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-barang tersebut menghasilkan banyak tantangan optimisasi, seperti pengemasan, penjadwalan, rute, dan otomatisasi lini perakitan. Tantangan-tantangan optimisasi ini dinamis dan terus-menerus berubah seiring dengan dunia nyata. Misalnya, rute pasokan yang diharapkan mungkin tiba-tiba menjadi terganggu karena keadaan yang tidak terduga – seperti Terusan Suez yang diblokir; rute udara mungkin berubah karena letusan gunung berapi; negara-negara tertentu mungkin tidak dapat diakses karena konflik. Perubahan dalam peraturan, keruntuhan mata uang, dan sumber daya yang langka juga merupakan contoh variabel sisi pasokan yang terus-menerus berubah.

Untuk memberikan contoh lain, terkadang komponen baru harus dimasukkan 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 melatih kembali dan menerapkan 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”. Ini 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 mengantisipasi prospek “High-Mix High-Volume” (HMHV), di mana alur kerja dapat dikonfigurasi ulang dengan biaya rendah untuk memenuhi kebutuhan yang berubah-ubah. Untuk mencapai ini, diperlukan untuk “mengotomatisasi otomatisasi”, untuk menghilangkan kebutuhan akan intervensi manusia dan/atau downtime sistem ketika masalah atau lingkungan berubah. Ini memerlukan sistem yang “bekerja pada 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 lini perakitan, yang saat ini terlibat dalam tugas X, sebagai berikut:

“Berhenti merakit X sekarang: ini adalah spesifikasi Y, dan ini adalah sebagian besar efektor lama dan beberapa efektor baru. Sekarang mulai merakit Y, menghindari jenis-jenis cacat dan pemborosan tertentu.”

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 dapat “bekerja pada perintah”. Artinya, mereka tidak dapat diberi tugas dengan sesuatu yang sepenuhnya di luar set pelatihan mereka tanpa downtime pelatihan ulang, verifikasi, dan penerapan kembali.

Sangat jelas bahwa setiap gagasan dunia 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 belajar adaptif tanpa terganggu? Pertimbangkan kebutuhan untuk menggantikan komponen yang rusak dalam alur kerja manufaktur dengan komponen dari vendor yang berbeda, yang mungkin memiliki toleransi yang berbeda. Dengan model 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 secara langsung bernalar tentang konsekuensi perubahan komponen – dan lebih umum lagi, skenario “apa yang terjadi jika” kontrafaktual. Menguraikan alur kerja menjadi komponen dengan sifat yang diketahui dan menggabungkannya kembali sesuai kebutuhan memerlukan apa yang disebut “komposisi”.

Komposisi telah menghindari 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 beberapa 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 tanaman secara keseluruhan sementara semua komponen lainnya tetap dalam batas suhu.”

Meskipun pendekatan jaringan neural kontemporer unggul dalam belajar aturan dari data, mereka kekurangan bernalar komposisi. Sebagai alternatif untuk berharap bahwa bernalar komposisi akan muncul dari dalam arsitektur jaringan neural, memungkinkan untuk menggunakan konstruksi teori kategori secara langsung, studi matematika tentang komposisi. Khususnya, subbidangnya, kibernetika kategoris, berkaitan dengan pengontrol bidirectional sebagai elemen representatif dasar. Bidireksionalitas adalah kemampuan untuk melakukan inferensi maju dan 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 beberapa contoh.

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, serupa dengan cara molekul H2O dapat ditentukan memiliki sifat yang berbeda dari atom-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 kontrol skeletal yang dihiasi dengan cara yang spesifik tugas melalui umpan balik dari lingkungan. Pemisahan struktur kausal dari spesifik tugas dapat memfasilitasi pembelajaran tugas baru tanpa lupa bencana yang menghantui pendekatan kontemporer. Dengan demikian, pendekatan numerik-simbolis hibrida dari bentuk yang dijelaskan di atas dapat menggabungkan kekuatan kedua pendekatan neural dan simbolis, dengan memiliki gagasan struktur yang eksplisit dan kemampuan untuk belajar adaptif tentang bagaimana sifat disusun. Bernalar tentang sifat komposisi didasarkan pada dasar yang berkelanjutan oleh pekerjaan yang saat ini sistem diminta untuk melakukan.

Dalam kesimpulan, jelas bahwa pendekatan baru diperlukan untuk menciptakan sistem yang benar-benar otonom: sistem yang mampu mengakomodasi perubahan yang signifikan dan/atau beroperasi dalam lingkungan yang tidak diketahui. Ini memerlukan pembelajaran adaptif tanpa terganggu dan generalisasi dari apa yang sudah diketahui. Meskipun namanya, pendekatan pembelajaran dalam memiliki representasi dunia yang dangkal yang tidak dapat dimanipulasi pada tingkat tinggi oleh proses pembelajaran. Sebaliknya, kami mengusulkan bahwa sistem AGI yang muncul dalam 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 menghasilkan manfaat yang signifikan 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 yang disebut x-risk dari AGI, fokus yang tepat adalah masalah rekayasa konkrit untuk mengalihkan kembali sistem kontrol sambil mempertahankan persyaratan vital ini, proses yang kami sebut sebagai “penyesuaian interaktif”. Hanya melalui adopsi jenis sistem kontrol ini, yang dapat dipercaya dan efisien sebagai pembelajar terus-menerus, bahwa kita akan dapat mewujudkan generasi berikutnya dari otonomi yang digambarkan oleh Industri 5.0.