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 विश्व में, वैश्विक स्तर पर फैले आपूर्ति श्रृंखलाओं से लाभान्वित होते हैं, जो हमारे अलमारियों पर विभिन्न प्रकार की वस्तुओं की विशाल श्रृंखला प्रदान करते हैं। लेकिन पर्दे के पीछे, वस्तुओं के उत्पादन और आंदोलन से कई अनुकूलन चुनौतियाँ उत्पन्न होती हैं, जैसे कि पैकिंग, अनुसूची, मार्ग और असेंबली लाइन स्वचालन। ये अनुकूलन चुनौतियाँ गतिशील और निरंतर बदलती रहती हैं जो वास्तविक दुनिया के साथ तालमेल बिठाती हैं। उदाहरण के लिए, अपेक्षित आपूर्ति मार्ग अचानक कुछ अप्रत्याशित परिस्थितियों के कारण समझौता हो सकता है – उदाहरण के लिए, सुएज नहर बंद हो सकती है; ज्वालामुखी विस्फोट के कारण हवाई मार्ग बदल सकते हैं; संघर्ष के कारण पूरे देश अनुपलब्ध हो सकते हैं। कानून में परिवर्तन, मुद्रा का पतन और दुर्लभ संसाधन आपूर्ति पक्ष के परिवर्तनशील कारक हैं जो निरंतर परिवर्तनशील रहते हैं।

एक और उदाहरण देने के लिए, कभी-कभी एक नए घटक को एक मशीन या कार्य प्रवाह में शामिल करना आवश्यक होता है (उपयोगकर्ता विभिन्न सामग्रियों 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 – अतिरिक्त रूप से पुनः प्रशिक्षण और समाधान को पुनः तैनात करने के लिए। इसी तरह, “इंडस्ट्री 4.0” के “डिजिटल ट्विन” अभी भी इस धारणा पर बहुत अधिक निर्भर हैं कि समस्या का वर्णन 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 नाजुकता को उजागर किया है। यह अधिक स्पष्ट हो जाता है कि एक बढ़ती जटिल और अनिश्चित दुनिया में, उद्योग अब ऐसी अक्षमता 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 पूर्वानुमान लगाता है, जिसमें कार्य प्रवाह को तरल आवश्यकताओं को पूरा करने के लिए कम लागत पर पुनः कॉन्फ़िगर किया जा सकता है। इसे प्राप्त करने के लिए, “स्वचालन को स्वचालित करना” आवश्यक है, ताकि मानव हस्तक्षेप और/या प्रणाली डाउनटाइम की आवश्यकता को समाप्त किया जा सके जब समस्या या पर्यावरण बदलता है। यह प्रणालियों की आवश्यकता है जो “आदेश पर काम करते हैं,” जो ऐसे परिवर्तनों का जवाब देते हैं, जबकि अभी भी वास्तविक दुनिया की समय सीमा के भीतर अपने निर्दिष्ट कार्यों को पूरा करने की उचित संभावना है। उदाहरण के लिए, एक असेंबली लाइन रोबोट को निर्देश देने पर विचार करें, जो वर्तमान में कार्य एक्स के साथ व्यस्त है:

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

हाल के दिनों में “आर्टिफिशियल जनरल इंटेलिजेंस” (एजीआई) के आगमन की चर्चा के बावजूद, जीपीटी -3 जैसे बड़े भाषा मॉडल के माध्यम से, प्रस्तावित दृष्टिकोण वास्तव में “काम पर आदेश” करने में सक्षम नहीं है। अर्थात्, वे अपने प्रशिक्षण सेट के बाहर कुछ भी करने के लिए कार्यभारित किए जा सकते हैं बिना ऑफलाइन पुनः प्रशिक्षण, सत्यापन और पुनः तैनाती के डाउनटाइम के।

यह निश्चित रूप से स्पष्ट है कि वास्तविक दुनिया की किसी भी बुद्धिमत्ता की धारणा परिवर्तन के प्रति प्रतिक्रिया से अविभाज्य रूप से जुड़ी हुई है। एक प्रणाली जो परिवर्तन के प्रति असंवेदनशील रहती है – चाहे वह कितनी भी अप्रत्याशित घटनाओं के संपर्क में आए – न तो स्वायत्त है और न ही बुद्धिमान। यह ऐसे गहरे शिक्षण (डीएल) दृष्टिकोणों की ताकत को कम नहीं करता है, जो कठिन रूप से निर्दिष्ट समस्याओं के लिए कार्यक्रमों को संश्लेषित करने के साधन के रूप में बहुत सफल रहे हैं।

तो किस प्रकार की प्रणाली कार्यक्षमता एआई को इस प्रशिक्षण, फ्रीज और तैनाती परिदृश्य से परे ले जाने में सक्षम बना सकती है, जो बिना रुकावट के अनुकूलन सीखने में सक्षम है? एक विनिर्माण कार्य प्रवाह में एक दोषपूर्ण घटक को एक अलग विक्रेता से एक घटक के साथ बदलने की आवश्यकता पर विचार करें, जो अलग-अलग सहनशीलता का आनंद ले सकता है। समकालीन एआई के साथ-साथ अंत-से-अंत ब्लैक बॉक्स मॉडलिंग के साथ, डिजिटल ट्विनिंग प्रक्रिया को फिर से करना होगा। समकालीन दृष्टिकोणों की सीमाओं को संबोधित करने के लिए, एक क्रांतिकारी परिवर्तन की आवश्यकता है: एक मॉडल जो सीधे एक घटक परिवर्तन के परिणामों के बारे में तर्क दे सकता है – और वास्तव में अधिक सामान्य विरोधाभासी “क्या होगा” परिदृश्य। ज्ञात गुणों वाले घटकों को विभाजित करना और उन्हें आवश्यकतानुसार पुनः संयोजित करने की आवश्यकता को “रचनात्मकता” के रूप में जाना जाता है।

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

हालांकि समकालीन तंत्रिका नेटवर्क दृष्टिकोण डेटा से नियम सीखने में उत्कृष्ट हैं, वे रचनात्मक तर्क में कमी हैं। तंत्रिका नेटवर्क आर्किटेक्चर के भीतर रचनात्मक तर्क के उद्भव की आशा करने के बजाय, सीधे श्रेणी सिद्धांत के निर्माण का उपयोग करना संभव है, जो रचनात्मकता का गणितीय अध्ययन है। विशेष रूप से, इसकी उपशाखा श्रेणी साइबरनेटिक्स मूलभूत प्रतिनिधित्व तत्वों के रूप में द्विदिशीय नियंत्रकों से संबंधित है। द्विदिशीयता दोनों आगे और व्युत्क्रम अनुमान करने की क्षमता है: कारणों से प्रभावों और व्युत्क्रम की भविष्यवाणी करना। रचनात्मक व्युत्क्रम अनुमान विशेष रूप से महत्वपूर्ण है क्योंकि यह किसी भी संरचनात्मक प्रतिनिधित्व के पैमाने पर पर्यावरण से प्रतिक्रिया को शामिल करने की अनुमति देता है – यह कुछ उदाहरणों 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 सीखे गए संरचनाएं बाद के सीखने के लिए एक कंकाल के रूप में कार्य करती हैं।

जैसे ही प्रणाली का ज्ञान बढ़ता है, यह कंकाल सीखे गए रचनात्मक गुणों से सजाया जा सकता है, जैसे कि एक एच 2 ओ मॉलिक्यूल को उसके घटक परमाणुओं की तुलना में अलग गुणों का होना निर्धारित किया जा सकता है। इसके अलावा, जैसे कि “एक गेंद फेंकना” और “एक टेनिस रैकेट को स्विंग करना” मानव के लिए संबंधित मांसपेशियों की क्रिया के रूप में देखा जा सकता है, वैसे ही संबंधित कार्य एक कंकाल नियंत्रक संरचना साझा कर सकते हैं जो पर्यावरण से प्रतिक्रिया के माध्यम से एक कार्य-विशिष्ट तरीके से सजाया जाता है। यह कारण संरचना को कार्य-विशिष्ट विवरण से डिकपलिंग सीखने में सुविधा प्रदान कर सकता है जो समकालीन दृष्टिकोणों को प्रभावित करता है। 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 गुणों को रचनात्मक रूप से सीखने की क्षमता है। रचनात्मक गुणों के बारे में तर्क देना निरंतर आधार पर उस कार्य द्वारा आधारित है जो प्रणाली वर्तमान में करने के लिए आदेशित है।

निष्कर्ष में, यह स्पष्ट है कि वास्तव में स्वायत्त प्रणालियों को बनाने के लिए एक नई दृष्टिकोण की आवश्यकता है: प्रणालियाँ जो महत्वपूर्ण परिवर्तन और/या अज्ञात वातावरण में संचालित होने में सक्षम हैं। यह बिना रुकावट के अनुकूलन सीखने और जो पहले से जाना जाता है उस पर सामान्यीकरण करने की आवश्यकता है। उनके नाम के बावजूद, 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 में ARISING एजीआई प्रणालियों में गहरे शिक्षण को एक व्यापक वास्तुकला के भीतर शामिल किया जाएगा, जो सीधे अपने ज्ञान के बारे में तर्क देने की क्षमता से सुसज्जित है।

एक प्रणाली की क्षमता जो अपने स्वयं के प्रतिनिधित्व के बारे में प्रतीकात्मक रूप से तर्क दे सकती है, उद्योग के लिए महत्वपूर्ण लाभ प्रदान करती है: एक स्पष्ट रूप से रचनात्मक प्रतिनिधित्व के साथ, प्रणाली को मानवों द्वारा या स्वयं प्रणाली द्वारा सुरक्षा और न्याय की आवश्यक आवश्यकताओं को पूरा करने के लिए लेखा परीक्षा की जा सकती है। जबकि एजीआई के इतने कहे जाने वाले जोखिम के बारे में बहुत चिंता रही है, उचित ध्यान केंद्रित करना वास्तव में नियंत्रण प्रणाली को पुनः कार्य करने की क्रिया है, जिसमें ये आवश्यक आवश्यकताएं बनाए रखी जाती हैं, जिस प्रक्रिया को हम इंटरएक्टिव संरेखण कहते हैं। यह केवल इस प्रकार के नियंत्रण प्रणालियों को अपनाने से ही संभव होगा, जो विश्वसनीय और कुशल निरंतर शिक्षार्थी हैं, जो उद्योग 5.0 द्वारा कल्पना की गई अगली पीढ़ी की स्वायत्तता को साकार करने में सक्षम होंगे।