Hvorfor Industry 5.0 trenger kunstig generell intelligens

Av: Bas Steunebrink, medgründer og direktør for kunstig generell intelligens, Eric Nivel, lead AGI-ingeniør og Jerry Swan, forskningsvitenskapelig ansatt ved NNAISENSE.

Vi tar automatisering for gitt i vår moderne verden, og nyter hver dag av fordelene med verdensomspennende leverandørkjeder som bringer en stor utvalg av varer til hyllene våre. Men bak kulissene genererer produksjon og transport av varer mange optimeringsutfordringer, som pakking, planlegging, ruting og automatisering av produksjonslinjer. Disse optimeringsutfordringene er dynamiske og endrer seg konstant i takt med den virkelige verden. For eksempel kan forventede leveringsruter plutselig bli kompromittert på grunn av uforutsette omstendigheter – for eksempel kan Suez-kanalen være blokkert; flyruter kan endre seg på grunn av vulkanutbrudd; hele land kan være utilgjengelige på grunn av konflikt. Endringer i lovgivning, valutakollaps og knappe ressurser er også eksempler på leverandørvariabler som konstant er i endring.

For å gi et annet eksempel, må en ny komponent noen ganger integreres i en maskin eller arbeidsflyt (brukerne kan ønske forskjellige materialer eller farger, for eksempel). For tiden er ekspertmannskraft nødvendig for å gjøre endringer i systemet, eller – i tilfelle av maskinlæring – å også omtræne og gjeninnføre løsningen. På en lignende måte er “digitale tvillinger” i Industry 4.0 fremdeles sterkt avhengige av tanken om at problemets beskrivelse og fordeling av inndata kan spesifiseres én gang for alle ved systemets opprinnelige design.

Den nylige pandemien understreker sårbarheten i “just-in-time”-planlegging av leverandørkjeder. Det blir mer tydelig at industrien i en stadig mer kompleks og usikker verden ikke lenger kan tillate slik inflexibilitet. For tiden må produksjonen velge mellom “Lav-Mix Høy-Volum” (LMHV) og “Høy-Mix Lav-Volum” (HMLV). Industry 5.0 forutser muligheten for “Høy-Mix Høy-Volum” (HMHV), der arbeidsflyten kan omkonfigureres til lav kostnad for å møte flytende krav. For å oppnå dette, er det nødvendig å “automatisere automatisering”, for å eliminere behovet for menneskelig inngripen og/eller systemnedtid når problemet eller miljøet endrer seg. Dette krever systemer som “fungerer på kommando”, som reagerer på slike endringer, samtidig som de har en rimelig sjanse til å fullføre sine oppgaver innen virkelige tidsbegrensninger. Vurdér, for eksempel, å instruere en monteringslinjerobot, som for tiden er opptatt med oppgave X, som følger:

“Stans å montere X med en gang: her er en spesifikasjon av Y, og her er de fleste av dine gamle og noen nye effektorer. Nå begynn å montere Y, og unngå slike og slike feil og spill.”

Til tross for vidt utbredt snakk om den forestående ankomsten av “kunstig generell intelligens” (AGI) via såkalte store språkmodeller som GPT-3, er ingen av de foreslåtte tilnærmingene virkelig i stand til å “fungerer på kommando”. Det vil si at de ikke kan tildeles en oppgave som ligger helt utenfor deres treningssett uten nedtiden til offline-omtrening, verifisering og gjeninnføring.

Det er sikkert tydelig at enhver virkelig verdensomspennende forestilling om intelligens er uatskillelig forbundet med respons på endring. Et system som forblir uendret – uansett hvor mange uventede hendelser det utsettes for – er hverken autonomt eller intelligent. Dette er ikke for å trekke ned på de ubestridte styrkene til slike dyptelæringstilnærminger (DL), som har hatt stor suksess som et middel til å syntetisere programmer for problemer som er vanskelige å spesifisere eksplisitt.

Hva slags systemfunksjonalitet kan muligens tillate AI å gå utenfor denne trening, frys og deploy-paradigmet, mot et som er i stand til ubrudt adaptiv læring? Vurdér behovet for å erstatte en defekt komponent i en produksjonsarbeidsflyt med en fra en annen leverandør, som kan ha forskjellige toleranser. Med den ende-til-ende svarte boks-modelleringen av samtida AI, må den digitale tvillingprosessen gjøres på nytt. For å møte begrensningene til samtidas tilnærminger, er en radikal endring nødvendig: en modell som kan direkte resonnere om konsekvensene av en komponentendring – og mer generelt kontrafaktiske “hva hvis”-scenarier. Å dekomponere en arbeidsflyt i komponenter med kjente egenskaper og gjenkoble dem som nødvendig, krever hva som kalles “komposisjonalitet”.

Komposisjonalitet har hittil unngått samtida AI, hvor det ofte forveksles med den svakere forestillingen om modularitet. Modularitet handler om evnen til å “lime” komponenter sammen, men dette feiler å fange essensen av komposisjonalitet, som er evnen til å resonnere om betydningen av den resulterende arbeidsflyt for å bestemme og sikre bevarelse av en ønsket egenskap. Denne evnen er vital for årsaker som verifisering og sikkerhet: for eksempel evnen til at systemet kan resonnere at “å adoptere en motor fra en alternativ produsent vil øke den totale anleggets effekt, mens alle andre komponenter forblir innen temperaturmarginer”.

Til tross for at samtidas neurale nettverkstilnærminger utmerker seg ved å lære regler fra data, mangler de komposisjonell resonnement. Som et alternativ til å håpe at komposisjonell resonnement vil oppstå fra neurale nettverksarkitekturer, er det mulig å gjøre direkte bruk av konstruksjonene i kategoriteori, den matematiske studien av komposisjonalitet. Spesielt er dets underfelt kategorisk kybernetikk opptatt av toveis kontrollere som grunnleggende representasjonselementer. Toveis kontroll handler om evnen til å utføre både fremover- og inverse inferens: prediksjon fra årsaker til effekter og vice versa. Komposisjonell inverse inferens er spesielt viktig fordi den tillater inkorporering av tilbakekobling fra miljøet på enhver skala av strukturell representasjon – dette fasiliteter rask læring fra et lite antall eksempler.

Gitt en ønsket systematferd, er læringoppgaven å bygge en aggregert kontrollstruktur som møter den. Først lært strukturer fungerer som en skjelett for senere læring.

Ettersom systemets kunnskap øker, kan dette skjeletten dekoreres med lært komposisjonelle egenskaper, likt hvordan en H2O-molekyl kan bestemmes å ha forskjellige egenskaper enn de til dets bestanddelene. I tillegg, likt hvordan “å kaste en ball” og “å svinge en tennissracket” kan sees som relaterte muskuloskeletale handlinger for et menneske, kan relaterte oppgaver dele en skjelett kontrollerstruktur som pyntes på en oppgave-spesifikk måte via tilbakekobling fra miljøet. Denne frakoblingen av kausal struktur fra oppgave-spesifikke kan fasilitere læring av nye oppgaver uten den katastrofale glemming som plager samtidas tilnærminger. Derfor kan en hybrid numerisk-symbolisk tilnærming av den type som beskrevet ovenfor kombinere styrkene til både neurale og symboliske tilnærminger, ved å ha både en eksplisitt forestilling om struktur og evnen til å lære adaptivt hvordan egenskaper komponeres. Resonnement om komposisjonelle egenskaper er grunnlagt på en kontinuerlig basis av arbeidet systemet for tiden er kommandert til å utføre.

I konklusjon er det tydelig at en ny tilnærming er nødvendig for å skape virkelig autonome systemer: systemer i stand til å tilpasse seg betydelige endringer og/eller operere i ukjente miljøer. Dette krever ubrudt adaptiv læring og generalisering fra hva som allerede er kjent. Til tross for navnet, har dyptelæringstilnærminger bare en overfladisk representasjon av verden som ikke kan manipuleres på et høyt nivå av læringprosessen. I kontrast foreslår vi at AGI-systemene som vil oppstå i den neste generasjonen vil inkorporere dyptelæring innenfor en videre arkitektur, utstyrt med evnen til å resonnere direkte om hva de vet.

Evnen til at et system kan resonnere symbolisk om sin egen representasjon gir betydelige fordeler for industrien: med en eksplisitt komposisjonell representasjon, kan systemet auditeres – enten av mennesker eller internt av systemet selv – for å møte vitale krav til sikkerhet og rettferdighet. Mens det har vært mye akademisk bekymring om den såkalte x-risiko av AGI, er den passende fokus i stedet det konkrete ingeniørproblemet med å omkonfigurere et kontrollsystem samtidig som man beholder disse vitale kravene, en prosess som vi betegner som interaktiv justering. Det er kun gjennom adopsjonen av denne type kontrollsystemer, som er pålitelige og effektive kontinuerlige lærere, at vi vil kunne realisere den neste generasjonen av autonomi som er tenkt i Industry 5.0.