Sanayi 5.0 Neden Genel Yapay Zeka Gerektirir

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 dünya çapındaki tedarik zincirlerindenBenefit sağlayan geniş bir ürün yelpazesine sahibiz. Ancak bu ürünlerin üretimi ve taşınması, ambalajlama, zamanlama, rotalama ve montaj hattı otomasyonu gibi birçok optimizasyon sorununu da beraberinde getirir. Bu optimizasyon sorunları dinamik ve sürekli olarak değişmektedir. Örneğin, beklenen tedarik rotaları突然 engellenmiş olabilir – Örneğin, Süveyş Kanalı bloke edilebilir; hava rotaları volkanik patlamalar nedeniyle değişebilir; entire ülkeler conflict nedeniyle erişilemez olabilir. Yasal düzenlemeler, para birimlerinin çökmesi ve kıt kaynaklar da sürekli değişen tedarik tarafı değişkenleridir.

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, uzman insan emeği, sisteme değişiklik yapmak veya – makine öğrenimi durumunda – ayrıca yeniden eğitim vermek ve çözümü yeniden dağıtmak için gereklidir. Benzer şekilde, Endüstri 4.0’ın “dijital ikizleri” hala problem tanımı ve girdi dağılımının ilk sistem tasarımında bir kez ve sonsuza kadar belirlenebileceği fikrine dayanmaktadır.

Son salgın, “zamanında teslimat” tedarik zinciri planlamasının kırılganlığını vurgulamaktadır. Endüstri, artık böyle bir esnekliğe sahip olamaz. Şu anda, imalat, “Düşük Karışım Yüksek Hacim” (DKYH) ve “Yüksek Karışım Düşük Hacim” (YKD) arasında sabit bir seçim yapmak zorundadır. Sanayi 5.0, “Yüksek Karışım Yüksek Hacim” (YYH) olasılığını öngörür, burada iş akışı, düşük maliyetle değiştirilebilir. Bunu gerçekleştirmek için, “otomasyonu otomatikleştirmek” gerekir, böylece sorun veya çevre değiştiğinde insan müdahalesi veya sistem durdurma ihtiyacını ortadan kaldırmak için gereklidir. Bu, değişikliklere tepki veren ve gerçek dünya zaman kısıtlamaları içinde görevlerini tamamlayabilme olasılığı olan sistemler gerektirir. Örneğin, şu anda görev X ile meşgul bir montaj hattı robotuna aşağıdaki talimatı verelim:

“X’i derhal durdur: Y’nin bir tanımını ve eski ve yeni efektörlerin çoğunu burada bulacaksın. Şimdi Y’yi toplayarak, böyle ve böyle türdeki hataları ve israfı önle.”

Son zamanlarda “Yapay Genel Zeka”nın (YGZ) Large Language Models gibi GPT-3 aracılığıyla yakın zamanda ortaya çıkacağından bahsedildi, ancak önerilen hiçbir yaklaşım gerçekten “emir üzerine çalışabilir”. Yani, eğitim setinin dışında bir şeyle görevlendirilemezler, offline yeniden eğitim, doğrulama ve yeniden dağıtım olmadan.

Herhangi bir gerçek dünya zekası kavramının değişikliklere tepki verme yeteneği ile iç içe geçtiği açık olmalıdır. Değişikliklere rağmen değişmeyen bir sistem, ne özerk ne de zekidir. Bu, derin öğrenme (DL) yaklaşımlarının gücünü azaltmaz, çünkü bunlar, açıkça tanımlanması zor problemler için programlar sentezlemek için büyük başarı elde etti.

O halde, AI’nın bu eğitim, dondurma ve dağıtım paradigmasından, kesintisiz adaptif öğrenme yeteneğine sahip birine geçmesini sağlayabilecek sistem işlevi türü nedir? Örneğin, bir üretim iş akışında bozuk bir bileşeni farklı bir tedarikçiden alınan bir bileşenle değiştirmek gerektiği düşünün. Çağdaş AI’nın sondan sona siyah kutu modellemesiyle, dijital ikizleme işlemi yeniden yapılmalıdır. Çağdaş yaklaşımların sınırlamalarını ele almak için radikal bir değişiklik gereklidir: bir model, bir bileşen değişikliğinin sonuçları hakkında doğrudan akıl yürütebilmeli ve daha genel karşıt senaryoları da dikkate alabilmelidir. Bir iş akışını bilinen özelliklere sahip bileşenlere ayırma ve bunları gerektiğinde yeniden birleştirme yeteneği, “bileşenlilik” olarak bilinir.

Bileşenlilik, çağdaş AI’dan kaçmıştır, burada genellikle daha zayıf bir kavram olan modülerlik ile karıştırılır. Modülerlik, bileşenleri birleştirebilme yeteneği ile ilgilenir, ancak bileşenlerin davranışını anlamak ve istenen bir özelliğin korunmasını sağlamak için gereken bileşenliğin özünü yakalamaz. Bu yetenek, doğrulama ve güvenlik nedenleriyle çok önemlidir: Örneğin, sistemin, “alternatif bir üreticiden alınan bir motoru benimsemek, tüm diğer bileşenleri sıcaklık marjları içinde kalırken, tüm tesisin güç çıkışını artırır” diyebilmesi.

Çağdaş sinir ağı yaklaşımları, verilerden kuralları öğrenme konusunda başarılı olsalar da, bileşenlik akıl yürütmesinden yoksundur. Bileşenlik akıl yürütmesinin sinir ağı mimarilerinin içinde ortaya çıkmasını ummak yerine, doğrudan bileşenlik çalışması olan kategorik teorisinin yapılarından yararlanmak mümkündür. Özellikle, bidirectional kontrolörlerin temel temsil unsurları olarak ele alınan alt dalı kategorik sibernetik ile ilgilenir. Bidirectionalite, hem forward hem de ters akıl yürütme yapabilme yeteneğidir: nedenlerden sonuçlara ve tersi yönde tahminler yapma. Bileşenli ters akıl yürütme özellikle önemlidir, çünkü herhangi bir yapısal temsil ölçeğinde çevreden geri bildirimi içerebilmesini sağlar – bu, birkaç örnekten hızlı öğrenmeyi kolaylaştırır.

İstenen bir sistem davranışı verildiğinde, öğrenme görevi, bu davranışı karşılayan birleşik bir kontrol yapısı oluşturmaktır. İlk olarak öğrenilen yapılar, sonraki öğrenme için bir iskelet oluşturur.

Sistemin bilgisi arttıkça, bu iskelet, öğrenilen bileşenlik özellikleriyle süslenerek, bir H2O molekülünün, atomlarınınkinden farklı özelliklere sahip olabileceği gibi, süslenerek zenginleştirilebilir. Ayrıca, “top atmak” ve “tenis raketi sallamak” gibi ilgili kas işlemleri bir insan için görülebilir, bu nedenle ilgili görevler, çevreden geri bildirim yoluyla görev özelinde süslenen bir iskelet kontrol yapısına sahip olabilir. Bu, neden-sonuç yapısını görev özeliklerinden ayırmak, çağdaş yaklaşımların mustarip olduğu katastrofik unutmayı önleyebilir. Böylece, yukarıda tanımlanan形式deki bir numeric-simbolik hibrit yaklaşım, hem nöral hem de simgesel yaklaşımların güçlerini birleştirebilir, çünkü hem açık bir yapı kavramına hem de özelliklerin nasıl birleştirildiğini öğrenme yeteneğine sahiptir. Bileşenlik özelliklerine ilişkin akıl yürütme, sistemin şu anda yaptığı iş tarafından sürekli olarak temellendirilir.

Sonuç olarak, gerçekten özerk sistemler oluşturmak için – yani önemli değişikliklere uyum sağlayabilen veya bilinmeyen ortamlarda çalışabilen sistemler için – yeni bir yaklaşım gerektiği açık olmalıdır. Bu, kesintisiz adaptif öğrenme ve mevcut bilgilere genellemeyi gerektirir. Adlarına rağmen, derin öğrenme yaklaşımları, dünyaya sadece sığ bir temsil sunabilir ve bu temsil, öğrenme süreci tarafından yüksek düzeyde manipüle edilemez. Buna karşılık, önerdiğimiz gibi, bir sonraki nesil YGZ sistemleri, daha geniş bir mimari içinde derin öğrenmeyi entegre edecektir ve bu sistemler, doğrudan ne bildiklerini hakkında akıl yürütebileceklerdir.

Bir sistem, kendi temsilini sembolik olarak akıl yürütebilme yeteneği, endüstri için önemli faydalar sağlar: açıkça bileşenlik bir temsil ile, sistem, insan tarafından veya sistem tarafından içsel olarak denetlenebilir – güvenlik ve adaletin hayati gereksinimlerini karşılamak için. Yapay Genel Zeka’nın sözde “x-risk”i konusunda çok fazla akademik endişe olmasına rağmen, odaklanılması gereken uygun mühendislik problemi, bir kontrol sistemini yeniden görevlendirmek ve bu hayati gereksinimleri korurken, bu süreci “etkileşimli hizalama” olarak adlandırdığımız bir süreçtir. Sadece bu tür kontrol sistemlerini, güvenilir ve verimli sürekli öğrenenler olarak benimseyerek, Sanayi 5.0 tarafından öngörülen bir sonraki nesil özerklik düzeyini gerçekleştirebileceğiz.