Sanayi 5.0’ın Neden Genel Yapay Zeka İhtiyacı Var

By: Bas Steunebrink, Yapay Genel Zeka’nın Kurucu Ortağı ve Direktörü, Eric Nivel, Lider AGI Mühendisi ve Jerry Swan, NNAISENSE’de Araştırma Bilimcisi.

Modern dünyada otomasyonu günlük hayatımızın bir parçası haline getirdik ve küresel ölçekte ürünlerin raflara ulaşmasını sağlayan tedarik zincirlerinden yararlanıyoruz. Ancak sahne arkasında, ürünlerin üretimi ve hareketi, paketleme, zamanlama, rota belirleme ve montaj hattı otomasyonu gibi birçok optimizasyon sorununu ortaya çıkarır. Bu optimizasyon sorunları dinamik olup, gerçek dünya ile birlikte sürekli değişmektedir. Örneğin, beklenen tedarik rotaları, Suez Kanalı’nın tıkanması, hava rotalarının volkan patlamaları nedeniyle değişmesi veya ülkelerin çatışmalar nedeniyle erişilemez hale gelmesi gibi beklenmedik durumlar nedeniyle aniden tehlikeye girebilir. Yasal düzenlemelerdeki değişiklikler, para birimlerinin çökmesi ve kaynakların kıt olması da tedarik tarafındaki değişkenlerin sürekli akış halinde olduğu örneklerdir.

Başka bir örnek vermek gerekirse, bazen bir makine veya iş akışına yeni bir bileşen entegre edilmelidir (kullanıcılar farklı malzemeler veya renkler isteyebilir, örneğin). Şu anda, sistemde değişiklikler yapmak veya -makine öğrenimi durumunda- ayrıca çözümün yeniden eğitilmesi ve yeniden dağıtılması için uzman insan emeği gerekir. Benzer şekilde, Endüstri 4.0’ın “dijital ikizleri” hala sorun tanımının ve girişlerin dağılımının sistem tasarımı sırasında bir kez ve sonsuza kadar belirlenebileceği fikrine dayanmaktadır.

Son salgın, “zamanında teslimat” tedarik zinciri planlamasının kırılganlığını vurgulamaktadır. Endüstri 5.0, “Yüksek Karışım Yüksek Hacim” (HMHV) olasılığını öngörür; burada iş akışı, değişen gereksinimleri karşılamak için düşük maliyetle yeniden yapılandırılabilir. Bunu başarmak için, “otomasyonu otomasyona” ihtiyacımız vardır; böylece sorun veya çevre değiştiğinde insan müdahalesi veya sistem durdurma ihtiyacını ortadan kaldırmak için. Bu, değişikliklere tepki vererek ve仍 gerçek dünya zaman kısıtlamaları içinde görevlerini makul bir şekilde tamamlama olasılığına sahip sistemler gerektirir. Örneğin, şu anda görev X ile meşgul olan bir montaj hattı robotuna aşağıdaki talimatları verelim:

“X’in montajını hemen durdur: Y’nin bir tanımını ve eski ve yeni efektörlerin çoğunu burada bulacaksın. Şimdi Y’nin montajına başla ve böyle bir arızayı ve israfı önle.”

Son zamanlarda “Yapay Genel Zeka”nın (AGI) GPT-3 gibi Büyük Dil Modelleri aracılığıyla yakın zamanda geleceği hakkında geniş çapta konuşmalar rağmen, önerilen yaklaşımların hiçbiri gerçekten “emir üzerine çalışmaya” yeteneklidir. Yani,Offline yeniden eğitimi, doğrulama ve yeniden dağıtım olmadan eğitim setinin tamamen dışında bir şeyle görevlendirilemezler.

Gerçek dünya zekasının değişikliklere tepki vermesi ile iç içe geçtiği şüphesizdir. Değişen olaylara rağmen değişmeyen bir sistem, ne otonom ne de zekidir. Bu, zor problemleri açıkça belirtmenin bir yolu olarak büyük başarı elde eden derin öğrenme (DL) yaklaşımlarının şüphesiz güçlerini küçümsemek değildir.

Öyleyse, AI’yi bu eğitim, dondurma ve dağıtım paradigmasından, kesintisiz adaptif öğrenmeye yönelik birine taşıyabilecek sistem işlevselliği türü nedir? Örneğin, bir üretim iş akışında bozuk bir bileşeni farklı bir satıcıdan alınan bir bileşenle değiştirmek gerekebilir; bu, farklı toleranslara sahip olabilir. Çağdaş AI’nin sondan sona kara kutu modellemesiyle, dijital ikizleme süreci yeniden yapılmalıdır. Çağdaş yaklaşımların sınırlamalarını ele almak için radikal bir değişiklik gereklidir: bir bileşen değişikliğinin sonuçları ve daha genel karşı olasılık “ne olur” senaryoları hakkında doğrudan akıl yürütebilen bir model. Bir iş akışını bilinen özelliklere sahip bileşenlere ayırma ve gerektiğinde yeniden birleştirme, “bileşenlilik” olarak bilinen şeye ihtiyaç duyar.

Bileşenlilik, çağdaş AI’de şimdiye kadar kaçırılmıştır; burada genellikle daha zayıf bir kavram olan modülerlik ile karıştırılır. Modülerlik, bileşenleri birleştirebilme yeteneği ile ilgilenir, ancak bileşenlerin davranışını belirlemek ve istenen bir özelliğin korunmasını sağlamak için gereken bileşenliğin özünü yakalamayı başarısız olur. Bu yetenek, doğrulama ve güvenlik nedenleriyle hayati önem taşır; Örneğin, sistemin “alternatif bir üreticiden alınan bir motoru benimsemek, diğer tüm bileşenlerin sıcaklık marjları içinde kalırken, tüm tesisin güç çıkışını artıracaktır” diye akıl yürütebilmesi.

Çağdaş sinir ağı yaklaşımları, kuralları veriden öğrenme konusunda mükemmeller, ancak bileşenlik akıl yürütmesinden yoksundurlar. Bileşenlik akıl yürütmesinin sinir ağı mimarilerinden ortaya çıkacağı umudu yerine, doğrudan bileşenlilik matematiksel çalışması olan kategori teorisinin yapılarından yararlanmak mümkündür. Özellikle, alt alanı kategorik sibernetik, temel temsil edici unsurlar olarak bidirektif denetleyiciler ile ilgilenir. Bidirektiflik, nedenlerden etkilere ve tersi yönde tahminler yapma yeteneğidir. Bileşenli ters akıl yürütme özellikle önemlidir, çünkü herhangi bir yapısal temsil ölçeğinde çevreden geri bildirimi içermeyi sağlar – bu, küçük bir örnek kümesinden hızlı öğrenmeyi kolaylaştırır.

Belirli bir sistem davranışı verildiğinde, öğrenme görevi, bunu karşılayan birleşik bir kontrol yapısı oluşturmaktır. İlk olarak öğrenilen yapılar, sonraki öğrenme için bir iskelet görevi görür.

Sistemin bilgisi arttıkça, bu iskelet, öğrenilen bileşenlik özelliklerle süslenerek, bir H2O molekülünün oluşturan atomlarının farklı özelliklere sahip olabileceği gibi süslenerek büyüyebilir. Ayrıca, bir insanın “top atma” ve “tenis raketi sallama” gibi ilgili kas-iskelet eylemleri olarak görülebileceği gibi, ilgili görevler, çevreden geri bildirim yoluyla özel bir şekilde süslenen bir iskelet kontrol yapısı paylaşabilir. Bu, görev özgüllüklerinden causal yapıyı ayırmak, çağdaş yaklaşımların mustarip olduğu felaketsel unutmayı öğrenmeden olmadan yeni görevleri öğrenmeye olanak tanır. Böylece, yukarıda açıklandığı gibi bir numeric-simgeleme yaklaşımı, hem sinirsel hem de simgeleme yaklaşımlarının gücünü birleştirebilir; hem açık bir yapı kavramına sahip olur, hem de özelliklerin nasıl birleştirildiğini adaptif olarak öğrenme yeteneğine sahiptir. Bileşenlik özelliklerinin akıl yürütmesi, sistem tarafından şu anda verilen işi temel alarak sürekli olarak temellendirilir.

Sonuç olarak, gerçekten otonom sistemler oluşturmak için yeni bir yaklaşım gerekli olduğu açıkça görülüyor: önemli değişikliklere uyum sağlayabilen veya bilinmeyen ortamlarda çalışabilen sistemler. Bu, kesintisiz adaptif öğrenmeyi ve mevcut bilgilere genellemeyi gerektirir. Derin öğrenme yaklaşımlarına rağmen, onların adı konmamış olsa da, dünyanın yalnızca sığ bir temsilini sunarlar ve öğrenme süreci tarafından yüksek düzeyde manipüle edilemezler. Buna karşılık, öneriyoruz ki, bir sonraki nesil AGI sistemleri, daha geniş bir mimari içinde derin öğrenmeyi entegre edecek ve doğrudan ne bildiklerini akıl yürütebilecek.

Bir sistemin kendi temsilini sembolik olarak akıl yürütebilmesi, endüstri için önemli avantajlar sağlar: açıkça bileşenlik bir temsil ile, sistem, güvenlik ve adillik gibi hayati gereksinimleri karşılamak için insanlar veya sistem tarafından itself tarafından denetlenebilir. x-risk AGI hakkında akademik endişelere rağmen, odaklanması gereken uygun problem, kontrol sistemini yeniden görevlendirmek ve bu hayati gereksinimleri korurken, bu süreci “etkileşimli hizalama” olarak adlandırdığımız bir süreçtir. Güvenilir ve verimli sürekli öğrenen kontrol sistemlerinin benimsenmesi yoluyla, Endüstri 5.0’ın öngördüğü bir sonraki nesil otonomiyi gerçekleştirebileceğiz.