Miksi teollisuus 5.0 tarvitsee yleisen tekoälyä

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

Otammme automaation nykyään annettuna, hyödyntäen joka päivä maailmanlaajuisista toimitusketjuista, jotka tarjoavat laajan valikoiman tuotteita hyllyymme. Mutta taustalla tuotannon ja tavaroiden liikkeen aikana syntyy monia optimointiongelmia, kuten pakkaus, aikataulutus, reititys ja tuotannon automaatio. Nämä optimointiongelmat ovat dynaamisia ja muuttuvat jatkuvasti maailman muuttuessa. Esimerkiksi odotetut toimitusreitit voivat yllättäen muuttua, kun esimerkiksi Suezin kanava tukkeutuu, ilmareitit muuttuvat tulivuorenpurkausten vuoksi tai koko maat ovat suljettuja konfliktien vuoksi. Lainsäädännön muutokset, valuutan romahdukset ja niukat resurssit ovat myös esimerkkejä toimituspuolen muuttuvista muuttujista.

Esimerkiksi joskus uusi komponentti on sisällytettävä koneeseen tai työprosessiin (käyttäjät voivat haluta eri materiaaleja tai värejä). Tällä hetkellä asiantuntijatyövoimaa tarvitaan järjestelmän muuttamiseen tai koneoppimisessa ratkaisun uudelleen kouluttamiseen ja uudelleen käyttöönottoon. Samalla tavalla “digitaaliset kaksoset” teollisuuden 4.0:ssa ovat edelleen riippuvaisia siitä, että ongelman kuvaus ja syötteiden jakautuminen voidaan määritellä kerran ja kaikkiaan järjestelmän suunnittelun alussa.

Viimeaikainen pandemia korostaa “just-in-time”-toimitusketjun suunnittelun haavoittuvuutta. Se tulee yhä ilmeisemmäksi, että teollisuus ei voi enää tukea tällaista joustamattomuutta epävarmuuden ja monimutkaisuuden kasvaessa maailmassa. Nykyisin valmistuksessa on tehtävä kiinteä valinta “Low-Mix High-Volume” (LMHV) ja “High-Mix Low-Volume” (HMLV) -vaihtoehtojen välillä. Teollisuus 5.0 odottaa “High-Mix High-Volume” (HMHV):n mahdollisuutta, jossa työnkulku voidaan määritellä uudelleen alhaisella kustannuksella muuttuvien vaatimusten mukaisesti. Tämän saavuttamiseksi on “automaattinen automaatio” välttämätöntä, jotta voidaan poistaa tarve ihmisen väliintulolle ja/tai järjestelmän sammuttamiselle, kun ongelma tai ympäristö muuttuu. Tämä vaatii järjestelmiä, jotka “toimivat käskystä”, reagoivat näihin muutoksiin ja edelleen toteuttavat tehtäviä realistisessa aikataulussa. Kuvatkaa esimerkiksi ohjaamalla kokoonpanolinjan robottia, joka on parhaillaan tekemässä tehtävää X, seuraavasti:

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

Huolimatta laajasta keskustelusta “tekoäly” (AGI):n lähestymisestä “Large Language Models” -menetelmien kautta, kuten GPT-3, mikään ehdotetuista lähestymistavoista ei ole todella kykenevä “toimimaan käskystä”. Ne eivät voi saada tehtävän, joka on täysin ulkona koulutusjoukosta ilman sammuttamista, uudelleenkoulutusta, verifioimista ja uudelleenkäyttöönottoa.

On varmasti selvää, että mikä tahansa todellinen älymäärä on kiinteästi sidottu muutokseen. Järjestelmä, joka pysyy muuttumattomana – riippumatta siitä, kuinka monia odottamattomia tapahtumia se kohtaa – ei ole itsenäinen eikä älykäs. Tämä ei vähennä syvän oppimisen (DL) lähestymistapojen todistettuja vahvuuksia, jotka ovat saavuttaneet suurta menestystä ohjelmien synteesinä ongelmien ratkaisemiseksi, jotka ovat vaikeasti määriteltävissä.

Mikäli järjestelmän toiminnallisuus voisi mahdollistaa älyllisen järjestelmän siirtymisen tästä koulutus-, jäädytys- ja käyttöönotto-paradigmasta jatkuvan adaptiivisen oppimisen pariin? Kuvatkaa esimerkiksi tarvetta korvata viallinen komponentti valmistusprosessissa toisella toimittajalta, jolla voi olla erilaiset toleranssit. Nykyisen älykkään järjestelmän lopusta-lähtien mustan laatikon mallinnuksessa digitaalisen kaksostamisen prosessi on tehtävä uudelleen. Järjestelmän rajoitusten käsittely edellyttää radikaalia muutosta: malli, joka voi suoraan päättää komponenttien muutosten seurauksista – ja yleisemmistä vastakkaisista “mitä jos” -skenaarioista. Työnkulun hajottaminen komponentteihin, joilla on tunnettuja ominaisuuksia, ja niiden uudelleen yhdistäminen tarvittaessa edellyttää ns. “kompositionaalisuutta”.

Kompositionaalisuus on toistaiseksi jäänyt nykyisen älykkään järjestelmän ulottumattomiin, jossa se usein sekoitetaan heikompaan modulaarisuuden käsitteeseen. Modulaarisuus liittyy komponenttien yhdistämiseen, mutta se ei voi kaapata kompositionaalisuuden olennaista olemusta, joka on kyky päättää tuloksevan työnkulun käyttäytymisestä ja määrittää ja varmistaa jonkin toivottavan ominaisuuden säilyminen. Tämä kyky on välttämätöntä turvallisuuden ja varmistamisen vuoksi: esimerkiksi järjestelmän kyky päättää, että “toisen valmistajan moottorin käyttöönotto lisää koko laitoksen tehontuottoa, kun kaikki muut komponentit pysyvät lämpörajoissa”.

Vaikka nykyiset neuroverkkolähestymistavat ovat erittäin hyviä sääntöjen oppimisessa datasta, ne puuttuvat kompositionaalisesta päättelystä. Vaihtoehtona toiveelle, että kompositionaalisuus voi syntyä neuroverkkoarkkitehtuurien sisällä, on mahdollista käyttää suoraan kategoriateorian rakenteita, matemaattista tutkimusta kompositionaalisuudesta. Erityisesti sen alatutkimusala, kategorinen kybernetiikka, käsittelee kaksisuuntaisia ohjaimia perustavana edustusyksikkönä. Kaksisuuntaisuus on kyky suorittaa sekä eteenpäin- että takaisinjohtavaa päättelyä: ennustaminen syistä seurauksiin ja päinvastoin. Kompositionaalisella takaisinjohtavalla päättelyllä on erityinen merkitys, koska se mahdollistaa palautteen sisäänpääsyn ympäristöstä millä tahansa rakenteellisen edustamisen asteikolla – tämä mahdollistaa nopean oppimisen pienestä määrästä esimerkkejä.

Jotkut toivottu järjestelmän käyttäytyminen, oppimistehtävä on rakentaa aggregoitu ohjausrakenne, joka täyttää sen. Aluksi opitut rakenteet toimivat tulevan oppimisen runkona. Järjestelmän tietämys kasvaessa, tämä runko voidaan koristella opituilla kompositionaalisilla ominaisuuksilla, samalla tavoin kuin H2O-molekyylin voidaan määritellä olevan erilaiset ominaisuudet kuin sen perusatomien. Lisäksi, samalla tavoin kuin “heittäminen palloa” ja “tenniskäsien heilauttaminen” voidaan nähdä liittyvän ihmisen lihasliikkeisiin, samankaltaiset tehtävät voivat jakaa saman skelettirakenteen, jota voidaan koristella ympäristön palautteen kautta. Tämä irtautuminen kausaalisesta rakenteesta tehtäväkohtaisista yksityiskohtia voi helpottaa uusien tehtävien oppimista ilman nykyisten lähestymistapojen katastrofaalista unohtamista. Näin ollen hybridinen numeerinen ja symbolinen lähestymistapa, jota on kuvattu yllä, voi yhdistää molempien neuro- ja symbolisten lähestymistapojen vahvuudet, joilla on sekä eksplisiittinen rakenteen käsite että kyky oppia sopeutuvasti, miten ominaisuudet koostuvat. Kompositionaalisilla ominaisuuksilla on perustuu jatkuvasti tehtävään, jonka järjestelmä on käsketty suorittamaan.

Johtopäätöksessä on selvää, että uusi lähestymistapa vaaditaan luodakseen todella itsenäisiä järjestelmiä: järjestelmiä, jotka voivat sopeutua merkittäviin muutoksiin ja/tai toimia tuntemattomissa ympäristöissä. Tämä vaatii jatkuvaa adaptiivista oppimista ja yleistämistä siitä, mitä jo tiedetään. Huolimatta heidän nimestään, syvän oppimisen lähestymistavat ovat vain pinnallinen edustus maailmasta, jota ei voida muokata korkealla tasolla oppimisprosessin aikana. Sen sijaan ehdotamme, että seuraavan sukupolven AGI-järjestelmät sisällyttävät syvän oppimisen laajempaan arkkitehtuuriin, joka on varustettu kyvylle päättää suoraan siitä, mitä se tietää.

Järjestelmän kyky päättää symbolisesti omasta edustuksestaan antaa merkittäviä etuja teollisuudelle: eksplisiittisesti kompositionaalisella edustuksella järjestelmää voidaan tarkastaa – sekä ihmisillä että järjestelmän itsensä toimesta – täyttämään turvallisuuden ja reiluuden elintärkeitä vaatimuksia. Vaikka on ollut paljon akateemista huolta “x-riskistä” AGI:stä, asianmukainen keskittyminen on itse asiassa konkreettinen insinöörintekijän ongelma järjestelmän uudelleenohjauksesta säilyttäen nämä elintärkeät vaatimukset, prosessi, jota kutsutaan interaktiiviseksi suunnaksi. Vain tällaisten luotettavien ja tehokkaiden jatkuvaoppimisen ohjausjärjestelmien omaksuminen mahdollistaa seuraavan sukupolven autonomian toteuttamisen, jonka teollisuus 5.0 näkee.