Mengapa Industri 5.0 Membutuhkan Kecerdasan Umum Buatan

Oleh: Bas Steunebrink, Co-founder dan Direktur Kecerdasan Umum Buatan, Eric Nivel, Lead AGI Engineer & Jerry Swan, Research Scientist di NNAISENSE.

Kita mengambil otomatisasi untuk granted di dunia modern kita, mendapat manfaat setiap hari dari rantai pasokan yang meliputi seluruh dunia, mengirimkan berbagai macam barang ke rak-rak kita. Namun, di balik layar, produksi dan pergerakan barang menghasilkan banyak tantangan optimisasi, seperti pengemasan, penjadwalan, pengaturan rute, dan otomatisasi jalur perakitan. Tantangan optimisasi ini dinamis dan terus berubah seiring dengan dunia nyata. Misalnya, rute pasokan yang diharapkan mungkin tiba-tiba menjadi terganggu karena keadaan yang tidak terduga – misalnya, Terusan Suez mungkin diblokir; rute udara mungkin berubah karena letusan gunung berapi; seluruh negara mungkin tidak dapat diakses karena konflik. Perubahan legislasi, keruntuhan mata uang, dan sumber daya langka juga merupakan contoh variabel sisi pasokan yang terus berubah.

Untuk memberikan contoh lain, terkadang komponen baru harus diintegrasikan ke dalam mesin atau alur kerja (pengguna mungkin ingin bahan atau warna yang berbeda, misalnya). Saat ini, tenaga kerja manusia yang ahli diperlukan untuk membuat perubahan pada sistem, atau – dalam kasus pembelajaran mesin – untuk melakukan pelatihan ulang dan penerapan solusi. Dalam cara yang sama, “digital twins” dari Industri 4.0 masih sangat bergantung pada gagasan bahwa deskripsi masalah dan distribusi input dapat ditentukan sekali dan untuk selamanya pada saat desain sistem awal.

Pandemi baru-baru ini menyoroti kerapuhan perencanaan rantai pasokan “just-in-time”. Menjadi lebih jelas bahwa, di dunia yang semakin kompleks dan tidak pasti, industri tidak lagi dapat membiarkan infleksibilitas seperti itu. Saat ini, manufaktur harus membuat pilihan tetap antara “Low-Mix High-Volume” (LMHV) dan “High-Mix Low-Volume” (HMLV). Industri 5.0 memperkirakan prospek “High-Mix High-Volume” (HMHV), di mana alur kerja dapat dikonfigurasi ulang dengan biaya rendah untuk memenuhi kebutuhan yang fluid. Untuk mencapai ini, diperlukan “otomatisasi otomatisasi”, untuk menghilangkan kebutuhan akan intervensi manusia dan/atau waktu henti sistem ketika masalah atau lingkungan berubah. Ini memerlukan sistem yang “bekerja atas perintah”, bereaksi terhadap perubahan tersebut, sambil masih memiliki prospek yang wajar untuk menyelesaikan tugas yang ditugaskan dalam batasan waktu dunia nyata. Pertimbangkan, sebagai contoh, menginstruksikan robot jalur perakitan, yang saat ini terlibat dengan tugas X, sebagai berikut:

“Hentikan perakitan X segera: ini adalah spesifikasi Y, dan ini adalah sebagian besar efektor lama dan beberapa efektor baru. Sekarang mulailah merakit Y, menghindari jenis-jenis cacat dan pemborosan.”

Meskipun banyak pembicaraan baru-baru ini tentang kedatangan “Kecerdasan Umum Buatan” (AGI) yang akan datang melalui model bahasa besar seperti GPT-3, tidak satu pun dari pendekatan yang diusulkan yang benar-benar mampu “bekerja atas perintah”. Artinya, mereka tidak dapat ditugaskan dengan sesuatu yang sepenuhnya di luar set pelatihan tanpa waktu henti pelatihan ulang, verifikasi, dan penerapan.

Pasti jelas bahwa setiap gagasan nyata tentang kecerdasan tidak dapat dipisahkan dari responsif terhadap perubahan. Sistem yang tetap tidak berubah – tidak peduli berapa banyak peristiwa yang tidak terduga yang dihadapinya – tidak otonom atau cerdas. Ini tidak mengurangi kekuatan pendekatan pembelajaran dalam (DL) yang telah menikmati kesuksesan besar sebagai sarana untuk mensintesis program untuk masalah yang sulit untuk ditentukan secara eksplisit.

Jadi, apa jenis fungsionalitas sistem yang mungkin memungkinkan AI untuk melampaui paradigma pelatihan, membeku, dan menerapkan, menuju yang mampu melakukan pembelajaran adaptif tanpa henti? Pertimbangkan kebutuhan untuk menggantikan komponen yang rusak dalam alur kerja manufaktur dengan komponen dari vendor yang berbeda, yang mungkin menikmati toleransi yang berbeda. Dengan pemodelan kotak hitam ujung-ke-ujung dari AI kontemporer, proses peniruan digital harus dilakukan lagi. Untuk mengatasi keterbatasan pendekatan kontemporer, perubahan radikal diperlukan: model yang dapat bernalar langsung tentang konsekuensi perubahan komponen – dan skenario “apa yang terjadi” yang lebih umum. Menguraikan alur kerja menjadi komponen dengan sifat yang diketahui dan menggabungkannya kembali sesuai kebutuhan memerlukan apa yang disebut “komposisi”.

Komposisi telah mengeludisi AI kontemporer, di mana sering kali dikacaukan dengan gagasan yang lebih lemah dari modularitas. Modularitas berkaitan dengan kemampuan untuk ‘menempel’ komponen bersama, tetapi ini gagal menangkap esensi komposisi, yang adalah kemampuan untuk bernalar tentang perilaku alur kerja yang dihasilkan untuk menentukan dan memastikan pelestarian sifat yang diinginkan. Kemampuan ini sangat penting untuk alasan verifikasi dan keamanan: misalnya, kemampuan sistem untuk bernalar bahwa “mengadopsi mesin dari produsen alternatif akan meningkatkan output daya keseluruhan pabrik sementara semua komponennya tetap dalam batas suhu.”

Meskipun pendekatan jaringan saraf kontemporer unggul dalam mempelajari aturan dari data, mereka kekurangan penalaran komposisi. Sebagai alternatif untuk berharap bahwa penalaran komposisi akan muncul dari dalam arsitektur jaringan saraf, memungkinkan untuk menggunakan konstruksi teori kategori secara langsung, studi matematika tentang komposisi. Khususnya, subbidangnya, kibernetika kategoris, berkaitan dengan pengontrol berarah ganda sebagai elemen representatif dasar. Kemampuan berarah ganda adalah kemampuan untuk melakukan inferensi maju dan inferensi invers: membuat prediksi dari penyebab ke efek dan sebaliknya. Inferensi invers komposisi sangat penting karena memungkinkan integrasi umpan balik dari lingkungan pada skala representasi struktural apa pun – ini memfasilitasi pembelajaran cepat dari contoh yang sedikit.

Diberikan beberapa perilaku sistem yang diinginkan, tugas pembelajaran adalah membangun struktur kontrol agregat yang memenuhinya. Struktur yang dipelajari awalnya bertindak sebagai kerangka untuk pembelajaran selanjutnya.

Ketika pengetahuan sistem meningkat, kerangka ini dapat dihiasi dengan sifat komposisi yang dipelajari, mirip dengan cara molekul H2O dapat ditentukan memiliki sifat yang berbeda dari atom penyusunnya. Selain itu, sama seperti “melempar bola” dan “mengayun raket tenis” dapat dilihat sebagai tindakan muskuloskeletal yang terkait untuk manusia, tugas yang terkait dapat berbagi struktur pengontrol skeletal yang dihiasi dengan cara khusus tugas melalui umpan balik dari lingkungan. Pemisahan struktur kausal dari tugas khusus dapat memfasilitasi pembelajaran tugas baru tanpa lupa bencana yang menghantui pendekatan kontemporer. Oleh karena itu, pendekatan numerik-simbolik hibrida dari bentuk yang dijelaskan di atas dapat menggabungkan kekuatan kedua pendekatan saraf dan simbolik, dengan memiliki gagasan struktur yang eksplisit dan kemampuan untuk mempelajari adaptif bagaimana sifat disusun. Penalaran tentang sifat komposisi didasarkan pada dasar yang berkelanjutan oleh pekerjaan yang sistem saat ini diperintahkan untuk melakukan.

Dalam kesimpulan, jelas bahwa pendekatan baru diperlukan untuk menciptakan sistem yang benar-benar otonom: sistem yang mampu mengakomodasi perubahan signifikan dan/atau beroperasi di lingkungan yang tidak diketahui. Ini memerlukan pembelajaran adaptif tanpa henti dan generalisasi dari apa yang sudah diketahui. Meskipun namanya, pendekatan pembelajaran dalam hanya memiliki representasi yang dangkal dari dunia yang tidak dapat dimanipulasi pada tingkat yang tinggi oleh proses pembelajaran. Sebaliknya, kami mengusulkan bahwa sistem AGI yang muncul di generasi berikutnya akan mengintegrasikan pembelajaran dalam ke dalam arsitektur yang lebih luas, dilengkapi dengan kemampuan untuk bernalar langsung tentang apa yang mereka ketahui.

Kemampuan sistem untuk bernalar simbolis tentang representasi mereka sendiri memberikan manfaat besar bagi industri: dengan representasi yang eksplisit komposisi, sistem dapat diaudit – baik oleh manusia atau secara internal oleh sistem itu sendiri – untuk memenuhi persyaratan vital keamanan dan keadilan. Sementara telah banyak perhatian akademis tentang risiko “x” dari AGI, fokus yang tepat adalah masalah teknik konkrit dari re-tugas sistem kontrol sambil mempertahankan persyaratan vital ini, proses yang kami sebut penyelarasan interaktif. Hanya melalui adopsi jenis sistem kontrol ini, yang dapat dipercaya dan efisien dalam pembelajaran berkelanjutan, kita akan dapat mewujudkan generasi berikutnya dari otonomi yang digambarkan oleh Industri 5.0.