S obrazovým datovým porovnáním začal před několika lety vstup umělé inteligence do výroby. Nejen, ale především pro kontrolu kvality se od té doby trénují neuronové sítě, aby při porovnání součásti (skutečnost) s referenčními obrázky zjistily odchylky (od požadavku). V současnosti generativní AI založená na velkých jazykových modelech podporuje postupné řešení většinou úzce vymezených otázek. V iterativním procesu člověk prostřednictvím pokynů zadává požadavky, dokud není dosaženo řešení. Zcela jinak pracuje agentní AI: ta vybírá potřebné nástroje AI (agenty) pro vysoce komplexní úkoly a do značné míry samostatně vypracovává řešení.
Chatboti jako ChatGPT již v každodenním životě označují přechod k agentní AI: uživatelé vidí, že jejich dotaz je rozdělen do několika kroků (hledání, vyhodnocení, shrnutí), ale nevidí, podle jaké logiky systém vybírá a spojuje vhodné nástroje. V různých aplikacích softwarového vývoje, zákaznického servisu, IT provozu, řízení znalostí a administrativních firemních procesech agentní AI již dnes prokazuje své silné stránky – všude tam, kde složité úkoly sestávají z několika kroků a musí být koordinovány napříč různými systémy.
- V zákaznickém servisu může agentní AI samostatně zpracovávat velké části zákaznických dotazů a nejen odpovídat na otázky, ale také realizovat kompletní servisní procesy a samostatně přijímat rozhodnutí v rámci definovaných pravidel.
- v softwarovém vývoji: moderní kódovací agenti analyzují požadavky, píší kódy, provádějí testy, iterativně odstraňují chyby.
- V maloobchodě mohou dobře orchestrální AI-agenti pomoci při řízení zásob, prognózování poptávky, logistice a správě produktů. Agenti by měli samostatně kombinovat informace z různých systémů, připravovat operační rozhodnutí a částečně je také vykonávat.
Orcha-3: Přenos do průmyslové výroby
Platforma Orcha-3, vyvinutá na Fraunhofer IWU, přenáší tento přístup do oblasti výrobní techniky. Orcha-3 je navržena pro otázky, které se dosud špatně zpracovávají pomocí jednotlivých modelů AI: otevřené otázky podél procesního řetězce, jejichž odpověď nevyplývá z jednoho měření, ale z mnoha navazujících kroků, přičemž další smysluplný krok je jasný až po vyhodnocení předchozího.
Příklad: V procesním řetězci z operací tvarování a spojování se na konci objevují odchylky rozměrů, jejichž příčina není jasná. Orcha-3 tuto otázku samostatně rozkládá na jednotlivé pracovní kroky – získává procesní data z prostředí strojů a zařízení, spojuje časové řady několika stanic, vypočítává korelace, simuluje variace parametrů, hodnotí mezivýsledky – a po každém kroku znovu rozhoduje, jak pokračovat. Každý z těchto kroků provádí specializovaný agent s jasně definovaným úkolem.
Rozhodující pro nasazení ve výrobě je rozdělení úkolů mezi jazykovým modelem a prováděním: Jazykový model plánuje, ale sám se nedotýká žádného výrobního systému. Dotazy do databáze, výpočty a simulace probíhají výhradně lokálně v agentech. Surová data neopouštějí podnikovou síť; modelu je poskytován výhradně kurátorovaný, plně protokolovaný pohled na plánovací situaci. Tento pohled je pro každý plánovací krok deterministicky vytvářen a ukládán. Je tedy možné zpětně ověřit, které informace skutečně byly modelu poskytnuty. Procesní know-how, které je obsaženo ve výrobních parametrech, je často skutečnou konkurenční výhodou společnosti; Orcha-3 je navržena tak, aby využití výkonných jazykových modelů nevyžadovalo odhalení tohoto znalosti.
Z téhož důvodu je celé provedení deterministicky orchestráno (prováděno na základě pravidel, každé rozhodnutí je zpětně rekonstruovatelné) a bez mezer protokolováno: Každý krok, každý mezivýsledek a každé rozhodnutí platformy zůstává uloženo a je možné je sledovat i po měsících. Pro doporučení, které vstupuje do sériové výroby, není tato rekonstruovatelnost komfortní funkcí, ale předpokladem. Doplňkově může Orcha-3 provádět chybějící vyhodnocovací kroky ve formě malých programů i tehdy, když stávající nástrojový box pro danou otázku nestačí.
Platforma je v současnosti navržena jako výzkumné a zkušební prostředí. Střednědobým cílem je rozšíření od jednotlivého procesního řetězce na výrobní systém, až po otázky nasazení strojů a personálu, potřeby plochy a logistického konceptu, které jsou dnes možné odpovědět pouze prostřednictvím náročných manuálních analýz.
Syntetická data pro zobrazení různých úloh a případů použití
Plánování nebo optimalizace složité výroby vyžaduje solidní datovou základnu. Dilema slepice a vejce na začátku lze elegantně vyřešit – pomocí speciálně generovaných syntetických dat, která vycházejí z virtuálních procesních řetězců a například napodobují skutečné procesy, jako jsou jednotlivé tvářecí kroky. Na tomto virtuálním procesním řetězci může nyní umělá inteligence pracovat a ukazovat potenciály pro zlepšení. Problémy a úkoly jsou tímto způsobem téměř libovolně variabilní.
Komplexita, kterou lze ovládat až s agentní umělou inteligencí.
V víceúrovňových výrobách existují otázky, které by měly být vyjasněny, ale většinou zůstávají nezodpovězené, protože jejich objasnění by stálo dny práce s daty:
- „Na konci procesního řetězce jsou díly mimo toleranci, každá jednotlivá stanice hlásí ‚v pořádku‘.“
- „Odkud pochází odchylka?“
- „Dodavatel materiálu se změnil, technický list vypadá stejně, ale proces už nefunguje jako dříve. Které parametry je třeba upravit?“
- „Míra odpadu kolísá mezi vrstvami. Existuje podezření, ale nikdo, kdo by po dobu dvou týdnů kontroloval procesní data.“
Takové otázky nelze zodpovědět jedním vyhodnocením, ale mnoha: spojit data z několika stanic, zkontrolovat souvislosti, jednu hypotézu vyvrátit, další formulovat. Tento proces přebírá Orcha-3 samostatně a přitom činí každý krok srozumitelným.
Platforma je funkční a byla testována na virtuálních procesních řetězcích. Dalším krokem je aplikace na reálné výrobní otázky; proto hledáme rozhovor s firmami, které mají takovou otázku konkrétně před sebou. Společně posoudíme, zda lze tuto úlohu zpracovat pomocí přístupu Orcha-3, co nabízí dostupná datová základna a jak by mohl vypadat vstup.
Agentická AI
Agentní AI označuje systémy umělé inteligence, které fungují jako autonomní agenti a samostatně vykonávají složité, vícestupňové úkoly. Na rozdíl od běžných chatbotů, které reagují pouze na přímé příkazy, tyto systémy dokážou zpracovávat složité úkoly a samostatně využívat nástroje (jiné agenty nebo nástroje) podle potřeby. Rozkládají větší úkoly na několik logických částí, nejsou závislé na častých lidských mezičasech a flexibilně reagují na krátkodobé nebo nepředvídané změny.
Platforma Orcha-3
Orcha-3 zpracovává složité úkoly jako tzv. „Jobs“ a zpracovává je strukturovaně ve více cyklech. V jádru je platforma založena na jasně oddělené architektuře z API (programovací rozhraní), orchestrátoru, supervizora a agentů. Důsledně stavově založené: Všechny informace jsou trvale ukládány v souborovém systému, což zajišťuje úplnou transparentnost, sledovatelnost a možnost obnovení. Úkol je zpracováván v opakujícím se cyklu plánování a provádění:
- Agent plánování analyzuje aktuální stav a rozhoduje o dalších krocích.
- Z toho vznikají úkoly, které jsou vykonávány jednotlivými specializovanými agenty.
- Výsledky jsou ukládány a integrovány do dalšího plánovacího cyklu.
- Proces se opakuje, dokud není dosaženo řešení nebo dokud nenastane definovaná podmínka pro ukončení.
Kontakt:
