Af hverju Industry 5.0 þarfnast gervi almennrar greind

Eftir: Bas Steunebrink, meðstofnandi og forstöðumaður gervilegrar almennrar greindar, Eric Nivel, aðalverkfræðingur AGI & Jerry Swan, rannsóknarfræðingur hjá NNAISENSE.

Við tökum sjálfvirkni sem sjálfsögðum hlut í nútíma heimi okkar og njótum á hverjum degi góðs af aðfangakeðjum sem spanna allan heiminn og skila miklu úrvali af vörum í hillurnar okkar. En á bak við tjöldin, framleiðsla og flutningur á vörum skapar margar hagræðingaráskoranir, svo sem pökkun, tímasetningu, leið og sjálfvirkni færibands. Þessar hagræðingaráskoranir eru kraftmiklar og breytast stöðugt í takt við raunveruleikann. Til dæmis geta væntanlegar birgðaleiðir skyndilega orðið í hættu vegna ófyrirséðra aðstæðna – til dæmis gæti Súesskurðurinn verið lokaður; flugleiðir geta breyst vegna eldgosa; heil lönd gætu verið óaðgengileg vegna átaka. Breytingar á löggjöf, gjaldeyrishrun og af skornum skammti eru líka dæmi um breytur á framboðshlið sem eru stöðugt á hreyfingu.

Til að gefa annað dæmi, stundum verður að fella nýjan íhlut inn í vél eða verkflæði (notendur gætu viljað mismunandi efni eða liti, til dæmis). Eins og er, þarf sérfræðivinnuafl til að gera breytingar á kerfinu, eða - ef um er að ræða vélanám - til að endurþjálfa og endurútbúa lausnina. Á svipaðan hátt eru „stafrænu tvíburarnir“ í Industry 4.0 enn mjög háðir hugmyndinni um að hægt sé að tilgreina vandamálalýsingu og dreifingu inntaks í eitt skipti fyrir öll á þeim tímapunkti sem upphafleg kerfishönnun er gerð.

Nýleg heimsfaraldur undirstrikar viðkvæmni „rétt-í-tíma“ aðfangakeðjuskipulagningar. Það kemur betur í ljós að í sífellt flóknari og óvissari heimi hefur iðnaðurinn ekki lengur efni á slíkum ósveigjanleika. Sem stendur þarf framleiðslan að velja á milli „Low-Mix High-Volume“ (LMHV) og „High-Mix Low-Volume“ (HMLV). Industry 5.0 gerir ráð fyrir möguleikanum á „High-Mix High-Volume“ (HMHV), þar sem hægt er að endurstilla vinnuflæðið með litlum tilkostnaði til að mæta vökvaþörfum. Til að ná þessu er nauðsynlegt að „sjálfvirka sjálfvirkni,“ til að koma í veg fyrir þörf fyrir mannleg afskipti og/eða niður í miðbæ þegar vandamálið eða umhverfið breytist. Þetta krefst þess að kerfi sem „vinna eftir stjórn“ bregðast við slíkum breytingum, en hafa samt sanngjarnar líkur á að klára úthlutað verkefni innan raunverulegra tímatakmarkana. Lítum á, sem dæmi, að leiðbeina færibandsvélmenni, sem nú er í verkefni X, sem hér segir:

„Hættu strax að setja saman X: hér er forskrift Y, og hér eru flestir af gömlu og nokkrir nýir áhrifavaldar. Byrjaðu nú að setja Y saman, forðastu svona og slíka galla og sóun.“

Þrátt fyrir útbreidda nýlega umræðu um yfirvofandi komu „gervi almennrar greindar“ (AGI) með svokölluðum stórum tungumálalíkönum eins og GPT-3, er engin af fyrirhuguðum aðferðum raunverulega fær um að „vinna eftir stjórn“. Það er að segja, ekki er hægt að útvega þeim eitthvað sem er algjörlega utan þjálfunarsetts þeirra án þess að niður í miðbæ sé endurþjálfun, sannprófun og endurskipun án nettengingar.

Það er vafalaust ljóst að hvers kyns raunheimshugmynd um greind er órjúfanlega tengd viðbrögð við breytingum. Kerfi sem helst óbreytt - sama hversu mörgum óvæntum atburðum það verður fyrir - er hvorki sjálfstætt né gáfulegt. Þetta er ekki til að draga úr ótvíræðum styrkleika slíkra djúpnámsaðferða (DL), sem hafa notið mikillar velgengni sem leið til að búa til forrit fyrir vandamál sem erfitt er að tilgreina sérstaklega.

Svo hvers konar kerfisvirkni gæti gert gervigreindum kleift að fara út fyrir þessa lest, frysta og dreifa hugmyndafræði, í átt að því sem er fær um óslitið aðlögunarhæft nám? Íhugaðu þörfina á að skipta um gallaðan íhlut í framleiðsluverkflæði fyrir einn frá öðrum söluaðila, sem gæti notið mismunandi vikmarka. Með svörtum kassalíkönum nútímans gervigreindar frá enda til enda verður að gera stafræna vinabæjaferlið að nýju. Til að bregðast við takmörkunum nútímaaðferða er þörf á róttækri breytingu: líkan sem getur beinlínis rökstutt afleiðingar breytinga á íhlutum – og raunar almennari andstæða „hvað ef“ atburðarás. Að brjóta niður verkflæði í íhluti með þekkta eiginleika og sameina þá aftur eftir þörfum krefst þess sem er þekkt sem „samsetning.

Samsetningarhæfni hefur hingað til farið framhjá gervigreind samtímans, þar sem því er oft ruglað saman við veikari hugmynd um mát. Modularity hefur áhyggjur af getu til að 'líma' íhluti saman, en þetta nær ekki að fanga kjarna samsetningar, sem er hæfileikinn til að rökræða um hegðun vinnuflæðisins sem myndast til að ákvarða og tryggja varðveislu einhverrar æskilegrar eiginleika. Þessi hæfileiki er nauðsynlegur af sannprófunar- og öryggisástæðum: til dæmis geta kerfisins til að rökstyðja að „að taka upp vél frá öðrum framleiðanda mun auka heildarafl verksmiðjunnar á meðan allir aðrir íhlutir hennar haldast innan hitastigsmarka.

Þrátt fyrir að samtímaaðferðir taugakerfis séu skara fram úr í því að læra reglur af gögnum, þá skortir þær samsetningarrök. Sem valkostur við að vona að samsetningarrök komi fram innan taugakerfisarkitektúra, er hægt að nýta beint smíði flokkafræðinnar, stærðfræðilegrar rannsókn á samsetningu. Sérstaklega snýst undirsviðs flokka netfræði þess um tvíátta stýringar sem grundvallaratriði í framsetningu. Tvíátta er hæfileikinn til að framkvæma bæði fram- og öfuga ályktun: spágerð frá orsökum til afleiðinga og öfugt. Samsetningin öfug ályktun er sérstaklega mikilvæg vegna þess að hún gerir kleift að innlima endurgjöf frá umhverfinu á hvaða mælikvarða sem er í burðarvirkjagerð - þetta auðveldar hraða lærdóm af fáum dæmum.

Miðað við einhverja æskilega kerfishegðun er námsverkefnið síðan að byggja upp heildarstýringarskipulag sem uppfyllir það. Upphaflega lærð mannvirki virka sem beinagrind fyrir síðari nám.

Eftir því sem þekking kerfisins eykst er hægt að skreyta þessa beinagrind með lærðum samsetningareiginleikum, svipað og hvernig hægt er að ákvarða H2O sameind að hún hafi aðra eiginleika en frumeinda hennar. Að auki, alveg eins og hægt er að líta á „kasta bolta“ og „sveifla tennisspaða“ sem tengdar stoðkerfisaðgerðir fyrir manneskju, þannig geta tengd verkefni deilt beinagrind stjórnandi uppbyggingu sem er skreytt á sérstakan hátt með endurgjöf frá umhverfi. Þessi aftenging á orsakasamsetningu frá sértækum verkefnum getur auðveldað að læra ný verkefni án þeirrar skelfilegu gleymsku sem hrjáir nálgun samtímans. Þess vegna getur blendingur tölulega-táknræn nálgun af því formi sem lýst er hér að ofan sameinað styrkleika bæði tauga- og táknrænna nálgun, með því að hafa bæði skýra hugmynd um uppbyggingu og getu til að læra aðlögunarhæfni hvernig eiginleikar eru samsettir. Röksemdafærsla um samsetningareiginleika byggist stöðugt á þeirri vinnu sem kerfinu er nú skipað að framkvæma.

Að lokum er ljóst að ný nálgun er nauðsynleg til að búa til raunverulega sjálfstæð kerfi: kerfi sem geta tekið á móti verulegum breytingum og/eða starfað í óþekktu umhverfi. Þetta krefst óslitins aðlögunarnáms og alhæfingar frá því sem þegar er vitað. Þrátt fyrir nafn þeirra hafa djúpnámsaðferðir aðeins grunna mynd af heiminum sem ekki er hægt að stjórna á háu stigi með námsferlinu. Aftur á móti leggjum við til að AGI kerfin sem verða til í næstu kynslóð muni fela í sér djúpt nám innan breiðari byggingarlistar, búin með getu til að rökræða beint um það sem það veit.

Hæfni kerfis til að rökræða með táknrænum hætti um eigin framsetningu veitir iðnaðinum verulegan ávinning: með skýrri samsetningu er hægt að endurskoða kerfið - hvort sem það er af mönnum eða innbyrðis af kerfinu sjálfu - til að uppfylla mikilvægar kröfur um öryggi og sanngirni. Þó að það hafi verið miklar fræðilegar áhyggjur af svokölluðu x-hætta í AGI er viðeigandi áhersla frekar áþreifanlegt verkfræðilegt vandamál að endurtaka eftirlitskerfi á sama tíma og þessar mikilvægu kröfur eru viðhaldið, ferli sem við köllum gagnvirka jöfnun. Það er aðeins með því að taka upp eftirlitskerfi af þessu tagi, sem eru áreiðanlegir og skilvirkir stöðugir nemendur, sem við munum geta gert okkur grein fyrir næstu kynslóð sjálfræðis sem Industry 5.0 sér fyrir sér.