Przykładem racjonalnego wdrożenia inteligentnych rozwiązań produkcyjnych może być zastosowanie rzeczywistości rozszerzonej do wsparcia służb utrzymania ruchu. Jak wiadomo, wiedza ekspercka jest niezwykle cenna, a dostęp do niej, szczególnie w wąskich gałęziach specjalizacyjnych, ograniczony. Charakter pracy służb utrzymania ruchu sprawia, że pracownicy ci muszą posiadać rozległą wiedzę z wielu dziedzin. W zależności od specyfiki firmy i poniesionych nakładów, pracownicy utrzymania ruchu mogą posiadać określone specjalności (mechanik, elektryk itp.), a przy dużych awariach pracować w zespole. Zdarza się jednak i tak, że nawet w takiej sytuacji ich wiedza jest niewystarczająca i koniecznie jest korzystanie z zasobów zewnętrznych. Jak pokazuje praktyka, zdarza się, że produkcja nie może zostać wznowiona aż do momentu przyjazdu eksperta, który jest w stanie usunąć awarię. W skrajnych przypadkach może to trwać nawet kilka dni. Dobrym rozwiązaniem w takich sytuacjach może się okazać wprowadzenie oprogramowania rzeczywistości rozszerzonej wraz z okularami wspierającymi tę technologię. Ekspert może „widzieć oczami” technika będącego na miejscu awarii i instruować go, jak usunąć awarię. W odróżnieniu od komunikacji telefonicznej, korzystanie z okularów AR nie absorbuje rąk technika, który dzięki temu może pracować bez przeszkód. Co więcej, ekspert może zaznaczać różne obiekty i miejsca w polu widzenia technika.
Wdrożenie AR w tym obszarze daje realne korzyści biznesowe, takie jak skrócenie czasu przestoju wynikającego z braku obecności eksperta na miejscu awarii czy zniwelowanie kosztów logistycznych poniesionych na relokację tego eksperta.
Innym przykładem transformacji w zakresie inteligentnych rozwiązań produkcyjnych może być wdrożenie przez firmę produkcyjną systemu predykcyjnego utrzymania ruchu (Predictive Maintenance – PdM). Jako że był to względnie mały zakład, dla którego koszy objęcia tym rozwiązaniem całego parku maszynowego byłyby zbyt wysokie, zdecydowano się postawić na przewidywanie potencjalnych awarii dwóch kluczowych maszyn. Z punktu widzenia produkcji maszyny te były kluczowe dla zapewnienia ciągłości procesu, a ich ewentualne awarie generowały największe straty. Firma dysponowała systemem ERP (Enterprise Resource Planning – system planowania zasobów przedsiębiorstwa). Żeby nie zamknąć sobie drogi do szerszego wdrożenia PdM w przyszłości, postanowiono przeprowadzić całą transformację we właściwy sposób. Oprócz oprzyrządowania maszyn w odpowiednie czujniki oraz moduły uczenia maszynowego (machine learning) wdrożono również system CMMS (Computerised Maintenance Management System – zautomatyzowany system wspierania utrzymania ruchu). Tak szerokie podejście nie dość, że pozwoliło usprawnić bieżący proces produkcyjny i zniwelować straty wynikające z niespodziewanych awarii maszyn, to jeszcze – dzięki CMMS – umożliwia integrację narzędzi wprowadzanych przy okazji późniejszej transformacji w innym obszarze.
Kolejnym przykładem jest zakład produkujący części elektroniczne, w którym w procesie kontroli jakości zastosowano samoprogramującą, samouczącą platformę oprogramowania. Do tej pory kontrola jakości odbywała się organoleptycznie. Dzięki sztucznej inteligencji można było stanowiska zajmowane przez ludzi zastąpić automatycznymi systemami wizyjnymi. Co więcej, dzięki deep learning (głębokiemu uczeniu się) narzędzie to mogło samo udoskonalać algorytmy kontroli jakości, oszczędzając czas i niwelując liczbę potencjalnych błędów.