Akateemisesta tutkimuksesta tuotantolinjoille: tekoälyn kehitys, käännekohdat, rajat ja konkreettiset käyttötarkoitukset nykyaikaisessa valmistuksessa sekä pk-yrityksissä

Kun yrityksessä puhumme Tekoälyn soveltaminen kasvien ennakoivaan ylläpitoon, The valmistusprosessien automatisoitu laadunvalvonta taituotantotietojen analysointiusein käy niin, että tajuamme, kuinka vähän todellisuudessa tiedämme sen historiasta. Tätä vaikutelmaa ruokkii tiedon nopea leviäminen generatiiviset työkalut viime vuosina tekoäly on joskus ilmestynyt lähes yhtäkkiä suorana seurauksena suuret kielimallit ja alustoja, jotka ovat tulleet suuren yleisön saataville.

Itse asiassa se, mitä nykyään kutsumme ns. "AI" se on paljon pidemmän matkan tulos, jota leimasi teoreettiset oivallukset, innostukset, takaiskut, teknologiset rajoitukset, uudet laskenta-arkkitehtuurit ja prosessointikapasiteetin asteittaista kasvua. Järjestelmän takana, joka kykenee tunnistaa komponentin vian, koneen poikkeavuuden ennustamisesta tai yrityksen avustamisesta tiedonhallinnassa, matemaattista ja tietojenkäsittelytieteellistä tutkimusta on vuosikymmenten ajan, mutta myös näennäisesti kaukaisilla aloilla syntyneitä innovaatioita, kuten digitaalinen grafiikka javideopeliteollisuus.

Tämä historiallinen näkökulma on erityisen tärkeä silloin, kun Tekoäly saapuu tehtaalleTeknisesti mahdollisen erottaminen siitä, mikä kuuluu edelleen odotuksiin tai kaupallisiin narratiiveihin, antaa meille mahdollisuuden valita sopivat työkalut, ymmärtää niiden rajoitukset ja arvioida niitä tarkemmin. kustannukset, hyödyt, riskit ja vastuut.

Silti tekoälyn alkuperän ymmärtäminen auttaa ennen kaikkea ymmärtämään mitä se realistisesti pystyy tekemään tänään ja mitä se ei pysty, jopa betonisektorilla, kuten valmistuksessa. Sen alkuperän tunteminen tarkoittaa siis paitsi teknologisen historian rekonstruointia, myös parempien työkalujen hankkimista sen päättämiseksi, miten se otetaan käyttöön tuotantoprosessit muuttamatta tehokasta teknologiaa epämääräiseksi lupaukseksi.

Alan Turing ja Dartmouth: Kysymys, joka sytytti tieteenalan

Kaikki alkoi vuonna 1950, kun brittiläinen matemaatikko Alan Turing julkaisi artikkelin "Computing Machinery and Intelligence", jossa hän käsitteli kysymystä siitä, pystyvätkö koneet ajattelemaan. Siinä hän ehdotti sitä, mikä myöhemmin tunnettaisiin ns. Turingin testi, joka perustuu ajatukseen koneen arvioinnista sen kyvyn perusteella ylläpitää kielellistä vuorovaikutusta, joka on ihmiskeskustelukumppanille erottamaton vuorovaikutuksesta toisen henkilön kanssa.

Tekoälyn todellinen synty tieteenalana tapahtui kuusi vuotta myöhemmin. Kesällä 1956 John McCarthy organisoi Dartmouth Collegessa yhdessä Marvin Minskyn, IBM:n Nathaniel Rochesterin ja Bell Labsin Claude Shannonin kanssa tutkimusprojektin, josta tulisi virstanpylväs tietojenkäsittelytieteen historiassa. Juuri tätä aloitetta varten laaditussa ehdotuksessa McCarthy käytti termiä "tekoäly":

"Mikä tahansa oppimisen osa-alue tai mikä tahansa muu älykkyyden ominaisuus voidaan periaatteessa kuvata niin tarkasti, että kone voi simuloida sitä."

Alustavat lupaukset, vähentynyt rahoitus, kasvava skeptisyys

Alkuperäinen innostus törmäsi pian ajan teknologisiin rajoituksiin ja odotuksiin, joita saatavilla olevat ominaisuudet eivät kyenneet täyttämään. Vuonna 1969 Marvin Minsky ja Seymour Papert julkaisivat teoksen "Perceptrons", joka korosti yksikerroksisten neuroverkkojen tärkeitä rajoituksia ja osaltaan vaikutti kiinnostuksen hiipumiseen tätä tutkimuslinjaa kohtaan.

Ensimmäisen "tekoälytalven" ei kuitenkaan aiheuttanut yksittäinen kirja. 1970-luvulla riittämätön laskentateho, vaikeudet monimutkaisten ongelmien ratkaisemisessa, odotuksia heikommat tulokset ja rahoittajien kasvava skeptisyys yhdistyivät. Yhdistyneessä kuningaskunnassa Lighthill-raportti Vuoden 1973 julkaisussa esitetään erittäin kriittinen mielipide tieteenalan edistyksestä ja se osaltaan supistaa julkista tutkimustukea.

1980-luvulla kiinnostus alkoi jälleen kasvaa, erityisesti sen ansiosta, että asiantuntijajärjestelmät, ohjelmia, jotka oli suunniteltu toistamaan erikoistuneita päätöksentekoprosesseja tietokantojen ja määriteltyjen sääntöjen avulla. Näille työkaluille löytyi sovelluksia myös teollisuudessa, mutta korkeat kustannukset, jäykkyys, päivittämisen vaikeus ja jälleen kerran liialliset odotukset johtivat vuosikymmenen lopun ja 1990-luvun alun välisenä aikana pettymyksen toiseen vaiheeseen.

Videopelit, näytönohjaimet, rinnakkaismatriisit: tämä on syväoppimisen käännekohta.

Viime vuosikymmenten suuri kiihtyvyys johtuu myös digitaalisen grafiikan ja videopeliteollisuuden kypsyneestä kehityksestä. Yhä monimutkaisempien kolmiulotteisten skenaarioiden luomiseksi reaaliajassa laitevalmistajat kehittävät GPUGrafiikkasuoritin, prosessorit, jotka ovat erikoistuneet suurten matemaattisten operaatioiden rinnakkaissuoritukseen ja joita tukevat erilliset nopeat muistit.

Tämä arkkitehtuuri eroaa perinteisten CPU-prosessoreiden arkkitehtuurista. Jälkimmäiset on suunniteltu käsittelemään hyvin erilaisia ​​käskysarjoja suurella joustavuudella, kun taas GPU-prosessorit voivat samanaikaisesti suorittaa valtavia määriä samanlaisia ​​laskutoimituksia. Tämä ominaisuus sopii erityisesti matriisikertolaskuihin ja muihin neuroverkkojen kouluttamiseen tarvittaviin numeerisiin operaatioihin.

Näytönohjainten (GPU) leviämisen myötä on vähitellen tulossa työkaluja, jotka mahdollistavat niiden käytön muihinkin kuin pelkästään graafisiin laskelmiin, samalla kun saatavilla olevat tietojoukot kasvavat, muistikapasiteetti kasvaa ja oppimisalgoritmit kehittyvät.

Näistä seuraavilla on perustavanlaatuinen merkitys: virheen takaisinlevitys, tai takaisinpropagaatio. Tekniikalla on matemaattisia esimerkkejä 1980-luvulta lähtien, mutta David Rumelhartin, Geoffrey Hintonin ja Ronald Williamsin vuonna 1986 julkaisema työ vaikutti ratkaisevasti sen vaikuttavaan käyttöön monikerroksisten neuroverkkojen kouluttamisessa.

Symbolinen käännekohta tulee vuonna 2012, kun AlexNetNäytönohjaimilla (GPU) koulutettu neuroverkko suoriutui merkittävästi paremmin kuin monet kilpailevat lähestymistavat ImageNet-kilpailussa osoittaen, kuinka rinnakkaislaskennan, suurten datamäärien ja syvien verkkojen yhdistelmä voisi mullistaa konenäön. Näytönohjaimista (GPU) on sittemmin tullut keskeinen osa syväoppimisen infrastruktuuria.

Vuonna 2017 tutkijaryhmä julkaisi artikkelin ”Attention Is All You Need” (Huomio on kaikki mitä tarvitset).", arkkitehtuurin esittely muuntajaSen huomiomekanismi mahdollistaa mallin yhdistää sekvenssin eri osia ilman, että niitä välttämättä tarvitsee käsitellä peräkkäin perinteisten toistuvien verkkojen rakenteen mukaisesti.

Tästä arkkitehtuurista tulisi yksi suurten kielimallien ja viisi vuotta myöhemmin myös ChatGPT:n teknisistä perusteista, auttamalla tuomaan generatiivisen tekoälyn miljoonien ihmisten arkikieleen.

Todennäköisyyspohjainen päättely klassisen tietojenkäsittelytieteen determinismin tuolla puolen

Toinen usein väärinymmärretty näkökohta koskee tapaa, jolla nämä järjestelmät "päättelevät". Perinteiset tietokoneet suorittavat muodollisesti määriteltyjä ohjeita ja tuottavat toistettavia tuloksia, kun kaikki muu pysyy samana. Nykyaikaiset, laajamittaiset kielimallit puolestaan ​​toimivat tilastollisten mekanismien avulla, jotka arvioivat koulutuksen aikana opittujen parametrien perusteella, mitkä elementit todennäköisimmin esiintyvät käsiteltävässä kontekstissa.

Tästä syystä niitä voidaan tietyllä yksinkertaistuksella kuvata seuraavasti todennäköisyyspohjaiset päättelymoottoritTekstiä luodessaan kielimalli arvioi mahdollisiin seuraaviin elementteihin liittyviä todennäköisyysjakaumia ja konstruoi tulosteen asteittain.

Siksi ei välttämättä ole olemassa yhtä ennalta laskettua vastausta. Tulos voi vaihdella kontekstin, vastaanotettujen ohjeiden, toimitettujen tietojen ja generoinnissa käytettyjen parametrien mukaan. Tämä on merkittävä poikkeama perinteisistä deterministisistä ohjelmistoista ja auttaa selittämään sekä näiden järjestelmien poikkeuksellisen joustavuuden että luontaisen erehtyvyysalttiuden.

Tärkeä esimerkki suurten kielimallien leviämisestä on Laama, Metan vuodesta 2023 lähtien kehittämä Large Language Model Meta AI -tuoteperhe. Meta on asettanut useiden mallien painotukset saataville omien lisenssiensä kautta, mikä laajentaa merkittävästi tutkijoiden, kehittäjien ja yritysten mahdollisuuksia käyttää ja erikoistua näihin järjestelmiin.

LLaMA:n määritteleminen pelkästään "avoimen lähdekoodin ohjelmistoksi" vaatii kuitenkin varovaisuutta: siihen liittyvät lisenssit sisältävät ehtoja ja rajoituksia, jotka eivät täysin vastaa Open Source Initiativen avoimen lähdekoodin ohjelmiston määritelmää. Siksi on tarkempaa puhua malleista avoin paino, eli saatavilla olevilla painoilla, jotka ovat joka tapauksessa suosineet laaja-alaista kokeilua muokattavilla järjestelmillä, jotka ovat potentiaalisesti kiinnostavia jopa pienille valmistusyrityksille.

ANI, AGI, ASI: nykyisten työkalujen ja tulevaisuuden teoreettisten skenaarioiden rajat

Keskustelussa orientoitumiseksi on hyödyllistä erottaa kolme perinteistä kategoriaa.Keinotekoinen kapea älykkyys (ANI), jota kutsutaan myös "heikoiksi", sisältää järjestelmät, jotka on suunniteltu suorittamaan tiettyjä tehtäviä tai tehtäväluokkia, kuten puheentunnistus, konenäkö, data-analyysi, prosessien optimointi ja sisällöntuotanto.

Äärimmäisen monimutkaiset järjestelmät voivat kuulua tähän kategoriaan, jos niillä ei ole yleistä ja itsenäistä kykyä siirtää taitojaan mille tahansa mahdolliselle alueelle.

L 'Yleinen tekoäly, AGI, viittaisi pikemminkin koneeseen, joka kykenee oppimaan, ymmärtämään ja soveltamaan kykyjään erittäin laajaan ongelmakirjoon, jonka yleisyys on verrattavissa ihmisten ongelmaan. AGI:lle ei kuitenkaan ole yleisesti jaettua määritelmää eikä tiedeyhteisön yksimielisesti tunnustamaa järjestelmää tähän kategoriaan kuuluvaksi.

Lopuksi Keinotekoinen superäly, ASI (keinotekoinen superäly), kuvaa hypoteettista tekoälyn muotoa, joka kykenee merkittävästi ylittämään ihmisen kyvyt lukuisilla kognitiivisilla osa-alueilla. Tällä hetkellä se on edelleen teoreettinen skenaario.

Kyberturvallisuus, hallinto ja vastuuvelvollisuus haavoittuvuuksien edessä

Generatiivisen tekoälyn nousu tuo mukanaan uusia hyökkäyspintoja. Mallit voivat vastaanottaa ohjeita dokumenttien, viestien, tietokantojen, verkkosivustojen ja muiden ulkoisten lähteiden kautta, mikä luo mahdollisuuksia manipulointiin, jota ei aiemmin ollut samalla tavalla perinteisissä tietokonejärjestelmissä.

Vuonna 2024 jotkut tutkijat osoittivat kokeellisesti mahdollisuuden toteuttaa nostaa esiin itseään kopioivia vastustajia kykenevä leviämään toisiinsa kytkettyjen generatiivisten tekoälypohjaisten sovellusten välillä. Konseptin toimivuuden todiste, ns. Morris II, osoitti, kuinka epäsuorat prompt-injektiotekniikat voivat aiheuttaa matomaista leviämistä ja tietyissä kokeellisissa arkkitehtuureissa aiheuttaa ei-toivottuja toimia tai tiedon vuotamista.

Tämä ei tarkoita, että tällaiset madot jo leviäisivät järjestelmällisesti yritysjärjestelmiin. Se tarkoittaa kuitenkin sitä, että on osoitettu joukko haavoittuvuuksia, jotka tulisi ottaa vakavasti, kun eri tekoälypohjaiset komponentit on yhdistetty toisiinsa ja niille on annettu lupa käyttää ulkoisia tietoja tai työkaluja.

Pk-yritysten, jotka integroivat generatiivisia malleja johtamis- ja tuotantojärjestelmiinsä, on siksi otettava huomioon tietoturva, tiedon eristäminen, syötteen hallinta, valtuutusten hallinta ja tulosteen valvonta arkkitehtonisina komponentteina suunnitteluvaiheesta lähtien.

Kauan ennen nykyistä digitaalista vallankumousta Isaac Asimov oli jo tuonut fiktioon koneiden autonomian, vastuun ja ihmisten suojelun välisen suhteen ongelman kuuluisan Robotiikan kolme lakia.

Nuo sanamuodot kuuluvat tieteiskirjallisuuteen, mutta taustalla olevat kysymykset ovat muuttuneet konkreettisiksi: kuka asettaa järjestelmän rajat, kuka on vastuussa sen virheistä, mitkä päätökset voidaan delegoida ja mitä takeita on annettava ihmisiin vaikuttavien algoritmien käytölle?

Juuri tällaisten kysymysten ympärille tekoälyn sääntely ja hallinta kehittyvät tänä päivänä, aina eurooppalaisesta tekoälyasetuksesta kansainvälisiin aloitteisiin, jotka on omistettu mallien turvallisuudelle, läpinäkyvyydelle ja luotettavuudelle.

Valmistusteollisuus, pk-yritykset, digitaaliset tehtaat: sovelluksia ilman korvaavia myyttejä

Pk-yrityksen johtajana opetus on yksinkertainen: tekoäly, jota voidaan nykyään tehokkaasti ottaa käyttöön, koostuu pääasiassa erikoistyökaluista. Se voi auttaa kehittämään nopeampia ja kohdennetumpia myyntitarjouksia, tukemaan CRM-toimintoja, ennakoimaan vikoja ennakoivan kunnossapidon avulla, optimoimaan tuotantosyklejä, analysoimaan suuria tietomääriä ja automatisoimaan osia laadunvalvonnasta.

Konenäköjärjestelmä voi tunnistaa valmistusvirheet; ennustava malli voi havaita poikkeavuuksia tehtaan parametreissa ennen kuin ne johtavat vikaan; generatiiviset työkalut voivat auttaa dokumentaation, tarjousten ja myyntiviestinnän valmistelussa; optimointialgoritmit voivat auttaa tuotannon suunnittelussa ja resurssien käytössä.

Tämä ei tarkoita yleistä älykkyyttä, joka kykenee korvaamaan ihmisen harkintakyvyn valikoivasti. Pikemminkin se tarkoittaa erittäin tehokkaiden työkalujen käyttöä määriteltyjen tehtävien, datan, menettelytapojen ja vastuiden puitteissa.

Sen historian ymmärtäminen – täynnä jännitystä, ylä- ja alamäkiä, uudestisyntymiä, odottamattomia laitteistoinnovaatioita ja uusia laskentaparadigmoja – on ensimmäinen askel kohti tekoälyn omaksumista sillä itsevarmuudella, jota tarvitaan sen muuttamiseksi teknologisesta lupauksesta todella hyödylliseksi liiketoimintatyökaluksi.

Humanoidirobotit ja fyysinen tekoäly: Miten BMW Groupin tehdas muuttuu

DAMA Tecnopolo: dataa, supertietokoneita ja tekoälyä todellisen innovaation tueksi Bolognassa

Liechtenstein ja julkinen tekoäly: Vastuullinen innovaatio Landesverwaltungissa

Tässä on kolme oivallusta, jotka saattavat kiinnostaa sinua:

”Multivacin elämä ja ajat” ja moderni tekoäly
Generatiivinen tekoäly: Mitä se on ja miten se muuttaa meitä
Kuinka Dallara ja IBM tuovat tekoälyn tuulitunneliin