A képadat-összehasonlítással néhány évvel ezelőtt kezdődött meg a mesterséges intelligencia megjelenése a termelésben. Nemcsak, de elsősorban minőségellenőrzésekhez neurális hálózatokat képeznek ki arra, hogy egy alkatrész (aktuális) és referencia képek (elvárt) összehasonlításakor eltéréseket állapítsanak meg. Azóta a nagy nyelvi modelleken alapuló generatív MI is támogatja a szűk keretek között lévő kérdések fokozatos megoldását. Egy iteratív folyamatban az ember a promptok segítségével addig ad meg irányelveket, amíg meg nem találják a megoldást. Teljesen másképp működik az Agentic AI: ez a rendkívül összetett feladatokhoz szükséges MI-eszközöket (ügynököket) választ ki, és nagyrészt önállóan dolgozza ki a megoldásokat.
A Chatbotok, mint a ChatGPT, már a mindennapokban is a cselekvő mesterséges intelligencia átmenetét jelzik: a felhasználók látják, hogy a kérésük több lépésre bomlik (keresés, értékelés, összefoglalás), de nem látják, hogy a rendszer milyen logika alapján választja ki és kapcsolja össze a megfelelő eszközöket. A szoftverfejlesztés, ügyfélszolgálat, IT-működés, tudásmenedzsment és adminisztratív vállalati folyamatok különböző alkalmazásaiban a cselekvő mesterséges intelligencia már ma is megmutatja az erejét – mindenhol, ahol a komplex feladatok több lépésből állnak, és különböző rendszerek között kell koordinálni őket.
- A vevőszolgálatban alkalmazva az agentiális mesterséges intelligencia képes a vásárlói megkeresések jelentős részét önállóan kezelni, nemcsak kérdésekre válaszolni, hanem teljes szolgáltatási folyamatokat lebonyolítani és önálló döntéseket hozni a meghatározott szabályok keretein belül.
- A szoftverfejlesztésben: a modern kódoló ügynökök elemzik a követelményeket, kódokat írnak, teszteket végeznek, és (iteratívan) hibákat javítanak.
- A kiskereskedelemben jól megtervezett MI-ügynökök segíthetnek a készletkezelésben, a kereslet-előrejelzésben, a logisztikában és a termékmenedzsmentben. Az ügynököknek önállóan kell kombinálniuk az információkat különböző rendszerekből, előkészíteniük az operatív döntéseket, és részben végrehajtaniuk azokat.
Orcha-3: Átállás az ipari termelésre
A Fraunhofer IWU által kifejlesztett Orcha-3 platform ezt a megközelítést a gyártástechnológiára alkalmazza. Az Orcha-3 olyan kérdések megválaszolására készült, amelyek egyes AI modellek esetében eddig nehezen kezelhetők: nyitott kérdések egy folyamatlánc mentén, amelyek válasza nem egy mérésből következik, hanem sok egymásra épülő lépésből, és ahol a következő értelmes lépés csak akkor határozható meg, amikor az előzőt kiértékelték.
Egy példa: Egy alakító és összeszerelő műveletekből álló folyamatlánc végén méreteltérések lépnek fel, amelyek okai ismeretlenek. Az Orcha-3 önállóan bontja le ezt a kérdést egyes munkafolyamatokra – folyamatadatokat hív elő a gépek és berendezések környezetéből, több állomás időbeli adatait egyesíti, korrelációkat számít, paramétervariációkat szimulál, közbenső eredményeket értékel – és minden lépés után újra eldönti, hogyan folytassa. Minden egyes lépést egy világosan meghatározott feladattal rendelkező, specializált ügynök hajt végre.
A gyártásban való alkalmazás szempontjából döntő jelentőségű a nyelvi modell és a végrehajtás közötti feladatmegosztás: a nyelvi modell tervez, de nem fér hozzá a termelési rendszerhez. Az adatbázis-lekérdezések, számítások és szimulációk kizárólag helyben, az ügynökökben futnak. A nyers adatok nem hagyják el a vállalati hálózatot; a modellhez kizárólag egy kurált, teljesen naplózott nézet jut el a tervezési helyzetről. Ez a nézet minden tervezési lépésnél determinisztikusan jön létre és kerül tárolásra. Így utólag ellenőrizhető, hogy valójában mely információk jutottak el a modellhez. A gyártási paraméterekben rejlő folyamat-tudás gyakran a vállalat valódi versenyelőnye; az Orcha-3 úgy van kialakítva, hogy a teljesítményorientált nyelvi modellek használata ne követelje meg ennek a tudásnak a kiadását.
Ugyanezen okból az egész végrehajtás determinisztikusan van megszervezve (szabályalapú végrehajtás, minden döntés utólag rekonstruálható) és hiánytalanul naplózva: Minden lépés, minden köztes eredmény és a platform minden döntése tárolva van, és hónapok elteltével is nyomon követhető. Egy sorozatgyártásba kerülő ajánlás esetén ez a rekonstruálhatóság nem kényelmi funkció, hanem előfeltétel. Kiegészítésként az Orcha-3 hiányzó kiértékelési lépéseket kis programok formájában is végrehajthat, még akkor is, ha a meglévő szerszámtár egy kérdéshez nem elegendő.
A platform jelenleg kutatási és tesztelési környezetként van kialakítva. Középtávú célja a folyamatlánc egyes elemeiről a termelési rendszerre való kiterjesztés, egészen a gép- és személyzetkiválasztás, a területigény és a logisztikai koncepció kérdéseiig, amelyekre ma csak bonyolult manuális elemzésekkel lehet válaszolni.
Szintezált adatok a számos feladat és alkalmazási eset ábrázolására.
Egy komplex gyártás tervezése vagy optimalizálása szilárd adatbázist igényel. A kezdő Henny-tojás dilemma elegánsan megoldható – saját magunk által előállított szintetikus adatok segítségével, amelyek virtuális folyamatláncokra épülnek, és például valós folyamatokat, mint egyes alakító lépéseket modelleznek. Ezen a virtuális folyamatláncon a mesterséges intelligencia most már beavatkozhat és javítási lehetőségeket mutathat be. A problémák és feladatok megfogalmazása így szinte tetszőlegesen variálható.
Komplexitás, amelyet csak agentiális MI-vel lehet kezelni.
Több lépcsős gyártásokban vannak kérdések, amelyeket tisztázni kellene, de általában megválaszolatlanok maradnak, mert a tisztázás napokat venne igénybe az adatmunka miatt:
- »A folyamatlánc végén a tolerancián kívüli alkatrészek találhatók, minden egyes állomás „rendben van” jelentést ad.«
- „Honnan származik az eltérés?“
- »Az anyagbeszállító megváltozott, az adatlap ugyanaz, a folyamat mégsem működik úgy, mint korábban. Mely paramétereket kell frissíteni?«
- »A selejt arány a rétegek között változik. Van egy feltételezés, de senki, aki két hétig ellenőrizné a folyamatadatokat ezzel szemben.«
Az ilyen kérdésekre nem egy kiértékeléssel, hanem sokkal kell válaszolni: adatokat több állomásról összevonni, összefüggéseket ellenőrizni, egy hipotézist elvetni, a következőt felállítani. Pontosan ezt a folyamatot végzi el az Orcha-3 önállóan, és minden lépést nyomon követhetővé tesz.
A platform működőképes és virtuális folyamatláncokon tesztelt. A következő lépés a valós gyártási kérdések alkalmazása; ehhez olyan vállalatokkal szeretnénk beszélgetni, amelyek konkrét ilyen kérdéssel rendelkeznek. Közösen értékeljük, hogy ez a feladat pontosan a Orcha-3 megközelítéssel kezelhető-e, mit ad a rendelkezésre álló adatállomány, és hogyan nézhet ki a belépés.
Agentikus MI
Az agentikus AI olyan MI-rendszereket jelöl, amelyek autonóm ügynökként működnek, hogy összetett, többlépcsős feladatokat önállóan végezzenek el. A hagyományos csevegőbotokkal ellentétben, amelyek csak közvetlen parancsokra reagálnak, ezek a rendszerek képesek összetett feladatokat feldolgozni és eszközöket (más ügynököket vagy eszközöket) önállóan alkalmazni – szükség szerint. Nagyobb feladatokat több logikai részre bontanak, nem támaszkodnak gyakori emberi közbeavatkozásokra, és rugalmasan reagálnak a rövid távú vagy váratlan változásokra.
Az Orcha-3 platform.
Az Orcha-3 összetett feladatokat, úgynevezett »Jobs«-ot dolgoz fel, és ezeket strukturáltan, több ciklusban hajtja végre. A platform alapja egy világosan elkülönített architektúra, amely API-ból (programozási interfész), Orchestrátorból, Felügyelőből és Ügynökökből áll. Következetesen állapot-alapú: Minden információ tartósan a fájlrendszerben tárolódik, ami teljes átláthatóságot, nyomon követhetőséget és folytathatóságot biztosít. A feladat egy ismétlődő ciklusban, tervezés és végrehajtás során valósul meg:
- Egy Tervező-ügynök elemzi a jelenlegi állapotot és dönt a következő lépésekről.
- Ebből feladatok keletkeznek, amelyeket szakosodott ügynökök hajtanak végre.
- Az eredmények tárolódnak és beépülnek a következő tervezési ciklusba.
- A folyamat megismétlődik, amíg megoldás nem születik, vagy egy meghatározott megszakítási feltétel nem lép életbe.
Kapcsolat:
