Z zamenjavo slikovnih podatkov se je pred nekaj leti začel vstop umetne inteligence v proizvodnjo. Ne le, ampak predvsem za nadzor kakovosti se od takrat nevralne mreže usposabljajo za ugotavljanje odstopanj (od želene vrednosti) pri primerjavi sestavnega dela (dejanskega stanja) z referenčnimi slikami. Danes generativna umetna inteligenca, ki temelji na velikih jezikovnih modelih, podpira postopno reševanje običajno ozko opredeljenih vprašanj. V iterativnem procesu človek preko pozivov določa smernice, dokler ne doseže rešitve. Povsem drugače deluje agentna umetna inteligenca: ta izbira potrebna orodja umetne inteligence (agente) za zelo kompleksne naloge in večinoma samostojno razvija rešitve.
Chatboti, kot je ChatGPT, že v vsakdanjem življenju označujejo prehod na agencijsko umetno inteligenco: uporabniki vidijo, da se njihova zahteva razdeli na več korakov (iskanje, ocenjevanje, povzemanje), ne vidijo pa, po kateri logiki sistem izbira in povezuje ustrezna orodja. V različnih aplikacijah programske opreme, storitvah za stranke, IT delovanju, upravljanju znanja in administrativnih poslovnih procesih agencijska umetna inteligenca že danes kaže svoje prednosti – povsod tam, kjer kompleksne naloge obsegajo več korakov in jih je treba usklajevati med različnimi sistemi.
- V službi za stranke lahko agentna umetna inteligenca samostojno obravnava velike dele strankinih poizvedb in pri tem ne le odgovarja na vprašanja, temveč tudi obravnava celotne storitvene procese ter samostojno sprejema odločitve znotraj določenih pravil.
- v razvoju programske opreme: sodobni kodirni agenti analizirajo zahteve, pišejo kode, izvajajo teste in (iterativno) odpravljajo napake.
- V maloprodaji lahko dobro orkestrirani AI-agenti podpirajo upravljanje zalog, napovedovanje povpraševanja, logistiko in upravljanje izdelkov. Agenti naj bi samostojno kombinirali informacije iz različnih sistemov, pripravljali operativne odločitve in deloma tudi izvajali te odločitve.
Orcha-3: Prenos v industrijsko proizvodnjo
Platforma Orcha-3, ki jo je razvilo Fraunhofer IWU, prenaša ta pristop na proizvodno tehnologijo. Orcha-3 je zasnovana za vprašanja, ki jih je težko obravnavati z enojnimi modeli umetne inteligence: odprta vprašanja vzdolž procesne verige, katerih odgovori ne izhajajo iz enega merjenja, temveč iz mnogih medsebojno povezanih korakov, pri čemer je naslednji smiselni korak določen šele, ko je prejšnji ocenjen.
Primer: V procesni verigi oblikovanja in povezovanja se na koncu pojavijo odstopanja v dimenzijah, katerih vzrok ni znan. Orcha-3 razdeli to vprašanje samostojno na posamezne delovne korake – pridobi procesne podatke iz okolja strojev in naprav, združi časovne vrste več postaj, izračuna korelacije, simulira variacije parametrov, oceni vmesne rezultate – in po vsakem koraku znova odloči, kako nadaljevati. Vsak od teh korakov izvede specializirani agent z jasno opredeljeno nalogo.
Odločilnega pomena za uporabo v proizvodnji je razdelitev nalog med jezikovnim modelom in izvedbo: jezikovni model načrtuje, vendar sam ne dostopa do nobenega proizvodnega sistema. Poizvedbe v podatkovnih bazah, izračuni in simulacije potekajo izključno lokalno v agentih. Suhi podatki ne zapustijo omrežja podjetja; modelu se posreduje izključno kurirana, popolnoma protokolirana slika o načrtovanju. Ta slika se za vsak korak načrtovanja deterministično ustvari in shrani. Tako je mogoče naknadno preveriti, katere informacije so dejansko prišle do modela. Procesno znanje, ki je v proizvodnih parametrih, je pogosto pravi konkurenčni prednost podjetja; Orcha-3 je zasnovan tako, da uporaba zmogljivih jezikovnih modelov ne zahteva razkritja tega znanja.
Iz istega razloga je celotna izvedba deterministično orkestrirana (izvedena na podlagi pravil, vsaka odločitev je lahko kasneje rekonstruirana) in brezhibno protokolirana: Vsak korak, vsak vmesni rezultat in vsaka odločitev platforme ostanejo shranjeni in so tudi po mesecih sledljivi. Za priporočilo, ki gre v serijsko proizvodnjo, ta rekonstruirnost ni le funkcionalnost za udobje, temveč pogoj. Dodatno lahko Orcha-3 manjkajoče analitične korake v obliki manjših programov izvede tudi takrat, ko obstoječi orodjarni za določeno vprašanje ni dovolj.
Platforma je trenutno zasnovana kot raziskovalno in preizkusno okolje. Srednjeročni cilj je razširitev od posameznega procesnega sklopa na proizvodni sistem, vse do vprašanj o uporabi strojev in osebja, potrebah po površini in logističnem konceptu, na katere danes lahko odgovorimo le z zahtevnimi ročnimi analizami.
Sintetizirani podatki za upodobitev številnih nalog in primerov uporabe.
Načrtovanje ali optimizacija kompleksne proizvodnje zahteva trdno podatkovno osnovo. Dilemo kokoši in jajca na začetku lahko elegantno rešimo – z uporabo posebej ustvarjenih sintetičnih podatkov, ki temeljijo na virtualnih procesnih verigah in pri tem na primer posnemajo resnične procese, kot so posamezni koraki preoblikovanja. Na tej virtualni procesni verigi lahko umetna inteligenca zdaj deluje in pokaže možnosti za izboljšave. Problematika in naloge so tako skoraj poljubno variabilne.
Kompleksnost, ki jo bo mogoče obvladovati šele z agencijsko umetno inteligenco.
V večstopenjskih proizvodnjah obstajajo vprašanja, ki bi jih bilo treba razjasniti, vendar pogosto ostanejo brez odgovora, ker bi njihovo razjasnitev zahtevalo dneve dela s podatki:
- »Na koncu procesne verige so deli izven toleranc, vsaka posamezna postaja poroča 'v redu'.«
- "Kje izvira odstopanje?"
- »Dobavitelj materiala se je spremenil, tehnični list izgleda enako, proces pa kljub temu ne deluje več kot prej. Katere parametre je treba prilagoditi?«
- »Stopnja odpadkov se razlikuje med plastmi. Obstaja domneva, vendar ni nikogar, ki bi dva tedna preverjal procesne podatke.«
Takšna vprašanja ni mogoče odgovoriti z eno analizo, temveč z mnogimi: združiti podatke iz več postaj, preveriti povezave, zavrniti hipotezo, postaviti naslednjo. Ta postopek prevzame Orcha-3 samostojno in pri tem naredi vsak korak sledljiv.
Platforma je funkcionalna in preizkušena na virtualnih procesnih verigah. Naslednji korak je uporaba na realnih proizvodnih vprašanjih; zato iščemo pogovor s podjetji, ki se soočajo s takšno vprašanje. Skupaj ocenimo, ali se lahko ta naloga obravnava z Orcha-3 pristopom, kaj omogoča obstoječa podatkovna osnova in kako bi lahko izgledal vstop.
Agentična umetna inteligenca
Agentna umetna inteligenca označuje sisteme umetne inteligence, ki delujejo kot avtonomni agenti, da samostojno izvajajo kompleksne, večstopenjske naloge. V nasprotju s tradicionalnimi klepetalnimi roboti, ki se odzivajo le na neposredna navodila, ti sistemi obravnavajo kompleksne naloge in samostojno uporabljajo orodja (druge agente ali orodja) – odvisno od potreb. Razdelijo večje naloge na več logičnih delov, niso odvisni od pogostih človeških vmesnih korakov in se prilagodljivo odzivajo na kratkoročne ali nepredvidene spremembe.
Platforma Orcha-3
Orcha-3 obdeluje kompleksne naloge, imenovane »Jobs«, in jih strukturirano obravnava v več zankah. Osnova platforme je jasno ločena arhitektura iz API (programske vmesnike), orkestratorja, nadzornika in agentov. Dosledno temelji na stanju: vse informacije so trajno shranjene v datotečnem sistemu, kar zagotavlja popolno preglednost, sledljivost in možnost ponovnega prevzema. Naloga se obdeluje v ponavljajočem se ciklu načrtovanja in izvajanja:
- Agent za načrtovanje analizira trenut stanje in odloča o naslednjih korakih.
- Iz tega nastanejo naloge, ki jih izvajajo specializirani agenti.
- Rezultati se shranijo in vključijo v naslednji načrtovalni cikel.
- Postopek se ponavlja, dokler ni dosežena rešitev ali dokler ne pride do opredeljene prekinitvene pogoje.
Kontakt:
