З впровадженням порівняння зображень кілька років тому розпочався процес інтеграції штучного інтелекту у виробництво. Не лише, але в першу чергу для контролю якості з тих пір нейронні мережі навчаються виявляти відхилення (від норми) під час порівняння деталі (фактичне) з еталонними зображеннями. Наразі генеративний штучний інтелект, що базується на великих мовних моделях, підтримує поетапне вирішення зазвичай чітко визначених запитань. У ітеративному процесі людина через запити надає вказівки до тих пір, поки не буде досягнуто рішення. Зовсім інакше працює агентний штучний інтелект: він обирає необхідні інструменти штучного інтелекту (агенти) для надскладних завдань і в значній мірі самостійно розробляє рішення.
Чат-боти, такі як ChatGPT, вже в повсякденному житті позначають перехід до агентної ШІ: користувачі бачать, що їх запит розбивається на кілька етапів (пошук, оцінка, підсумовування), але не бачать, за якою логікою система обирає та з'єднує відповідні інструменти. У різних застосуваннях програмної розробки, обслуговування клієнтів, ІТ-операцій, управління знаннями та адміністративних бізнес-процесах агентна ШІ вже сьогодні демонструє свої переваги – скрізь, де складні завдання складаються з кількох етапів і повинні координуватися через різні системи.
- У службі підтримки клієнтів агентна штучна інтелектуальна система може самостійно обробляти великі обсяги запитів від клієнтів, не лише відповідаючи на запитання, а й виконуючи цілі процеси обслуговування та приймаючи самостійні рішення в межах визначених правил.
- У розробці програмного забезпечення: сучасні кодувальні агенти аналізують вимоги, пишуть коди, виконують тести, виправляють (ітеративно) помилки.
- У роздрібній торгівлі добре організовані AI-агенти можуть допомагати в управлінні запасами, прогнозуванні попиту, логістиці та управлінні продуктами. Агентам належить самостійно комбінувати інформацію з різних систем, готувати оперативні рішення та частково їх виконувати.
Orcha-3: Перехід до промислового виробництва
Платформа Orcha-3, розроблена в Fraunhofer IWU, переносить цей підхід на виробничу техніку. Orcha-3 призначена для питань, які досі важко вирішувати за допомогою окремих моделей ШІ: відкриті питання вздовж процесу, відповіді на які не випливають з одного вимірювання, а з багатьох взаємопов'язаних кроків, і де наступний доцільний крок стає зрозумілим лише після оцінки попереднього.
Приклад: У процесі з формування та з'єднання виникають відхилення розмірів, причина яких залишається невідомою. Orcha-3 самостійно розбиває це питання на окремі етапи – отримує дані процесу з машинного та обладнання, об'єднує часові ряди кількох станцій, обчислює кореляції, симулює варіації параметрів, оцінює проміжні результати – і після кожного етапу приймає нове рішення про подальші дії. Кожен з цих етапів виконується спеціалізованим агентом з чітко визначеним завданням.
Важливим для використання в виробництві є розподіл завдань між мовною моделлю та виконанням: мовна модель планує, але сама не звертається до жодної виробничої системи. Запити до бази даних, обчислення та симуляції виконуються виключно локально в агентах. Сирі дані не залишають корпоративну мережу; до моделі надходить лише кураторизований, повністю протоколюваний вигляд на планування. Цей вигляд створюється та зберігається детерміновано для кожного етапу планування. Таким чином, в подальшому можна перевірити, які саме інформації насправді були передані до моделі. Процесні знання, що містяться у виробничих параметрах, часто є справжньою конкурентною перевагою компанії; Orcha-3 розроблений так, щоб використання потужних мовних моделей не вимагало розкриття цих знань.
З тієї ж причини вся реалізація детерміністично оркестрована (виконується на основі правил, кожне рішення можна відновити згодом) і безперервно протоколюється: Кожен крок, кожен проміжний результат і кожне рішення платформи зберігаються і можуть бути відстежені навіть через місяці. Для рекомендації, яка переходить у серійне виробництво, ця відновлюваність є не просто зручністю, а необхідною умовою. Додатково Orcha-3 може виконувати відсутні етапи аналізу у формі малих програм навіть тоді, коли наявний інструментальний набір для певного запитання не є достатнім.
Платформа наразі створена як дослідницьке та випробувальне середовище. Середньострокова мета полягає в розширенні від окремого процесу до виробничої системи, включаючи питання використання машин і персоналу, потреби в площі та логістичної концепції, на які сьогодні можна відповісти лише за допомогою складних ручних аналізів.
Синтетизовані дані для відображення різноманітних завдань та випадків використання.
Планування або оптимізація складного виробництва вимагає надійної бази даних. Дилема курки та яйця на початку може бути елегантно вирішена – за допомогою спеціально створених синтетичних даних, які базуються на віртуальних процесах і, наприклад, відтворюють реальні процеси, такі як окремі етапи формування. На цій віртуальній процесній ланцюжку штучний інтелект може тепер працювати та виявляти потенціали для поліпшення. Проблеми та завдання стають практично необмежено варіативними.
Складність, яку можна буде контролювати лише з агентним штучним інтелектом.
У багатоступеневих виробництвах існують питання, які повинні бути вирішені, але зазвичай залишаються без відповіді, оскільки їх вирішення вимагало б днів роботи з даними:
- «На кінці процесу частини виходять за межі допустимих значень, кожна окрема станція повідомляє 'все в порядку'».
- «Звідки походить відхилення?»
- «Постачальник матеріалів змінився, технічний паспорт виглядає так само, але процес більше не працює як раніше. Які параметри потрібно налаштувати?»
- «Рівень браку коливається між змінами. Є припущення, але немає нікого, хто б перевіряв процесні дані протягом двох тижнів.»
Такі питання не можна відповісти однією оцінкою, а лише багатьма: об'єднати дані з кількох станцій, перевірити зв'язки, відкинути одну гіпотезу, сформулювати наступну. Саме цей процес виконує Orcha-3 самостійно, роблячи кожен крок зрозумілим.
Платформа функціонує і протестована на віртуальних процесах. Наступним кроком є застосування до реальних виробничих питань; для цього ми шукаємо розмову з компаніями, які мають таке питання. Ми спільно оцінюємо, чи можна вирішити саме це завдання за допомогою підходу Orcha-3, що дає наявна база даних і як може виглядати початок.
Агентний ШІ / Агентська ШІ
Агентний ШІ позначає системи штучного інтелекту, які діють як автономні агенти для самостійного виконання складних, багатоступеневих завдань. На відміну від звичайних чат-ботів, які реагують лише на прямі команди, ці системи можуть обробляти складні завдання та самостійно використовувати інструменти (інших агентів або інструменти) – залежно від потреби. Вони розбивають великі завдання на кілька логічних частин, не покладаються на часті людські проміжні кроки та гнучко реагують на короткострокові або непередбачувані зміни.
Платформа Orcha-3
Orcha-3 обробляє складні завдання, які називаються «Jobs», і структуровано виконує їх у кількох циклах. В основі платформи лежить чітко розділена архітектура з API (програмний інтерфейс), оркестратором, супервізором та агентами. Послідовно на основі стану: Вся інформація зберігається в файловій системі, що забезпечує повну прозорість, відстежуваність та можливість відновлення. Завдання виконується в повторювальному циклі планування та виконання:
- Агент-планувальник аналізує фактичний стан і вирішує наступні кроки.
- Виникають завдання, які виконуються спеціалізованими агентами.
- Результати зберігаються та інтегруються в наступний цикл планування.
- Процес повторюється, поки не буде досягнуто рішення або не спрацює визначена умова зупинки.
Контакт:
