उद्योग 5.0 को आर्टिफिशियल जनरल इंटेलिजेंस की आवश्यकता क्यों है

बास स्ट्यूनब्रिंक, सह-संस्थापक और आर्टिफिशियल जनरल इंटेलिजेंस के निदेशक, एरिक निवेल, लीड एजीआई इंजीनियर और जेरी स्वान, रिसर्च साइंटिस्ट, एनएनएआईसेंस में

हम अपने आधुनिक दुनिया में स्वचालन को स्वीकार करते हैं, जो प्रतिदिन वैश्विक स्तर पर फैले आपूर्ति श्रृंखलाओं से लाभान्वित होते हैं, जो हमारे अलमारियों पर विभिन्न प्रकार की वस्तुओं की आपूर्ति करते हैं। लेकिन पीछे की ओर, उत्पादन और वस्तुओं की गति कई अनुकूलन चुनौतियों को उत्पन्न करती है, जैसे कि पैकिंग, अनुसूची, मार्ग, और असेंबली-लाइन स्वचालन। ये अनुकूलन चुनौतियां गतिशील और निरंतर रूप से बदलती रहती हैं और वास्तविक दुनिया के साथ तालमेल बिठाती हैं। उदाहरण के लिए, अपेक्षित आपूर्ति मार्ग अचानक अनपेक्षित परिस्थितियों के कारण समझौता हो सकता है – जैसे कि सुएज़ नहर अवरुद्ध हो सकती है; वोल्केनिक विस्फोट के कारण वायुमार्ग बदल सकते हैं; संघर्ष के कारण पूरे देश असुलभ हो सकते हैं। कानूनी परिवर्तन, मुद्रा पतन और दुर्लभ संसाधन आपूर्ति पक्ष के परिवर्तनशील कारकों के उदाहरण हैं जो निरंतर परिवर्तनशील होते हैं।

एक और उदाहरण के लिए, कभी-कभी एक नई घटक को एक मशीन या कार्य प्रवाह में शामिल करना पड़ता है (उपयोगकर्ता विभिन्न सामग्री या रंगों की मांग कर सकते हैं, उदाहरण के लिए)। वर्तमान में, विशेषज्ञ मानव श्रम की आवश्यकता होती है तंत्र में परिवर्तन करने के लिए, या – मशीन लर्निंग के मामले में – समाधान को पुनः प्रशिक्षित और पुनः तैनात करने के लिए। इसी तरह, इंडस्ट्री 4.0 के “डिजिटल ट्विन” अभी भी इस धारणा पर निर्भर हैं कि समस्या विवरण और इनपुट का वितरण प्रारंभिक प्रणाली डिजाइन के बिंदु पर एक बार और सभी के लिए निर्दिष्ट किया जा सकता है।

हाल के महामारी ने “जस्ट-इन-टाइम” आपूर्ति श्रृंखला योजना की कमजोरी को उजागर किया है। यह अधिक स्पष्ट हो जाता है कि एक बढ़ती जटिल और अनिश्चित दुनिया में, उद्योग अब इस तरह की अनम्यता को बर्दाश्त नहीं कर सकता है। वर्तमान में, विनिर्माण को “लो-मिक्स हाई-वॉल्यूम” (एलएमएचवी) और “हाई-मिक्स लो-वॉल्यूम” (एचएमएलवी) के बीच एक निश्चित विकल्प बनाना होगा। उद्योग 5.0 “हाई-मिक्स हाई-वॉल्यूम” (एचएमएचवी) की संभावना का अनुमान लगाता है, जिसमें कार्य प्रवाह को कम लागत पर तरल आवश्यकताओं को पूरा करने के लिए पुनः कॉन्फ़िगर किया जा सकता है। इसे प्राप्त करने के लिए, यह आवश्यक है कि “स्वचालन को स्वचालित करें”, मानव हस्तक्षेप और/या प्रणाली डाउनटाइम की आवश्यकता को समाप्त करने के लिए। इसके लिए उन प्रणालियों की आवश्यकता होती है जो “कमांड पर काम करती हैं”, जो ऐसे परिवर्तनों का जवाब देती हैं, जबकि अभी भी वास्तविक दुनिया के समय सीमा के भीतर अपने निर्दिष्ट कार्यों को पूरा करने की उचित संभावना रखती हैं। उदाहरण के लिए, एक असेंबली-लाइन रोबोट को निर्देश देना, जो वर्तमान में कार्य एक्स के साथ व्यस्त है:

“एक्स की असेंबली को तुरंत रोकें: यहाँ वाई की विशिष्टता है, और यहाँ आपके पुराने और कुछ नए प्रभाव हैं। अब वाई की असेंबली शुरू करें, ऐसे और ऐसे प्रकार के दोषों और अपशिष्ट से बचते हुए।”

बावजूद इसके कि हाल के दिनों में “आर्टिफिशियल जनरल इंटेलिजेंस” (एजीआई) के आगमन की बात की जा रही है, जैसे कि जीपीटी-3 जैसे बड़े भाषा मॉडल के माध्यम से, प्रस्तावित दृष्टिकोण वास्तव में “कमांड पर काम करने” में सक्षम नहीं हैं। अर्थात्, वे अपने प्रशिक्षण सेट से बाहर कुछ के साथ कार्य सौंपे जाने पर ऑफलाइन पुनः प्रशिक्षण, सत्यापन और पुनः तैनाती के डाउनटाइम के बिना कार्य नहीं कर सकते हैं।

यह स्पष्ट है कि वास्तविक दुनिया में बुद्धिमत्ता की कोई भी धारणा परिवर्तन के प्रति प्रतिक्रिया से अविभाज्य रूप से जुड़ी हुई है। एक प्रणाली जो परिवर्तन के प्रति प्रतिक्रिया नहीं देती है – चाहे वह कितनी भी अप्रत्याशित घटनाओं के संपर्क में आए – न तो स्वायत्त है और न ही बुद्धिमान है। यह गहरे शिक्षण (डीएल) दृष्टिकोणों की अनदेखी नहीं करता है, जो कठिन रूप से निर्दिष्ट समस्याओं के लिए कार्यक्रमों को संश्लेषित करने के साधन के रूप में महान सफलता प्राप्त की है।

तो किस प्रकार की प्रणाली कार्यक्षमता एजीआई को इस प्रशिक्षण, फ्रीज और तैनाती परिदृश्य से परे ले जा सकती है, जो निरंतर अनुकूलन सीखने में सक्षम है? एक विनिर्माण कार्य प्रवाह में एक दोषपूर्ण घटक को एक अलग विक्रेता से एक घटक से बदलने की आवश्यकता पर विचार करें, जो अलग-अलग सहनशीलता का आनंद ले सकता है। समकालीन एआई के साथ-साथ एंड-टू-एंड ब्लैक बॉक्स मॉडलिंग के साथ, डिजिटल ट्विनिंग प्रक्रिया को फिर से करना होगा। समकालीन दृष्टिकोणों की सीमाओं को संबोधित करने के लिए, एक कट्टर परिवर्तन की आवश्यकता है: एक मॉडल जो सीधे एक घटक परिवर्तन के परिणामों के बारे में और वास्तव में अधिक सामान्य प्रत्युत्तर “क्या होगा” परिदृश्यों के बारे में तर्क कर सकता है। ज्ञात गुणों वाले घटकों में एक कार्य प्रवाह को विभाजित करना और उन्हें आवश्यकतानुसार पुनः संयोजित करने के लिए संरचनात्मकता की आवश्यकता होती है।

संरचनात्मकता ने अब तक समकालीन एआई को चकमा दिया है, जहां इसे अक्सर मॉड्यूलरिटी की कमजोर धारणा के साथ भ्रमित किया जाता है। मॉड्यूलरिटी घटकों को ‘ग्लू’ करने की क्षमता से संबंधित है, लेकिन यह संरचनात्मकता के सार को पकड़ने में विफल रहता है, जो परिणामी कार्य प्रवाह के व्यवहार के बारे में तर्क करने की क्षमता है ताकि कुछ वांछित गुणों की संरक्षण सुनिश्चित किया जा सके। यह क्षमता सत्यापन और सुरक्षा के कारणों से महत्वपूर्ण है: उदाहरण के लिए, प्रणाली की क्षमता यह तर्क करने के लिए कि “एक वैकल्पिक निर्माता से एक इंजन अपनाने से समग्र संयंत्र का शक्ति उत्पादन बढ़ेगा, जबकि इसके सभी अन्य घटक तापमान मार्जिन के भीतर रहते हैं।”

हालांकि समकालीन तंत्रिका नेटवर्क दृष्टिकोण डेटा से नियमों को सीखने में उत्कृष्ट हैं, वे संरचनात्मक तर्क की कमी है। तंत्रिका नेटवर्क वास्तुकला के भीतर संरचनात्मक तर्क के उद्भव की आशा करने के बजाय, संरचनात्मकता के गणितीय अध्ययन, श्रेणी सिद्धांत के निर्माणों का सीधे उपयोग किया जा सकता है। विशेष रूप से, इसकी उपशाखा श्रेणी साइबरनेटिक्स मूलभूत प्रतिनिधित्व तत्वों के रूप में द्विदिशीय नियंत्रकों से संबंधित है। द्विदिशीयता आगे और व्युत्क्रम अनुमान लगाने की क्षमता है: कारणों से प्रभावों और इसके विपरीत तक की भविष्यवाणी करना। संरचनात्मक व्युत्क्रम अनुमान विशेष रूप से महत्वपूर्ण है क्योंकि यह किसी भी संरचनात्मक प्रतिनिधित्व के स्तर पर पर्यावरण से प्रतिक्रिया को शामिल करने की अनुमति देता है – यह पर्यावरण से प्रतिक्रिया के माध्यम से तेजी से सीखने की सुविधा प्रदान करता है।

कुछ वांछित प्रणाली व्यवहार दिए जाने पर, सीखने का कार्य एक समग्र नियंत्रण संरचना बनाना है जो इसे पूरा करता है। प्रारंभिक रूप से सीखे गए संरचनाएं बाद के सीखने के लिए एक कंकाल के रूप में कार्य करती हैं।

जैसे-जैसे प्रणाली का ज्ञान बढ़ता है, यह कंकाल सीखे गए संरचनात्मक गुणों से सजाया जा सकता है, जैसे कि एक एच 2 ओ मॉलिक्यूल को इसके घटक परमाणुओं की तुलना में विभिन्न गुणों का निर्धारण किया जा सकता है। इसके अलावा, जैसे कि “एक गेंद फेंकना” और “एक टेनिस रैकेट को स्विंग करना” मानव के लिए संबंधित मांसपेशियों की क्रियाएं हो सकती हैं, वैसे ही संबंधित कार्य एक सkeletal नियंत्रक संरचना साझा कर सकते हैं जो पर्यावरण से प्रतिक्रिया के माध्यम से कार्य-विशिष्ट तरीके से सजाया जाता है। यह कारण संरचना को कार्य-विशिष्ट विवरण से अलग करने से नए कार्यों को सीखने में मदद मिलती है बिना समकालीन दृष्टिकोणों को प्रभावित करने वाली विनाशकारी भूल के। इसलिए, एक हाइब्रिड न्यूमेरिक-सимвोलिक दृष्टिकोण, जैसा कि ऊपर वर्णित है, दोनों तंत्रिका और प्रतीकात्मक दृष्टिकोणों की ताकत को जोड़ सकता है, जिसमें संरचना की एक स्पष्ट धारणा और संपत्तियों को कैसे रचा जाता है यह सीखने की क्षमता है। संरचनात्मक गुणों के बारे में तर्क करना वर्तमान में प्रणाली द्वारा किए जा रहे कार्य द्वारा निरंतर आधार पर आधारित है।

निष्कर्ष में, यह स्पष्ट है कि वास्तव में स्वायत्त प्रणालियों के निर्माण के लिए एक नई दृष्टिकोण की आवश्यकता है: प्रणालियां जो महत्वपूर्ण परिवर्तन और/या अज्ञात वातावरण में संचालित होने में सक्षम हैं। इसके लिए निरंतर अनुकूलन सीखने और पहले से ज्ञात बातों से सामान्यीकरण की आवश्यकता है। बावजूद इसके कि उनका नाम है, गहरे शिक्षण दृष्टिकोणों में केवल एक उथली दुनिया का प्रतिनिधित्व है जो सीखने की प्रक्रिया द्वारा उच्च स्तर पर हेरफेर नहीं किया जा सकता है। इसके विपरीत, हम प्रस्ताव करते हैं कि अगली पीढ़ी के एजीआई प्रणालियों में गहरे शिक्षण को एक व्यापक वास्तुकला के भीतर शामिल किया जाएगा, जो सीधे अपने ज्ञान के बारे में तर्क करने में सक्षम है।

प्रणाली की अपनी प्रतिनिधित्व के बारे में प्रतीकात्मक रूप से तर्क करने की क्षमता उद्योग के लिए महत्वपूर्ण लाभ प्रदान करती है: एक स्पष्ट रूप से संरचनात्मक प्रतिनिधित्व के साथ, प्रणाली को मानवों द्वारा या स्वयं प्रणाली द्वारा सुरक्षा और न्याय के महत्वपूर्ण आवश्यकताओं को पूरा करने के लिए लेखा परीक्षा की जा सकती है। हालांकि अकादमिक चिंता एजीआई के इतने कहे जाने वाले जोखिम के बारे में है, उचित फोकस वास्तव में नियंत्रण प्रणाली को फिर से तैनात करने की कठिन इंजीनियरिंग समस्या है, जो महत्वपूर्ण आवश्यकताओं को बनाए रखने के लिए, जिस प्रक्रिया को हम इंटरएक्टिव अलाइनमेंट कहते हैं। यह केवल इस प्रकार की नियंत्रण प्रणालियों के गोद लेने से ही संभव होगा, जो विश्वसनीय और कुशल निरंतर शिक्षार्थी हैं, जो उद्योग 5.0 द्वारा कल्पना की गई स्वायत्तता की अगली पीढ़ी को महसूस करने में सक्षम होंगे।