Az akadémiai kutatástól a gyártósorokig: a mesterséges intelligencia fejlődése, fordulópontjai, korlátai és konkrét felhasználási módjai a kortárs gyártásban, valamint a kkv-kban

Amikor a cégnél arról beszélünk, hogy Mesterséges intelligencia alkalmazása a növények prediktív karbantartásában, a gyártási folyamatok automatizált minőségellenőrzése vagy atermelési adatelemzés, gyakran rájövünk, hogy valójában milyen keveset tudunk a történetéről. Ezt a benyomást, amelyet a gyors terjedés táplál generatív eszközök az utóbbi években előfordul, hogy a mesterséges intelligencia szinte hirtelen jelent meg, közvetlen következményeként a nagy nyelvi modellek és a nagyközönség számára is elérhetővé vált platformok.

Sőt, amit ma úgy hívunk, „AI” egy sokkal hosszabb utazás eredménye, amelyet a következők jellemeznek: elméleti meglátások, lelkesedés, kudarcok, technológiai korlátok, új számítástechnikai architektúrák és a feldolgozási kapacitás fokozatos növekedése. Egy olyan rendszer mögött, amely képes felismerni egy alkatrész hibáját, egy gép anomáliájának előrejelzéséről vagy egy vállalat információkezelésének segítéséről, évtizedeknyi matematikai és számítástechnikai kutatás létezik, de olyan innovációk is, amelyek látszólag távoli területeken születtek, mint például digitális grafika és avideojáték-ipar.

Ez a történelmi perspektíva különösen fontos akkor, amikor A mesterséges intelligencia belép a gyárbaHa elkülönítjük a technikailag lehetségest attól, ami még az elvárásokhoz vagy a kereskedelmi narratívákhoz tartozik, akkor a megfelelő eszközöket választhatjuk ki, megérthetjük azok korlátait és pontosabban értékelhetjük azokat. költségek, előnyök, kockázatok és felelősségek.

Mégis, a mesterséges intelligencia eredetének megértése mindenekelőtt segít megérteni mit tud reálisan megtenni ma, és mit nem, még egy olyan konkrét szektorban is, mint a gyártás. Eredetének ismerete tehát nemcsak a technológiai történelem rekonstruálását jelenti, hanem jobb eszközök megszerzését is annak eldöntéséhez, hogyan lehet azt bevezetni a termelési folyamatok anélkül, hogy egy nagy teljesítményű technológiát homályos ígéretté változtatnánk.

Alan Turing és Dartmouth: A kérdés, amely lángra lobbantott egy tudományágat

Minden 1950-ben kezdődött, amikor Alan Turing brit matematikus publikálta a „Számítástechnika és intelligencia” című cikket, amelyben azt a kérdést vizsgálta, hogy képesek-e a gépek gondolkodni. Ebben azt javasolta, ami később ún. Turing-teszt, azon az elképzelésen alapulva, hogy egy gépet azon képessége alapján értékelnek, hogy képes-e olyan nyelvi interakciót fenntartani, amely egy emberi beszélgetőpartner számára megkülönböztethetetlen a másik személlyel folytatott interakciótól.

A mesterséges intelligencia, mint tudományág, valódi születése hat évvel később következett be. 1956 nyarán a Dartmouth College-ban John McCarthy Marvin Minskyvel, az IBM Nathaniel Rochesterével és a Bell Labs Claude Shannonjával közösen megszervezett egy kutatási projektet, amely mérföldkővé vált a számítástechnika történetében. A kezdeményezéshez készített javaslatban használta McCarthy a „mesterséges intelligencia” kifejezést:

„A tanulás bármely aspektusa vagy az intelligencia bármely más jellemzője elvileg olyan pontossággal leírható, hogy egy gép képes szimulálni.”

Kezdeti ígéretek, csökkentett finanszírozás, növekvő szkepticizmus

A kezdeti lelkesedés hamarosan ütközött a kor technológiai korlátaival és azokkal az elvárásokkal, amelyeket a rendelkezésre álló képességek nem tudtak kielégíteni. 1969-ben Marvin Minsky és Seymour Papert publikálták a „Perceptrons” című művet, amely rávilágított az egyrétegű neurális hálózatok fontos korlátaira, és hozzájárult a kutatási terület iránti érdeklődés csökkenéséhez.

Azonban nem egyetlen könyv indította el az első „mesterséges intelligencia telet”. Az 1970-es években a számítási teljesítmény hiánya, a komplex problémák kezelésének nehézségei, a várakozások alatti eredmények és a finanszírozók növekvő szkepticizmusa egyszerre volt jellemző. Az Egyesült Királyságban a Lighthill-jelentés Az 1973-as jelentés erősen kritikus véleményt fogalmaz meg a tudományág által elért haladással kapcsolatban, és hozzájárul a kutatás közvélemény általi támogatottságának csökkenéséhez.

Az 1980-as években az érdeklődés ismét megnőtt, különösen a ... miatt. szakértői rendszerek, olyan programok, amelyek tudásbázisok és meghatározott szabályok segítségével specializált döntéshozatali folyamatok reprodukálására szolgáltak. Ezek az eszközök az iparban is alkalmazást találtak, de a magas költségek, a merevség, a frissítés nehézségei és ismét a túlzott elvárások az évtized vége és az 1990-es évek eleje között a kiábrándulás második szakaszához vezettek.

Videojátékok, GPU-k, párhuzamos mátrixok: ez a fordulópont a mélytanulásban.

Az elmúlt évtizedek nagyfokú felgyorsulása a digitális grafikai és videojáték-iparágakban kiforrott fejlődésnek is köszönhető. Az egyre összetettebb háromdimenziós forgatókönyvek valós idejű generálásához a hardvergyártók olyan fejlesztéseket fejlesztenek ki, mint a GPUGrafikus feldolgozó egység (GPU), nagyszámú matematikai művelet párhuzamos végrehajtására szakosodott processzor, amelyet dedikált nagysebességű memóriák támogatnak.

Ez az architektúra eltér a hagyományos CPU-kétól. Ez utóbbiakat úgy tervezték, hogy nagyon különböző utasítássorozatokat kezeljenek nagy rugalmassággal; a GPU-k ezzel szemben hatalmas mennyiségű hasonló számítást tudnak egyszerre végrehajtani. Ez a funkció különösen alkalmas mátrixszorzásokra és más, a neurális hálózatok betanításához szükséges numerikus műveletekre.

A GPU-k elterjedését fokozatosan olyan eszközök kísérik, amelyek lehetővé teszik számukra a nem kizárólag grafikus számításokat, az elérhető adatkészletek növekedésével, a memóriakapacitás növekedésével és a tanulási algoritmusok finomodásával együtt.

Ezek közül az alábbiaknak alapvető jelentőségük van: hiba visszaterjesztése, vagy visszaterjesztés. A technikának matematikai előzményei az 1980-as évekig nyúlnak vissza, de David Rumelhart, Geoffrey Hinton és Ronald Williams 1986-ban publikált munkája döntően hozzájárult a többrétegű neurális hálózatok betanításában való befolyásos alkalmazásához.

A szimbolikus fordulópont 2012-ben jött el, AlexNetA GPU-kkal betanított neurális hálózat jelentősen felülmúlta számos versengő megközelítést az ImageNet versenyében, bemutatva, hogy a párhuzamos számítástechnika, a nagy mennyiségű adat és a mély hálózatok kombinációja hogyan alakíthatja át radikálisan a számítógépes látást. A GPU-k azóta a mélytanulási infrastruktúra központi elemévé váltak.

2017-ben egy kutatócsoport publikálta a „Mindössze figyelemre van szükséged” című könyvet.", bemutatva az építészetet transzformátorFigyelemmechanizmusa lehetővé teszi a modell számára, hogy egy szekvencia különböző részeit összekapcsolja anélkül, hogy feltétlenül egymás után kellene feldolgoznia azokat a hagyományos rekurens hálózatok felépítése szerint.

Ez az architektúra a nagy nyelvi modellek, majd öt évvel később a ChatGPT egyik technikai alapjává vált, elősegítve a generatív mesterséges intelligencia bevezetését emberek millióinak mindennapi nyelvébe.

Valószínűségi következtetés a klasszikus számítástechnika determinizmusán túl

Egy másik gyakran félreértett szempont ezen rendszerek „érvelési” módjával kapcsolatos. A hagyományos számítógépek formálisan meghatározott utasításokat hajtanak végre, és minden más tényező változatlansága esetén megismételhető eredményeket produkálnak. A modern, nagyméretű nyelvi modellek ezzel szemben statisztikai mechanizmusokon keresztül működnek, amelyek a betanítás során tanult paraméterek alapján becsülik meg, hogy mely elemek fordulnak elő a legvalószínűbben a feldolgozott kontextusban.

Emiatt bizonyos leegyszerűsítéssel a következőképpen írhatók le valószínűségi következtető motorokSzöveg generálásakor egy nyelvi modell kiértékeli a lehetséges későbbi elemekhez tartozó valószínűségi eloszlásokat, és fokozatosan konstruálja a kimenetet.

Ezért nincs feltétlenül egyetlen előre kiszámított válasz. Az eredmény változhat a kontextustól, a kapott utasításoktól, a megadott adatoktól és a generálás során használt paraméterektől függően. Ez jelentős eltérés a hagyományos determinisztikus szoftverektől, és segít megmagyarázni ezen rendszerek rendkívüli rugalmasságát és belső hibázhatóságát.

A nagy nyelvi modellek elterjedésének egy fontos példája a Láma, a Meta által 2023 óta fejlesztett Large Language Model Meta AI termékcsalád. A Meta számos modell súlyát tette elérhetővé saját licenceken keresztül, jelentősen bővítve a kutatók, fejlesztők és vállalatok lehetőségeit ezen rendszerek használatában és specializálásában.

Az LLaMA egyszerű „nyílt forráskódúként” való meghatározása azonban óvatosságot igényel: a kapcsolódó licencek olyan feltételeket és korlátozásokat tartalmaznak, amelyek nem felelnek meg teljes mértékben a Nyílt Forráskód Kezdeményezés által a nyílt forráskódú szoftverekre vonatkozóan elfogadott definíciónak. Ezért pontosabb modellekről beszélni. nyitott súlyú, azaz a rendelkezésre álló súlyokkal, amelyek mindenképpen a testreszabható rendszerekkel kapcsolatos széleskörű kísérletezést részesítették előnyben, amelyek potenciálisan még a kis méretű gyártóvállalatok számára is érdekesek lehetnek.

ANI, AGI, ASI: határok a jelenlegi eszközök és a jövőbeli elméleti forgatókönyvek között

A vitában való eligazodáshoz hasznos három hagyományos kategória megkülönböztetése.Mesterséges Szűk Intelligencia (ANI), más néven „gyenge”, olyan rendszereket foglal magában, amelyeket meghatározott feladatok vagy feladatosztályok végrehajtására terveztek, mint például a beszédfelismerés, a számítógépes látás, az adatelemzés, a folyamatoptimalizálás és a tartalomgenerálás.

Még a rendkívül kifinomult rendszerek is ebbe a kategóriába tartozhatnak, ha nem rendelkeznek általános és autonóm képességgel arra, hogy képességeiket bármilyen lehetséges tartományba átvigyék.

L 'Mesterséges Általános Intelligencia, AGI, ehelyett egy olyan gépre utalna, amely képes tanulni, megérteni és képességeit rendkívül széles problémakörre alkalmazni, az emberekéhez hasonló általánossággal. Az AGI-nak azonban nincs egyetemesen elfogadott definíciója, sem olyan rendszer, amelyet a tudományos közösség konszenzusosan ebbe a kategóriába sorolna.

Végül a Mesterséges Szuperintelligencia, ASI (Mesterséges Szuperintelligencia), a mesterséges intelligencia egy hipotetikus formáját írja le, amely számos kognitív területen képes jelentősen felülmúlni az emberi képességeket. Jelenleg ez egy elméleti forgatókönyv marad.

Kiberbiztonság, irányítás és elszámoltathatóság a sebezhetőségek tükrében

A generatív mesterséges intelligencia térnyerése új támadási felületeket nyit meg. A modellek dokumentumokon, üzeneteken, adatbázisokon, weboldalakon és más külső forrásokon keresztül kaphatnak utasításokat, olyan manipulációs lehetőségeket teremtve, amelyek korábban a hagyományos számítógépes rendszerekben nem léteztek ugyanúgy.

2024-ben néhány kutató kísérletileg bebizonyította a megvalósítás lehetőségét önreplikáló ellenfél-promptok képes terjedni az összekapcsolt generatív MI-alapú alkalmazások között. A koncepció bizonyítása, az ún. Morris II, bemutatta, hogy a közvetett prompt injektálási technikák hogyan okozhatnak féregszerű terjedést, és bizonyos kísérleti architektúrákban nem kívánt műveleteket vagy információszivárgást.

Ez nem jelenti azt, hogy az ilyen típusú férgek már szisztematikusan terjednek a vállalati rendszerekben. Azt viszont igen, hogy olyan sebezhetőségek létezését mutatták ki, amelyeket komolyan kell venni, amikor különböző mesterséges intelligencia alapú komponensek kapcsolódnak össze, és jogosultságot kapnak külső adatokhoz vagy eszközökhöz való hozzáférésre.

Azoknak a KKV-knak, amelyek generatív modelleket integrálnak irányítási és termelési rendszereikbe, ezért a biztonságot, az adatizolációt, a bemeneti vezérlést, a jogosultságkezelést és a kimeneti felügyeletet a tervezési szakasztól kezdve architekturális komponensként kell figyelembe venniük.

Jóval a jelenlegi digitális forradalom előtt Isaac Asimov már beemelte a szépirodalomba a gépek autonómiája, az emberi felelősség és a védelem közötti kapcsolat problémáját a híres... A robotika három törvénye.

Ezek a megfogalmazások a sci-fi világába tartoznak, de az alapvető kérdések kézzelfoghatóvá váltak: ki szabja meg egy rendszer határait, ki a felelős a hibáiért, mely döntések delegálhatók, és milyen garanciáknak kell kísérniük az emberekre hatással lévő algoritmusok használatát?

Az ilyen jellegű kérdések köré épül ma a mesterséges intelligencia szabályozása és irányítása, az európai mesterséges intelligencia rendelettől kezdve a modellek biztonságára, átláthatóságára és megbízhatóságára irányuló nemzetközi kezdeményezésekig.

Gyártás, kkv-k, digitális gyárak: alkalmazások helyettesítési mítoszok nélkül

Egy kkv vezető számára a tanulság egyszerű: a ma hatékonyan alkalmazható mesterséges intelligencia elsősorban speciális eszközökből áll. Segíthet gyorsabb és célzottabb értékesítési ajánlatok kidolgozásában, támogathatja a CRM-tevékenységeket, előre jelezheti a meghibásodásokat a prediktív karbantartás révén, optimalizálhatja a termelési ciklusokat, elemezhet nagy mennyiségű adatot, és automatizálhatja a minőségellenőrzés egyes részeit.

Egy számítógépes látórendszer képes azonosítani a gyártási hibákat; egy prediktív modell képes észlelni az üzem paramétereiben lévő rendellenességeket, mielőtt azok meghibásodáshoz vezetnének; a generatív eszközök segíthetnek a dokumentáció, árajánlatok és értékesítési kommunikáció elkészítésében; az optimalizáló algoritmusok pedig segíthetnek a termeléstervezésben és az erőforrások kiosztásában.

Ez nem azt jelenti, hogy rendelkezünk egy olyan általános intelligenciával, amely képes megkülönböztetés nélkül helyettesíteni az emberi ítélőképességet. Inkább azt jelenti, hogy nagyon hatékony eszközöket használunk a meghatározott feladatok, adatok, eljárások és felelősségi körök keretein belül.

A mesterséges intelligencia történetének – tele izgalmakkal, hullámvölgyekkel, újjászületésekkel, váratlan hardverinnovációkkal és új számítástechnikai paradigmákkal – megértése az első lépés afelé, hogy a mesterséges intelligenciát azzal a magabiztossággal fogadjuk el, amely ahhoz szükséges, hogy technológiai ígéretből valóban hasznos üzleti eszközzé alakítsuk.

Humanoid robotok és fizikai mesterséges intelligencia: Hogyan változik a BMW Group gyára?

DAMA Tecnopolo: adatok, szuperszámítástechnika és mesterséges intelligencia a valódi innovációért Bolognában

Liechtenstein és a nyilvános mesterséges intelligencia: Felelős innováció a Landesverwaltungban

Íme három betekintés, amelyek érdekelhetik:

„A Multivac élete és kora” és a modern mesterséges intelligencia
Generatív mesterséges intelligencia: Mi az, és hogyan változtat meg minket
Hogyan fogja a Dallara és az IBM a mesterséges intelligenciát a szélcsatornába vinni?