Makkos Levente (TRUMPF) szerint gépeik képesek javaslatokat adni a beállítások finomhangolására, míg Kontos János (Continental) kiemelte, hogy a nyelvi támogatás és dokumentációkezelés szintén fontos előrelépés, amely csökkenti az adminisztratív terheket. Hozzátette, hogy a fiatal mérnökök már más elvárásokkal lépnek be: „nemcsak azt akarják tudni, mit csinálunk, hanem azt is, hogy miért és hogyan.” Ez egy paradigmaváltásra utal a mérnökképzés és a vállalati kultúra terén is – és jól kapcsolható a záró gondolathoz, miszerint az AI-t már természetes munkaeszköznek tekintik az új generációk.

Mikor valóban megéri AI-t alkalmazni?

A résztvevők óvatos optimizmussal nyilatkoztak az AI ipari alkalmazhatóságáról: nem minden problémára jelent ideális megoldást. A mesterséges intelligencia ott kap szerepet, ahol a feladat komplex, adatintenzív, vagy ahol az emberi kivitelezés csak nagy költségek árán lenne megoldható. A TRUMPF példája – ahol az AI valós időben optimalizálja a hegesztési folyamatot – jól illusztrálja, milyen hatékony lehet az AI jól definiált környezetben. Ugyanakkor elhangzott: sok esetben elegendők lehetnek egyszerűbb, költséghatékony technológiák is. A kulcs a tudatos technológiaválasztás és a világosan megfogalmazott cél. Kontos János kitért arra, hogy a vállalati tudás gyakran nem jól dokumentált, és „még mindig túl sok dolog van fejben, nem rendszerben.” Ez nemcsak az AI bevezetésének akadálya, hanem az iparági tudástranszfer egyik alapvető problémája is – tehát strukturálisan is indokolja a GenAI és dokumentációs AI-rendszerek felértékelődését.

Jövőkép: támogatás, nem kiváltás

A beszélgetés végén a résztvevők egyetértettek abban, hogy a mesterséges intelligencia nem helyettesíti, hanem kiegészíti az embert. „Nem az a kérdés, hogy az AI elveszi-e a munkánkat, hanem az, hogy élünk-e vele, hogy jobban végezhessük azt.” – fogalmazott Herbály Péter. A prediktív adatmodellek, az automatizált riportok vagy a többnyelvű tréningek mind azt a célt szolgálják, hogy a mérnökök nagyobb arányban foglalkozhassanak kreatív és stratégiai feladatokkal. Valódi áttörések ott várhatók, ahol az AI stabil, kipróbált és elfogadott megoldásként jelenik meg – ilyen terület lehet például a tréningautomatizálás vagy a minőségellenőrzési predikció. A fiatal mérnökgeneráció hozzáállása is változást hozhat: számukra az AI már nem „technológiai csoda”, hanem természetes munkaeszköz – ez pedig hosszú távon az egész iparág működésére hatással lehet.