S usklađivanjem slika započelo je prije nekoliko godina uvođenje umjetne inteligencije u proizvodnju. Ne samo, ali ponajviše za kontrole kvalitete, od tada se neuronske mreže treniraju da utvrde odstupanja (od cilja) usporedbom dijela (stanje) s referentnim slikama. U međuvremenu, generativna AI temeljena na velikim jezičnim modelima podržava postupno rješavanje obično usko definiranim pitanjima. U iterativnom procesu čovjek putem upita daje smjernice sve dok se ne postigne rješenje. Sasvim drugačije djeluje Agentic AI: ona odabire potrebne AI alate (agente) za visoko složene zadatke i većinom samostalno razvija rješenja.
Chatboti poput ChatGPT već označavaju prijelaz na agencijsku umjetnu inteligenciju u svakodnevnom životu: korisnici vide da se njihov zahtjev razlaže na nekoliko koraka (pretraživanje, evaluacija, sažimanje), ali ne vide kojom logikom sustav odabire i povezuje odgovarajuće alate. U različitim primjenama softverskog razvoja, korisničke podrške, IT operacija, upravljanja znanjem i administrativnih poslovnih procesa, agencijska umjetna inteligencija već danas pokazuje svoje snage – svugdje gdje složeni zadaci uključuju više koraka i moraju se koordinirati preko različitih sustava.
- U korisničkoj službi, agencijska AI može samostalno obraditi velike dijelove korisničkih upita, ne samo odgovarajući na pitanja, već i provodeći cijele procese usluga i donoseći samostalne odluke unutar definiranih pravila.
- u razvoju softvera: moderni kodirajući agenti analiziraju zahtjeve, pišu kodove, provode testove, ispravljaju (iterativno) greške.
- U maloprodaji dobro orkestrirani AI agenti mogu pomoći u upravljanju zalihama, prognoziranju potražnje, logistici i upravljanju proizvodima. Agenti bi trebali samostalno kombinirati informacije iz različitih sustava, pripremati operativne odluke i djelomično ih i provoditi.
Orcha-3: Prijenos u industrijsku proizvodnju
Platforma Orcha-3, koju je razvila Fraunhofer IWU, prenosi ovaj pristup na proizvodnu tehnologiju. Orcha-3 je osmišljena za pitanja koja se do sada teško obrađuju s pojedinačnim AI modelima: otvorena pitanja duž procesnog lanca, čije se odgovore ne može dobiti iz jednog mjerenja, već iz mnogih uzastopnih koraka, pri čemu je sljedeći smisleni korak jasan tek kada je prethodni evaluiran.
Primjer: U procesu oblikovanja i spajanja dolazi do odstupanja u dimenzijama na kraju, čiji uzrok nije poznat. Orcha-3 samostalno razdvaja ovo pitanje na pojedinačne radne korake – prikuplja procesne podatke iz okruženja strojeva i postrojenja, spaja vremenske serije s više stanica, izračunava korelacije, simulira varijacije parametara, ocjenjuje međurezultate – i nakon svakog koraka ponovno odlučuje kako nastaviti. Svaki od ovih koraka izvodi specijalizirani agent s jasno definiranim zadatkom.
Ključna za primjenu u proizvodnji je podjela zadataka između jezičnog modela i izvršenja: jezični model planira, ali ne pristupa samostalno nijednom proizvodnom sustavu. Upiti prema bazi podataka, proračuni i simulacije odvijaju se isključivo lokalno unutar agenata. Sirove podatke ne napuštaju mrežu poduzeća; modelu se šalje isključivo kurirana, potpuno zabilježena verzija situacije u planiranju. Ova verzija se deterministički generira i pohranjuje za svaki korak planiranja. Tako se naknadno može provjeriti koje su informacije zapravo bile poslane modelu. Procesno znanje koje se nalazi u parametrima proizvodnje često je stvarna konkurentska prednost poduzeća; Orcha-3 je dizajniran tako da korištenje moćnih jezičnih modela ne zahtijeva otkrivanje ovog znanja.
Iz istog razloga, cijela izvedba je deterministički orkestrirana (izvedena na temelju pravila, svaka odluka može se rekonstruirati naknadno) i neprekidno protokolirana: Svaki korak, svaki međurezultat i svaka odluka platforme ostaju pohranjeni i mogu se pratiti čak i nakon mjeseci. Za preporuku koja ulazi u serijsku proizvodnju, ova rekonstruabilnost nije opcionalna funkcija, već preduvjet. Dodatno, Orcha-3 može izvršiti nedostajuće korake analize u obliku malih programa čak i kada postojeći alatni set nije dovoljan za određeno pitanje.
Platforma je trenutno postavljena kao istraživačko i probno okruženje. Srednjoročni cilj je proširenje s pojedinačnog procesnog lanca na proizvodni sustav, uključujući pitanja korištenja strojeva i osoblja, potreba za prostorom i logističkog koncepta, koja se danas mogu odgovoriti samo kroz složene ručne analize.
Sintetizirani podaci za prikaz raznih zadataka i slučajeva primjene
Planiranje ili optimizacija složene proizvodnje zahtijeva čvrstu osnovu podataka. Dilemu kokoši i jaja na početku moguće je elegantno riješiti – pomoću posebno generiranih sintetiziranih podataka koji se temelje na virtualnim procesnim lancima i pritom, na primjer, oponašaju stvarne procese poput pojedinačnih koraka oblikovanja. Na ovom virtualnom procesnom lancu umjetna inteligencija može sada djelovati i pokazati potencijale za poboljšanje. Problemi i zadaci mogu se stoga gotovo neograničeno varirati.
Kompleksnost koja će se moći kontrolirati tek s agencijskom umjetnom inteligencijom.
U višestupanjskim proizvodnjama postoje pitanja koja bi trebala biti razjašnjena, ali obično ostaju bez odgovora jer bi njihovo razjašnjenje zahtijevalo dane rada s podacima:
- »Na kraju procesnog lanca nalaze se dijelovi izvan tolerancije, svaka pojedinačna stanica javlja 'u redu'«.
- »Odakle dolazi odstupanje?«
- »Dobavljač materijala se promijenio, tehnička lista izgleda isto, ali proces više ne funkcionira kao prije. Koji parametri trebaju biti prilagođeni?«
- »Stopa odbacivanja varira između slojeva. Postoji sumnja, ali nema nikoga tko bi dva tjedna provjeravao procesne podatke.«
Takva pitanja nije moguće odgovoriti samo jednom analizom, već s mnogima: spojiti podatke s više stanica, provjeriti odnose, odbaciti hipotezu, postaviti sljedeću. Upravo taj postupak Orcha-3 preuzima samostalno i pritom čini svaki korak razumljivim.
Platforma je funkcionalna i testirana na virtualnim procesnim lancima. Sljedeći korak je primjena na stvarna proizvodna pitanja; u tu svrhu tražimo razgovor s tvrtkama koje imaju konkretno takvo pitanje. Zajedno procjenjujemo može li se upravo taj zadatak obraditi s Orcha-3 pristupom, što postojeći podaci omogućuju i kako bi ulazak mogao izgledati.
Agentička AI / Agentička KI
Agentni AI označava AI sustave koji djeluju kao autonomni agenti kako bi samostalno izvršavali složene, višestupanjske zadatke. Za razliku od konvencionalnih chatbota, koji reagiraju samo na izravne naredbe, ovi sustavi mogu obraditi složene zadatke i samostalno koristiti alate (druge agente ili alate) - prema potrebi. Razlažu veće zadatke na nekoliko logičkih dijelova, nisu ovisni o čestim ljudskim međukoracima i fleksibilno reagiraju na kratkoročne ili nepredviđene promjene.
Platforma Orcha-3
Orcha-3 obrađuje složene zadatke kao takozvane "poslove" i obrađuje ih strukturirano u više petlji. U srži, platforma se temelji na jasno odvojenoj arhitekturi koja se sastoji od API-ja (programske sučelje), orkestratora, nadzornika i agenata. Dosljedno temeljeno na stanju: Sve informacije se trajno pohranjuju u datotečnom sustavu, čime se osigurava potpuna transparentnost, praćenje i mogućnost ponovnog preuzimanja. Posao se obrađuje u ponavljajućem ciklusu planiranja i izvršenja:
- Agent planiranja analizira stvarno stanje i odlučuje o sljedećim koracima.
- Iz toga nastaju zadaci koje izvršavaju specijalizirani agenti.
- Rezultati se pohranjuju i integriraju u sljedeći planerski ciklus.
- Proces se ponavlja dok se ne postigne rješenje ili dok ne dođe do definirane uvjeta prekida.
Kontakt:
