Perché l’Industria 5.0 ha bisogno dell’Intelligenza Artificiale Generale

Di: Bas Steunebrink, Co-fondatore e Direttore dell’Intelligenza Artificiale Generale, Eric Nivel, Lead AGI Engineer & Jerry Swan, Research Scientist presso NNAISENSE.

Diamo per scontata l’automazione nel nostro mondo moderno, beneficiando ogni giorno da catene di approvvigionamento che si estendono in tutto il mondo, consegnando una vasta selezione di beni sui nostri scaffali. Ma dietro le quinte, la produzione e il movimento di beni generano molte sfide di ottimizzazione, come l’imballaggio, la pianificazione, il routing e l’automazione della linea di montaggio. Queste sfide di ottimizzazione sono dinamiche e cambiano costantemente in tandem con il mondo reale. Ad esempio, le rotte di approvvigionamento attese possono improvvisamente diventare compromesse a causa di circostanze impreviste – ad esempio, il Canale di Suez può essere bloccato; le rotte aeree possono cambiare a causa di eruzioni vulcaniche; interi paesi possono essere inaccessibili a causa di conflitti. I cambiamenti nella legislazione, il crollo della valuta e le risorse scarse sono anche esempi di variabili di approvvigionamento costantemente in fluttuazione.

Per fornire un altro esempio, a volte è necessario incorporare un nuovo componente in una macchina o in un flusso di lavoro (gli utenti possono desiderare materiali o colori diversi, ad esempio). Attualmente, è richiesta la manodopera umana specializzata per apportare modifiche al sistema, o – nel caso dell’apprendimento automatico – per riaddestrare e ridistribuire la soluzione. In modo simile, i “gemelli digitali” dell’Industria 4.0 sono ancora fortemente dipendenti dal concetto che la descrizione del problema e la distribuzione degli input possano essere specificate una volta per tutte al momento della progettazione iniziale del sistema.

La recente pandemia mette in luce la fragilità della pianificazione della catena di approvvigionamento “just-in-time”. Diventa più evidente che, in un mondo sempre più complesso e incerto, l’industria non può più permettersi tale inflessibilità. Attualmente, la produzione deve fare una scelta fissa tra “Low-Mix High-Volume” (LMHV) e “High-Mix Low-Volume” (HMLV). L’Industria 5.0 anticipa la prospettiva di “High-Mix High-Volume” (HMHV), in cui il flusso di lavoro può essere riorganizzato a basso costo per soddisfare requisiti fluidi. Per raggiungere ciò, è necessario “automatizzare l’automazione”, per eliminare la necessità di intervento umano e/o di downtime del sistema quando il problema o l’ambiente cambia. Ciò richiede sistemi che “lavorino su comando”, reagendo a tali cambiamenti, mentre mantengono ancora una ragionevole prospettiva di completare i compiti assegnati entro i vincoli di tempo del mondo reale. Considerate, ad esempio, l’istruzione di un robot di linea di montaggio, attualmente impegnato con il compito X, come segue:

“Ferma di assemblare X immediatamente: ecco una specifica di Y, e qui ci sono la maggior parte dei tuoi vecchi e alcuni nuovi effettori. Ora inizia ad assemblare Y, evitando tali e tali tipi di difetti e sprechi.”

Nonostante la vasta discussione recente sull’imminente arrivo dell'”Intelligenza Artificiale Generale” (AGI) tramite i cosiddetti Large Language Model come GPT-3, nessuno degli approcci proposti è veramente in grado di “lavorare su comando”. Ciò significa che non possono essere assegnati a qualcosa di completamente al di fuori del loro set di addestramento senza il downtime di riaddestramento offline, verifica e ridistribuzione.

È sicuramente chiaro che qualsiasi nozione di intelligenza nel mondo reale è inestricabilmente associata alla risposta ai cambiamenti. Un sistema che rimane invariato – non importa quanti eventi imprevisti sia esposto – non è né autonomo né intelligente. Ciò non intende sminuire le indubbie forze di tali approcci di apprendimento profondo (DL), che hanno goduto di grande successo come mezzo per sintetizzare programmi per problemi difficili da specificare esplicitamente.

Quale tipo di funzionalità del sistema potrebbe consentire all’IA di andare oltre questo paradigma di addestramento, congelamento e distribuzione, verso uno capace di apprendimento adattivo ininterrotto? Considerate la necessità di sostituire un componente difettoso in un flusso di lavoro di produzione con uno di un fornitore diverso, che potrebbe avere tolleranze diverse. Con la modellazione end-to-end della scatola nera dell’IA contemporanea, il processo di gemellaggio digitale deve essere fatto nuovamente. Per affrontare le limitazioni degli approcci contemporanei, è necessario un cambiamento radicale: un modello che possa ragionare direttamente sulle conseguenze di un cambiamento di componente – e più in generale su scenari controfattuali “e se”. Decomporre un flusso di lavoro in componenti con proprietà note e ricombinarli come necessario richiede ciò che è noto come “composizionalità”.

La composizionalità ha finora eluso l’IA contemporanea, dove è spesso confusa con la nozione più debole di modularità. La modularità si occupa della capacità di ‘incollare’ componenti insieme, ma ciò non cattura l’essenza della composizionalità, che è la capacità di ragionare sul comportamento del flusso di lavoro risultante per determinare e garantire la conservazione di una proprietà desiderata. Questa capacità è vitale per motivi di verifica e sicurezza: ad esempio, la capacità del sistema di ragionare che “l’adozione di un motore di un produttore alternativo aumenterà la potenza di uscita complessiva della pianta mentre tutti gli altri componenti rimangono entro i margini di temperatura”.

Sebbene gli approcci di rete neurale contemporanei eccellano nell’apprendere regole dai dati, mancano di ragionamento composizionale. In alternativa alla speranza che il ragionamento composizionale emerga dalle architetture di rete neurale, è possibile utilizzare direttamente le costruzioni della teoria delle categorie, lo studio matematico della composizionalità. In particolare, il suo sottocampo della cibernetica categorica si occupa di controller bidirezionali come elementi rappresentativi fondamentali. La bidirezionalità è la capacità di eseguire sia l’inferenza diretta che inversa: previsione dai cause agli effetti e viceversa. L’inferenza inversa composizionale è particolarmente importante perché consente l’incorporazione di feedback dall’ambiente a qualsiasi scala di rappresentazione strutturale – ciò facilita l’apprendimento rapido da pochi esempi.

Dato un comportamento del sistema desiderato, il compito di apprendimento è quindi costruire una struttura di controllo aggregata che lo soddisfi. Le strutture inizialmente apprese agiscono come uno scheletro per l’apprendimento successivo.

Man mano che la conoscenza del sistema aumenta, questo scheletro può essere decorato con proprietà composte apprese, simili a come una molecola di H2O può essere determinata per avere proprietà diverse da quelle dei suoi atomi costituenti. Inoltre, proprio come “lanciare una palla” e “muovere una racchetta da tennis” possono essere visti come azioni muscoloscheletriche correlate per un essere umano, così i compiti correlati possono condividere una struttura di controllo scheletrica che è abbellita in modo specifico del compito tramite feedback dall’ambiente. Questo decoupling della struttura causale dalle specifiche del compito può facilitare l’apprendimento di nuovi compiti senza il dimenticamento catastrofico che affligge gli approcci contemporanei. Quindi, un approccio ibrido numerico-simbolico del tipo descritto sopra può combinare le forze di entrambi gli approcci neurali e simbolici, avendo sia una nozione esplicita di struttura che la capacità di apprendere in modo adattivo come le proprietà sono composte. Il ragionamento sulle proprietà composte è fondato su base continua dal lavoro che il sistema è attualmente comandato di eseguire.

In conclusione, è chiaro che un nuovo approccio è necessario per creare sistemi veramente autonomi: sistemi in grado di accogliere cambiamenti significativi e/o operare in ambienti sconosciuti. Ciò richiede un apprendimento adattivo ininterrotto e la generalizzazione da ciò che è già noto. Nonostante il loro nome, gli approcci di apprendimento profondo hanno solo una rappresentazione superficiale del mondo che non può essere manipolata a un livello alto dal processo di apprendimento. In contrasto, noi proponiamo che i sistemi AGI che emergeranno nella prossima generazione incorporeranno l’apprendimento profondo all’interno di un’architettura più ampia, dotata della capacità di ragionare direttamente su ciò che conosce.

La capacità di un sistema di ragionare simbolicamente sulla sua stessa rappresentazione conferisce benefici significativi per l’industria: con una rappresentazione esplicitamente composizionale, il sistema può essere verificato – sia dagli esseri umani che internamente dal sistema stesso – per soddisfare requisiti vitali di sicurezza e equità. Sebbene ci sia stata molta preoccupazione accademica riguardo al cosiddetto x-risk dell’AGI, la corretta attenzione è piuttosto il problema di ingegneria concreto di ri-tasking di un sistema di controllo mentre si mantengono questi requisiti vitali, un processo che noi chiamiamo allineamento interattivo. È solo attraverso l’adozione di questo tipo di sistemi di controllo, che sono affidabili e efficienti apprendisti continui, che saremo in grado di realizzare la prossima generazione di autonomia prevista dall’Industria 5.0.