Görüntü verisi eşleştirmesi, birkaç yıl önce yapay zekanın üretime girmesiyle başladı. Sadece kalite kontrolleri için değil, aynı zamanda bir parçanın (mevcut) referans görüntülerle karşılaştırılmasında sapmaları (hedeften) tespit etmek için sinir ağları eğitilmeye başlandı. Artık büyük dil modellerine dayalı üretken yapay zeka, genellikle dar bir sorunun adım adım çözümünde yardımcı olmaktadır. İnsan, bir çözüm elde edilene kadar istemler aracılığıyla sürekli olarak yönlendirmelerde bulunur. Ajanik Yapay Zeka ise tamamen farklı çalışır: Bu, karmaşık görevler için gerekli yapay zeka araçlarını (ajanları) seçer ve büyük ölçüde bağımsız olarak çözümler geliştirir.
ChatGPT gibi sohbet botları, günlük yaşamda ajanik yapay zekaya geçişi işaret ediyor: Kullanıcılar, taleplerinin birkaç adıma ayrıldığını (arama, değerlendirme, özetleme) görüyor, ancak sistemin uygun araçları nasıl seçtiği ve bir araya getirdiği konusunda bir mantık görmüyor. Yazılım geliştirme, müşteri hizmetleri, BT operasyonları, bilgi yönetimi ve idari iş süreçlerinde ajanik yapay zeka, karmaşık görevlerin birden fazla adım gerektirdiği ve farklı sistemler arasında koordine edilmesi gereken her yerde güçlü yönlerini zaten sergiliyor.
- Müşteri hizmetlerinde kullanıldığında, ajanik yapay zeka, müşteri taleplerinin büyük bir kısmını bağımsız olarak işleyebilir ve sadece soruları yanıtlamakla kalmaz, aynı zamanda tam hizmet süreçlerini tamamlayabilir ve tanımlı kurallar içinde bağımsız kararlar alabilir.
- Yazılım geliştirmede: modern kodlama ajanları gereksinimleri analiz eder, kod yazar, testler gerçekleştirir, hataları (iteratif olarak) düzeltir.
- Perakende sektöründe, iyi düzenlenmiş yapay zeka ajanları envanter yönetimi, talep tahminleri, lojistik ve ürün yönetiminde destek olabilir. Ajanlar, farklı sistemlerden bağımsız olarak bilgi birleştirebilir, operasyonel kararlar hazırlayabilir ve kısmen de olsa uygulayabilir.
Orcha-3: Endüstriyel üretime transfer
Fraunhofer IWU tarafından geliştirilen Orcha-3 platformu, bu yaklaşımı üretim teknolojisine aktarır. Orcha-3, tekil yapay zeka modellerinin şu ana kadar zorlandığı sorular için tasarlanmıştır: Bir süreç zinciri boyunca açık kalan sorular, yanıtları bir ölçümden değil, birçok ardışık adımdan gelen ve bir sonraki mantıklı adımın ancak önceki adım değerlendirildiğinde belirlendiği durumlar.
Bir örnek: Şekillendirme ve birleştirme işlemlerinden oluşan bir süreç zincirinde, sonunda nedenleri belirsiz ölçüm sapmaları ortaya çıkar. Orcha-3, bu soruyu bağımsız olarak tekil iş adımlarına ayırır - makine ve tesis ortamından süreç verilerini çağırma, birkaç istasyondan zaman serilerini birleştirme, korelasyonları hesaplama, parametre varyasyonlarını simüle etme, ara sonuçları değerlendirme - ve her adımda nasıl ilerleyeceğine yeniden karar verir. Bu adımların her biri, net bir görev tanımına sahip bir uzman ajan tarafından gerçekleştirilir.
Üretimdeki kullanımı için kritik olan, dil modeli ile uygulama arasındaki görev paylaşımıdır: Dil modeli planlar, ancak kendisi bir üretim sistemine erişmez. Veritabanı sorguları, hesaplamalar ve simülasyonlar yalnızca ajanlar içinde yerel olarak gerçekleştirilir. Ham veriler şirket ağını terk etmez; modele yalnızca küratörlüğü yapılmış, tamamen kaydedilmiş bir planlama durumu sunulur. Bu görünüm, her planlama adımı için deterministik olarak üretilir ve saklanır. Böylece, hangi bilgilerin modele gerçekten gittiği sonradan kontrol edilebilir. Üretim parametrelerinde yer alan süreç bilgisi, genellikle bir şirketin gerçek rekabet avantajıdır; Orcha-3, güçlü dil modellerinin kullanılmasının bu bilginin ifşasını gerektirmeyecek şekilde tasarlanmıştır.
Aynı nedenle, tüm uygulama deterministik olarak düzenlenmiştir (kural tabanlı olarak gerçekleştirilir, her karar sonradan yeniden yapılandırılabilir) ve kesintisiz olarak kaydedilmiştir: Her adım, her ara sonuç ve platformun her kararı saklanır ve aylar sonra bile izlenebilir. Seri üretime girecek bir öneri için bu yeniden yapılandırılabilirlik bir konfor işlevi değil, bir gerekliliktir. Ek olarak, Orcha-3, mevcut araç kutusunun bir soruya yeterli gelmediği durumlarda eksik değerlendirme adımlarını küçük programlar şeklinde kendisi gerçekleştirebilir.
Platform şu anda bir araştırma ve deneme ortamı olarak tasarlanmıştır. Orta vadeli hedef, tekil süreç zincirinden üretim sistemine genişlemektir; makinelerin ve personelin kullanımı, alan ihtiyacı ve lojistik konsepti gibi sorular, bugün yalnızca zahmetli manuel analizlerle yanıtlanabilmektedir.
Çeşitli görevlerin ve uygulama durumlarının temsil edilmesi için sentezlenmiş veriler
Karmaşık bir üretimi planlamak veya optimize etmek, sağlam bir veri tabanı gerektirir. Başlangıçtaki tavuk-yumurta ikilemi, sanal süreç zincirlerine dayanan özel olarak üretilmiş sentezlenmiş verilerle zarif bir şekilde çözülebilir ve bu sırada örneğin tekil şekillendirme adımlarını taklit eder. Bu sanal süreç zincirinde yapay zeka şimdi devreye girebilir ve iyileştirme potansiyellerini gösterebilir. Problem ve görev tanımları böylece neredeyse sınırsız bir şekilde değiştirilebilir.
Ajanik yapay zeka ile kontrol edilebilen karmaşıklık
Çok aşamalı üretimlerde, açıklığa kavuşturulması gereken ancak genellikle yanıtlanmayan sorular vardır, çünkü bunların açıklığa kavuşturulması günlerce veri çalışması gerektirebilir:
- »Süreç zincirinin sonunda parçalar tolerans dışındadır, her bir istasyon 'tamamdır' bildiriyor.
- »Sapma nereden geliyor?«
- »Malzeme tedarikçisi değişti, veri sayfası aynı görünüyor, süreç yine de önceki gibi işlemiyor. Hangi parametreler ayarlanmalı?«
- »Atık oranı katmanlar arasında değişiyor. Bir varsayım var, ama iki hafta boyunca süreç verilerini kontrol edecek kimse yok.«
Bu tür sorular, bir değerlendirme ile değil, birçok değerlendirme ile yanıtlanmalıdır: Birkaç istasyondan verileri birleştirmek, ilişkileri kontrol etmek, bir hipotezi reddetmek, bir sonraki hipotezi oluşturmak. Tam olarak bu süreci Orcha-3 bağımsız olarak üstlenir ve her adımı izlenebilir kılar.
Platform işlevsel ve sanal süreç zincirlerinde test edilmiştir. Bir sonraki adım, gerçek üretim sorularına uygulanmasıdır; bu nedenle, böyle bir soruyla karşılaşan şirketlerle görüşmeyi arıyoruz. Bu görev tanımının Orcha-3 yaklaşımıyla işlenip işlenemeyeceğini, mevcut veri durumunun ne sunduğunu ve bir başlangıcın nasıl olabileceğini birlikte değerlendiriyoruz.
Ajanik Yapay Zeka / Ajanik AI
Ajanik Yapay Zeka, karmaşık, çok aşamalı görevleri bağımsız olarak yerine getirmek için otonom ajanlar olarak hareket eden yapay zeka sistemlerini ifade eder. Geleneksel sohbet botlarının yalnızca doğrudan komutlara yanıt verdiği durumların aksine, bu sistemler karmaşık görevleri yerine getirebilir ve ihtiyaç duydukça araçları (diğer ajanlar veya araçlar) bağımsız olarak kullanabilirler. Daha büyük görevleri birkaç mantıksal bölüme ayırır, sık sık insan ara adımlarına bağımlı değildir ve ani veya beklenmedik değişikliklere esnek bir şekilde yanıt verir.
Orcha-3 platformu
Orcha-3, karmaşık görevleri 'İşler' olarak işleyerek bunları birden fazla döngüde yapılandırılmış bir şekilde işler. Platform, API (Programlama Arayüzü), Orkestratör, Süpervizör ve Ajanlardan oluşan net bir mimariye dayanmaktadır. Tamamen durum tabanlı: Tüm bilgiler kalıcı olarak dosya sisteminde saklanır, bu da tam şeffaflık, izlenebilirlik ve yeniden başlatılabilirlik sağlar. İş, planlama ve yürütme döngüsünden oluşan tekrarlayan bir döngüde işlenir:
- Bir Planlayıcı Ajan mevcut durumu analiz eder ve sonraki adımlara karar verir.
- Bundan, her biri uzmanlaşmış ajanlar tarafından yürütülen görevler ortaya çıkar.
- Sonuçlar saklanır ve bir sonraki planlama döngüsüne entegre edilir.
- Süreç, bir çözüm elde edilene veya tanımlı bir iptal koşulu devreye girene kadar tekrarlanır.
İletişim:
