Hvorfor Industry 5.0 trenger kunstig generell intelligens

Av: Bas Steunebrink, medgrunnlegger og direktør for kunstig generell intelligens, Eric Nivel, leder for AGI-ingeniør & Jerry Swan, forskningsscientist ved NNAISENSE.

Vi tar automatisering for gitt i vår moderne verden, og nyter hver dag av forsyningskjeder som spenner over hele verden, og leverer et stort utvalg av varer til hyllene våre. Men bak kulissene genererer produksjon og bevegelse av varer mange optimaliseringsutfordringer, som pakking, planlegging, ruting og automatisering av produksjonslinjer. Disse optimaliseringsutfordringene er dynamiske og endrer seg konstant i takt med den virkelige verden. For eksempel kan forventede forsyningsruter plutselig bli kompromittert på grunn av uforutsette omstendigheter – for eksempel kan Suez-kanalen bli blokkert; luftveier kan endre seg på grunn av vulkanutbrudd; hele land kan bli utilgjengelige på grunn av konflikt. Endringer i lovgivning, valutakollaps og knappe ressurser er også eksempler på forsynings-sidevariabler som konstant er i flux.

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 ekspert-menneskelig arbeid nødvendig for å gjøre endringer i systemet, eller – i tilfelle av maskinlæring – å også om-trening og om-utplassering av 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 en gang for alle ved systemets opprinnelige design.

Den nylige pandemien fremhever sårbarheten til “just-in-time”-planlegging av forsyningskjeder. Det blir mer åpenbart at i en stadig mer kompleks og usikker verden, kan industrien ikke lenger ha slik inflexibilitet. For tiden må produksjonen gjøre et fast valg mellom “Low-Mix High-Volume” (LMHV) og “High-Mix Low-Volume” (HMLV). Industry 5.0 antar prospektet av “High-Mix High-Volume” (HMHV), hvor 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, mens de fortsatt har en rimelig sjanse til å fullføre sine tildelte oppgaver innen virkelige tidsbegrensninger. Vurdér, som et eksempel, å instruere en monteringslinje-robot, som for tiden er engasjert i oppgave X, som følger:

“Stopp 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 start å montere Y, og unngå slike og slike typer feil og spill.”

Til tross for vidt utbredt snakk om det 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 noe fullstendig utenfor deres treningssett uten nedtiden til offline om-trening, verifisering og om-utplassering.

Det er sikkert klart at noen virkelige forestilling om intelligens er uatskillelig forbundet med respons på endring. Et system som forblir uendret – uansett hvor mange uventede hendelser det er eksponert for – er hverken autonomt eller intelligent. Dette er ikke for å trekke fra de ubestridte styrkene til slike dyptelæring (DL)-tilnærming, som har nytt stor suksess som et middel for å syntetisere programmer for problemer som er vanskelige å eksplisitt spesifisere.

Hva slags systemfunksjonalitet kan muligens aktivere AI til å gå utenom dette trening, frys og utplasseringsparadigme, 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 sorte boks-modelleringen av samtida AI, må den digitale tvilling-prosessen gjøres på nytt. For å møte begrensningene til samtida tilnærming, er en radikal endring nødvendig: en modell som kan direkte resonnere om konsekvensene av en komponentendring – og faktisk mer generelle 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 modulær. Modulær er opptatt av evnen til å “lime” komponenter sammen, men dette feiler å fange essensen av komposisjonalitet, som er evnen til å resonnere om beteendet til den resulterende arbeidsflyten for å bestemme og sikre bevarelse av noen ønsket egenskap. Denne evnen er vital for årsaker av 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 innenfor temperaturmarginer”.

Til tross for at samtida neurale nettverkstilnærming eksellerer i å lære regler fra data, mangler de komposisjonell resonnement. Som et alternativ til å håpe at komposisjonell resonnement vil oppstå fra innenfor 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 to-veiskontrollere som grunnleggende representasjonselementer. To-veiskontroll er 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 tilbakemelding fra miljøet på noen skala av struktur-representasjon – dette fasiliteter raskt læring fra et lite antall eksempler.

Gitt noen ønsket systematferd, er læring-oppgaven å bygge en aggregert kontrollstruktur som møter det. Først-lærte strukturer fungerer som et skjelett for påfølgende læring.

Etterhvert som systemets kunnskap øker, kan dette skjelettet dekoreres med lærte komposisjonelle egenskaper, lik hvordan en H2O-molekyl kan bestemmes å ha forskjellige egenskaper enn de av dets konstituerende atomer. I tillegg, lik “å kaste en ball” og “å svinge en tennismølle” kan sees som relaterte muskuloskeletale handlinger for et menneske, så relaterte oppgaver kan dele en skjelett-kontrollerstruktur som pyntes på en oppgave-spesifikk måte via tilbakemelding fra miljøet. Denne frakoblingen av årsaksstruktur fra oppgave-spesifik kan fasilitere læring av nye oppgaver uten den katastrofale glemming som plager samtida tilnærming. Derfor kan en hybrid numerisk-symbolisk tilnærming av den form beskrevet ovenfor kombinere styrkene til både neurale og symboliske tilnærming, ved å ha både en eksplisitt forestilling om struktur og evnen til å lære adaptivt hvordan egenskaper er komponert. Resonnement om komposisjonelle egenskaper er grunnfestet på en kontinuerlig basis av arbeidet systemet er nå kommandert til å utføre.

I konklusjon, er det klart at en ny tilnærming er nødvendig for å skape virkelig autonome systemer: systemer i stand til å akkommodere betydelig endring og/eller operere i ukjente miljøer. Dette krever ubrudt adaptiv læring og generalisering fra hva som allerede er kjent. Til tross for deres navn, har dyptelæring-tilnærmingene bare en overfladisk representasjon av verden som ikke kan manipuleres på et høyt nivå av læring-prosessen. I kontrast, foreslår vi at AGI-systemene som oppstår i den neste generasjonen vil inkorporere dyptelæring innenfor en videre arkitektur, utstyrt med evnen til å resonnere direkte om hva det vet.

Evnen for et system til å resonnere symbolisk om sin egen representasjon konferer 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-risk av AGI, er den passende fokusen heller det konkrete ingeniør-problemet med å om-gi en kontrollsystem mens det beholdes disse vitale kravene, en prosess som vi betegner som interaktiv justering. Det er bare gjennom adopsjonen av denne type kontrollsystemer, som er pålitelige og effektive kontinuerlige lærere, at vi vil være i stand til å realisere den neste generasjonen av autonomi forestilt av Industry 5.0.