Miksi teollisuus 5.0 tarvitsee yleisen tekoälynsä

Kirjoittajat: Bas Steunebrink, perustaja ja johtaja, yleisen tekoälynsä, Eric Nivel, johtava insinööri ja Jerry Swan, tutkija NNAISENSE.

Me otamme automaation annettuna nykymaailmassamme, hyödyntäen joka päivä maailmanlaajuisista toimitusketjuista, jotka toimittavat laajan valikoiman tuotteita hyllyymme. Mutta kulissien takana tuotteiden tuotanto ja liikkeet luovat monia optimointihaittoja, kuten pakkaamista, aikataulutusta, reitittämistä ja tuotannon automaatiota. Nämä optimointihaitat ovat dynaamisia ja muuttuvat jatkuvasti todellisen maailman mukana. Esimerkiksi odotetut toimitusreitit voivat yllättäen muuttua epävarmoiksi johtuen odottamattomista olosuhteista – esimerkiksi Suezin kanava voi olla tukossa; ilmareitit voivat muuttua tulivuorenpurkausten vuoksi; koko maat voivat olla esteettömiä konfliktien vuoksi. Lainsäädännön muutokset, valuutan romahdukset ja niukat resurssit ovat myös esimerkkejä toimituspuolen muuttuvista muuttujista.

Esimerkiksi joskus uusi komponentti on sisällytettävä koneeseen tai työnkulkuun (käyttäjät voivat haluta eri materiaaleja tai värejä). Tällä hetkellä asiantuntija-ihmisvoimaa vaaditaan järjestelmän muuttamiseen, tai – koneoppimisen tapauksessa – lisäksi koulutus ja uudelleen käyttöönotto. Samalla tavalla “digitaaliset kaksoset” teollisuuden 4.0 versiossa ovat edelleen riippuvaisia siitä, että ongelman kuvaus ja syötteen jakautuminen voidaan määritellä kerran ja kaikkiaan järjestelmän suunnittelun alussa.

Viimeaikainen pandemia korostaa “just-in-time” -toimitusketjun suunnittelun haavoittuvuutta. Se tulee yhä ilmeisemmäksi, että yhä monimutkaisemmassa ja epävarmemmassa maailmassa teollisuus ei voi enää hyväksyä tällaista joustamattomuutta. Tällä hetkellä valmistuksella on tehtävä kiinteä valinta “Low-Mix High-Volume” (LMHV) ja “High-Mix Low-Volume” (HMLV) välillä. Teollisuus 5.0 odottaa “High-Mix High-Volume” (HMHV):n mahdollisuutta, jossa työnkulku voidaan määritellä alhaisella kustannuksella muuttuvien vaatimusten mukaisesti. Tämän saavuttamiseksi on vaadittava “automaation automaatio”, jotta voidaan poistaa tarve ihmisen väliintuloon ja / tai järjestelmän keskeytykseen, kun ongelma tai ympäristö muuttuu. Tämä vaatii järjestelmiä, jotka “toimivat käskystä”, reagoivat tällaisiin muutoksiin, ja samalla ovat edelleen kykeneviä suorittamaan tehtävänsä todellisen maailman aikarajoituksissa. Kuvitellaan esimerkiksi, että käskeään kokoonpanolinjaa, joka on parhaillaan tekemässä tehtävää X, seuraavasti:

“Pysäytä X:n kokoonpano välittömästi: tässä on Y:n määritys, ja tässä on useimmat vanhat ja muutamat uudet vaikuttimet. Aloita nyt Y:n kokoonpano, välttäen tiettyjä virheitä ja hävikkiä.”

Huolimatta laajasta viimeaikaisesta keskustelusta “yleisen tekoälyn” (AGI) lähestyvän saapumisesta niin kutsutun Large Language Modelin kautta, kuten GPT-3, mikään ehdotettu lähestymistapa ei ole todella kykenevä “toimimaan käskystä”. Siis ne eivät voi saada tehtäväkseen jotain, joka on täysin ulkona koulutusjoukosta ilman offline-koulutuksen, verifioinnin ja uudelleen käyttöönoton keskeytystä.

On varmasti selvää, että mikä tahansa todellinen älymäärittely on olennaisesti liitetty muutokseen. Järjestelmä, joka ei muutu – riippumatta siitä, kuinka monta odottamatonta tapahtumaa se kohtaa – ei ole itsenäinen eikä älykäs. Tämä ei vähennä syvän oppimisen (DL) lähestymistapojen kiistattomia vahvuuksia, jotka ovat saavuttaneet suurta menestystä ohjelmien synteesinä ongelmien ratkaisemiseksi, jotka ovat vaikeasti määriteltävissä.

Mitä järjestelmätoimintoja voisi mahdollistaa tekoälylle siirtyä tästä “kouluta, jäädytä ja käyttöönotto” -paradigmasta yhteen, joka on kykenevä keskeytymättömään sopeutumiseen? Kuvitellaan esimerkiksi tarvetta korvata viallinen komponentti valmistusprosessissa toisella, joka voi nauttia eri toleransseja. Nykyisen tekoälyn mustan laatikon mallinnuksessa digitaalisen kaksostamisen prosessi on tehtävä uudelleen. Jotta voidaan puuttua nykyisten lähestymistapojen rajoituksiin, on vaadittava radikaali muutos: malli, joka voi suoraan päättää komponentin muutoksen seurauksista – ja yleisemmin vastakkaisista “mitä jos” -skenaarioista. Työnkulun hajottaminen komponentteihin, joilla on tunnettuja ominaisuuksia, ja yhdistäminen tarpeen mukaan vaatii niin kutsuttua “kompositionaliteettia”.

Kompositionaliteetti on siihen asti jäänyt nykyisen tekoälyn ulottumattomiin, jossa se usein sekoitetaan heikompaan modulaarisuuden käsitteeseen. Modulaarisuus on kykenevä “liimaamaan” komponentteja yhteen, mutta se ei kykene käsittelemään kompositionaliteetin olemusta, joka on kykenevä päättämään tuloksesta johtuvan työnkulun käyttäytymisestä ja varmistamaan jonkin halutun ominaisuuden säilyttämistä. Tämä kykenevyys on välttämätöntä turvallisuuden ja oikeudenmukaisuuden vuoksi: esimerkiksi järjestelmän kykenevyys päättää, että “vaihtaminen vaihtoehtoiseen valmistajaan lisää koko laitoksen tehokkuutta, kun kaikki muut komponentit pysyvät lämpörajoissa”.

Vaikka nykyiset hermoverkko-lähestymistavat ovat erittäin hyviä oppimassa sääntöjä datasta, ne puuttuvat kompositionaliteetin päättelystä. Vaihtoehtona toiveelle, että kompositionaliteetin päättely tulisi esiin hermoverkkoarkkitehtuurista, on mahdollista käyttää suoraan kategoriateorian rakenteita, matemaattista tutkimusta kompositionaliteetistä. Erityisesti sen alalla kategorinen kybernetiikka on keskittynyt bidirektionaalisia ohjaimia perustavanlaatuisiksi edustusalkioiksi. Bidirektionaalisuus on kykenevä suorittamaan sekä eteenpäin että taaksepäin johtavaa päättelyä: ennustaminen syistä seurauksiin ja päinvastoin. Kompositionaliteetin käänteinen päättely on erityisen tärkeää, koska se mahdollistaa ympäristön palautteen ottamisen mukaan rakenteellisen edustamisen mitä tahansa asteikkoa. Tämä mahdollistaa nopean oppimisen muutamasta esimerkistä.

Jotkut halutut järjestelmän käyttäytymisen, oppimistehtävä on rakentaa aggregoitu ohjausrakenne, joka täyttää sen. Aluksi opitut rakenteet toimivat luurankona myöhempään oppimiseen.

Kun järjestelmän tietämys kasvaa, tämä luuranko voidaan koristella opituilla kompositionaliteetin ominaisuuksilla, samalla tavoin kuin H2O-molekyyli voidaan määritellä eri ominaisuuksilla kuin sen perusatomit. Lisäksi, samalla tavoin kuin “heittäminen palloa” ja “swingaaminen tennismailalla” voidaan nähdä liittyviksi lihasliikkeisiin ihmiselle, samankaltaiset tehtävät voivat jakaa saman luurankorakenteen, jota voidaan koristella ympäristön palautteen kautta. Tämä kausaalisen rakenteen ja tehtäväkohtaisen erottelu voidaan helpottaa uusien tehtävien oppimista ilman katastrofaalista unohtamista, joka vaivaa nykyisiä lähestymistapoja. Siispä hybridinen numeerinen ja symbolinen lähestymistapa, jota on kuvattu yllä, voidaan yhdistää molempien vahvuuksia: sekä eksplisiittinen rakenteen käsite ja kykenevyys oppia sopeutuvasti, miten ominaisuudet koostuvat. Kompositionaliteetin ominaisuuksien päättely perustuu jatkuvasti järjestelmän työhön, jonka se on käsketty suorittamaan.

Johtopäätöksessä on selvää, että uusi lähestymistapa vaaditaan luoda todella itsenäisiä järjestelmiä: järjestelmiä, jotka voivat sopeutua merkittäviin muutoksiin ja / tai toimia tuntemattomissa ympäristöissä. Tämä vaatii keskeytymätöntä sopeutumista ja yleistämistä siitä, mitä jo tiedetään. Vaikka niiden nimessä on “syvä oppiminen”, nykyiset lähestymistavat ovat vain pinnallinen edustus maailmasta, eivätkä ne voi manipuloida korkealla tasolla oppimisprosessin aikana. Sen sijaan ehdotamme, että seuraavan sukupolven yleiset tekoälyjärjestelmät sisällyttävät syvän oppimisen laajempaan arkkitehtuuriin, joka on varustettu kykenevyydellä päättää suoraan siitä, mitä se tietää.

Järjestelmän kykenevyys päättää symbolisesti omasta edustuksestaan antaa merkittäviä etuja teollisuudelle: eksplisiittisesti kompositionaliteetin edustuksella järjestelmä voidaan tarkastaa – sekä ihmisille että sisäisesti järjestelmän itsessään – turvallisuuden ja oikeudenmukaisuuden kannalta. Vaikka on ollut paljon akateemista huolta niin kutsutusta “x-riskistä” yleisestä tekoälystä, asianmukainen keskittyminen on todellinen insinööritieteellinen ongelma, joka liittyy järjestelmän uudelleenohjaukseen säilyttäen nämä olennaiset vaatimukset, prosessi, jota kutsutaan interaktiiviseksi säätelyksi. Vain tämänkaltaisten ohjausjärjestelmien hyväksymisen kautta, jotka ovat luotettavia ja tehokkaita jatkuvia oppijoita, voimme toteuttaa seuraavan sukupolven autonomian, jonka teollisuus 5.0 näkee.