Proč průmysl 5.0 potřebuje umělou obecnou inteligenci

Autor: Bas Steunebrink, spoluzakladatel a ředitel umělé obecné inteligence, Eric Nivel, vedoucí inženýr AGI & Jerry Swan, výzkumný pracovník ve společnosti NNAISENSE.

Bereme automatizaci jako samozřejmost v našem moderním světě, každý den využíváme výhod globálních dodavatelských řetězců, které dodávají širokou škálu zboží na naše regály. Ale za scénou generuje výroba a pohyb zboží mnoho optimalizačních problémů, jako je balení, plánování, směrování a automatizace montážní linky. Tyto optimalizační problémy jsou dynamické a neustále se mění v souladu s realitou. Například očekávané dodavatelské trasy mohou být náhle narušeny neočekávanými okolnostmi – například může být zablokován Suezský průplav; letecké trasy se mohou změnit v důsledku sopečných erupcí; celé země mohou být nedostupné kvůli konfliktům. Změny legislativy, kolaps měny a vzácné zdroje jsou také příklady proměnlivých proměnných na straně dodavatelů.

Jako další příklad lze uvést, že někdy je třeba do stroje nebo pracovního postupu začlenit nový komponent (uživatelé si mohou přát různé materiály nebo barvy, například). V současné době je pro provedení změn v systému nutná odborná lidská práce nebo – v případě strojového učení – je navíc nutno přeškolit a znovu nasadit řešení. Podobně jsou “digitální dvojčata” průmyslu 4.0 stále silně závislá na předpokladu, že popis problému a rozdělení vstupů lze určit jednou provždy v okamžiku počáteční konstrukce systému.

Nedávná pandemie poukázala na křehkost “just-in-time” plánování dodavatelského řetězce. Stává se stále jasnějším, že v stále složitějším a nejistějším světě již průmysl nemůže dovolit si takovou inflexibilitu. V současné době musí výroba učinit pevné rozhodnutí mezi “Low-Mix High-Volume” (LMHV) a “High-Mix Low-Volume” (HMLV). Průmysl 5.0 předpokládá perspektivu “High-Mix High-Volume” (HMHV), v níž lze pracovní postup rekonfigurovat za nízkou cenu, aby splňoval tekoucí požadavky. K dosažení tohoto cíle je třeba “automatizovat automatizaci”, aby se eliminovala potřeba lidského zásahu a/nebo odstávky systému, když se změní problém nebo prostředí. To vyžaduje systémy, které “pracují na příkaz”, reagují na takové změny, zatímco stále mají rozumnou šanci dokončit své přidělené úkoly v reálném čase. Zvažte například následující příkaz pro montážní linku, který je právě zapojen do úkolu X:

“Zastavte okamžitě montáž X: zde je specifikace Y a zde jsou většina vašich starých a několik nových efektů. Nyní začněte montovat Y, vyhýbejte se takovým a takovým druhům vad a plýtvání.”

Navzdory široké diskusi o blízkém příchodu “umělé obecné inteligence” (AGI) prostřednictvím takzvaných velkých jazykových modelů, jako je GPT-3, žádný z navrhovaných přístupů není skutečně schopen “pracovat na příkaz”. To znamená, že nemohou být zadány úkoly, které jsou zcela mimo jejich tréninkový soubor, bez odstávky offline přeškolení, ověření a opětovného nasazení.

Je jistě zřejmé, že jakékoli skutečné pojetí inteligence je neoddělitelně spojeno s reakcí na změnu. Systém, který zůstává nezměněn – bez ohledu na to, kolik neočekávaných událostí je vystaven – není autonomní ani inteligentní. To není míněno jako poškození nepochybných silných stránek takových hlubokých učení (DL) přístupů, které měly velký úspěch jako prostředek syntézy programů pro problémy, které jsou obtížně explicitně specifikovány.

Co tedy může být funkční schopnost systému, která by umožnila umělé inteligenci přesáhnout tento model “trénovat, zmrazit a nasadit”, směrem k modelu, který je schopen nepřetržité adaptivní učení? Zvažte potřebu nahradit vadný komponent ve výrobním pracovním postupu komponentem od jiného dodavatele, který by mohl mít odlišné tolerance. S koncovým černým boxem současného umělého učení musí být proces digitálního dvojčete proveden znovu. Aby se řešily omezení současného přístupu, je nutná radikální změna: model, který může přímo uvažovat o důsledcích změny komponentu – a obecněji o kontrafaktických “co kdyby” scénářích. Rozložení pracovního postupu na komponenty s známými vlastnostmi a opětovné složení podle potřeby vyžaduje to, co se nazývá “kompozice”.

Kompozice dosud unikla současnému umělému učení, kde je často zmatena se slabším pojmem modularity. Modularity se zabývá schopností “lepšit” komponenty, ale to nezachycuje podstatu kompozice, která je schopnost uvažovat o chování výsledného pracovního postupu, aby se určilo a zajistilo zachování některých požadovaných vlastností. Tato schopnost je vitální pro důvody verifikace a bezpečnosti: například schopnost systému uvažovat, že “přijetí motoru od alternativního výrobce zvýší celkovou produkci energie závodu, zatímco všechny jeho ostatní komponenty zůstanou v rámci teplotních limitů”.

Ačkoli současné neuronové sítě excelují v učení pravidel z dat, postrádají kompoziční uvažování. Jako alternativu k naději, že kompoziční uvažování vyvstanou z neuronových sítí, je možné použít přímo konstrukce teorie kategorií, matematického studia kompozice. Konkrétně jeho subobor kategoriální kybernetika se zabývá bidirekčními kontrolami jako základními reprezentačními prvky. Bidirekcionality je schopnost provádět jak přímou, tak i inverzní inferenci: předpověď z příčin na účinky a naopak. Kompoziční inverzní inferenci je zvláště důležitá, protože umožňuje začlenění zpětné vazby z prostředí na libovolné úrovni strukturní reprezentace – to usnadňuje rychlé učení z malého počtu příkladů.

Daný požadavek na chování systému je pak úkolem naučit se sestavit agregovanou kontrolní strukturu, která splňuje tento požadavek. Počátečně naučené struktury slouží jako kostra pro následné učení.

Jak se znalosti systému zvyšují, tato kostra může být vyzdobena naučenými kompozičními vlastnostmi, podobně jako molekula H2O může být určena mít odlišné vlastnosti než její atomové složky. Kromě toho, stejně jako “házení míče” a “švihání tenisové rakety” lze považovat za související muskuloskeletální akce pro člověka, tak i související úkoly mohou sdílet kostra kontrolní struktury, která je zdobena způsobem specifickým pro úkol prostřednictvím zpětné vazby z prostředí. Toto oddělení kauzální struktury od úkolových specifik může usnadnit učení nových úkolů bez katastrofického zapomínání, které sužuje současné přístupy. Proto může hybridní numericko-symbolický přístup, jak je popsán výše, kombinovat silné stránky obou neuronových a symbolických přístupů, a to tím, že má explicitní pojetí struktury a schopnost učit se adaptivně, jak jsou vlastnosti komponovány. Uvažování o kompozičních vlastnostech je založeno nangoing základě práce, kterou systém právě vykonává.

V závěru je zřejmé, že je nutný nový přístup k vytvoření skutečně autonomních systémů: systémů schopných akomodovat významné změny a/nebo fungovat v neznámých prostředích. To vyžaduje nepřetržité adaptivní učení a generalizaci z toho, co je již známo. Navzdory jejich názvu mají hluboké učení přístupy pouze povrchní reprezentaci světa, která nemůže být manipulována na vysoké úrovni učením. Naopak navrhujeme, že systémy AGI, které se objeví v příští generaci, budou zahrnovat hluboké učení v rámci širší architektury, vybavené schopností uvažovat přímo o tom, co znají.

Schopnost systému uvažovat symbolicky o své vlastní reprezentaci poskytuje významné výhody pro průmysl: s explicitně kompoziční reprezentací může být systém auditován – ať už lidmi nebo vnitřně systémem samotným – aby splňoval vitální požadavky bezpečnosti a spravedlnosti. Ačkoli existuje mnoho akademických obav o takzvaná rizika AGI, správné zaměření je spíše konkrétní inženýrský problém rekonfigurace kontrolního systému, zatímco zachování těchto vitálních požadavků, proces, který nazýváme interaktivní sladění. Je pouze prostřednictvím přijetí tohoto druhu kontrolních systémů, které jsou důvěryhodné a efektivní kontinuální učení, že budeme moci realizovat příští generaci autonomie, kterou předpokládá průmysl 5.0.