ბიზნეს ოპერაციებში ხელოვნური ინტელექტის დანერგვის რბოლაში, ბევრი კომპანია აღმოაჩენს, რომ ზოგადი დანიშნულების მოდელები ხშირად იბრძვიან სპეციალიზებულ ინდუსტრიულ ამოცანებთან, რომლებიც მოითხოვენ დარგის ღრმა ცოდნას და თანმიმდევრულ მსჯელობას.
მიუხედავად იმისა, რომ დახვეწა და Retrieval Augmented Generation (RAG) შეიძლება დაეხმაროს, ეს ხშირად საკმარისი არ არის ისეთი რთული გამოყენების შემთხვევებისთვის, როგორიცაა მიწოდების ჯაჭვი. ეს არის გამოწვევა, რომლის გადაჭრასაც სტარტაპი Articul8 ცდილობს. დღეს კომპანიამ წარმოადგინა წარმოების მიწოდების ჯაჭვებისთვის სპეციფიკური ხელოვნური ინტელექტის მოდელების სერია, სახელწოდებით A8-SupplyChain. ახალ მოდელებს თან ახლავს Articul8-ის ModelMesh, რომელიც არის აგენტი ხელოვნური ინტელექტზე მომუშავე დინამიური ორკესტრირების ფენა, რომელიც რეალურ დროში იღებს გადაწყვეტილებებს კონკრეტული ამოცანებისთვის ხელოვნური ინტელექტის რომელი მოდელების გამოყენების შესახებ.
Articul8 აცხადებს, რომ მისი მოდელები აღწევენ 92%-იან სიზუსტეს ინდუსტრიულ სამუშაო პროცესებში, რაც აჭარბებს ზოგადი დანიშნულების ხელოვნური ინტელექტის მოდელებს კომპლექსური თანმიმდევრული მსჯელობის ამოცანებში.
Articul8 დაიწყო როგორც Intel-ის შიდა განვითარების გუნდი და 2024 წელს გამოეყო როგორც დამოუკიდებელი ბიზნესი. ტექნოლოგია წარმოიშვა Intel-ში მუშაობის შედეგად, სადაც გუნდმა შექმნა და განათავსა მულტიმოდალური ხელოვნური ინტელექტის მოდელები კლიენტებისთვის, მათ შორის Boston Consulting Group-ისთვის, სანამ ChatGPT საერთოდ გამოვიდოდა.
კომპანია აგებულია ძირითად ფილოსოფიაზე, რომელიც ეწინააღმდეგება საწარმოთა ხელოვნური ინტელექტის მიმართ ბაზარზე არსებული მიდგომების უმეტესობას.
„ჩვენ ვაშენებთ ძირითად რწმენაზე, რომ ვერცერთი ცალკეული მოდელი ვერ მიგიყვანთ საწარმოს შედეგებამდე, თქვენ ნამდვილად გჭირდებათ მოდელების კომბინაცია“, - განუცხადა Articul8-ის აღმასრულებელმა დირექტორმა და დამფუძნებელმა არუნ სუბრამანიანმა VentureBeat-ს ექსკლუზიურ ინტერვიუში. „თქვენ გჭირდებათ დარგის სპეციფიკური მოდელები, რათა რეალურად დაედევნოთ კომპლექსურ გამოყენების შემთხვევებს რეგულირებულ ინდუსტრიებში, როგორიცაა აერონავტიკა, თავდაცვა, წარმოება, ნახევარგამტარები ან მიწოდების ჯაჭვი“.
მიწოდების ჯაჭვის ხელოვნური ინტელექტის გამოწვევა: როდესაც თანმიმდევრობა და კონტექსტი განსაზღვრავს წარმატებას ან წარუმატებლობას
წარმოება და ინდუსტრიული მიწოდების ჯაჭვები წარმოადგენს უნიკალურ ხელოვნური ინტელექტის გამოწვევებს, რომელთა ეფექტურად გამკლავებას ზოგადი დანიშნულების მოდელები ვერ ახერხებენ. ეს გარემოებები მოიცავს კომპლექსურ მრავალსაფეხურიან პროცესებს, სადაც თანმიმდევრობა, განშტოების ლოგიკა და საფეხურებს შორის ურთიერთდამოკიდებულება კრიტიკულად მნიშვნელოვანია.
„მიწოდების ჯაჭვის სამყაროში ძირითადი პრინციპია ის, რომ ყველაფერი არის ნაბიჯების წყობა“, - განმარტა სუბრამანიანმა. „ყველაფერი არის დაკავშირებული ნაბიჯების წყობა და ნაბიჯებს ზოგჯერ აქვთ კავშირები და ზოგჯერ აქვთ რეკურსიები“.
მაგალითად, ვთქვათ, მომხმარებელი ცდილობს ააწყოს რეაქტიული ძრავა, ხშირად არსებობს მრავალი სახელმძღვანელო. თითოეულ სახელმძღვანელოს აქვს მინიმუმ რამდენიმე ასეული, თუ არა რამდენიმე ათასი, ნაბიჯი, რომლებიც თანმიმდევრობით უნდა შესრულდეს. ეს დოკუმენტები არ არის მხოლოდ სტატიკური ინფორმაცია - ისინი ეფექტურად წარმოადგენენ დროის სერიების მონაცემებს, რომლებიც წარმოადგენენ თანმიმდევრულ პროცესებს, რომლებიც ზუსტად უნდა შესრულდეს. სუბრამანიანი ამტკიცებდა, რომ ზოგადი ხელოვნური ინტელექტის მოდელები, თუნდაც აღდგენის ტექნიკით გაძლიერებული, ხშირად ვერ აცნობიერებენ ამ დროებით ურთიერთობებს.
კომპლექსური მსჯელობის ეს ტიპი - პროცედურის უკან მიყოლა იმის დასადგენად, თუ სად მოხდა შეცდომა - წარმოადგენს ფუნდამენტურ გამოწვევას, რომლისთვისაც ზოგადი მოდელები არ არის აგებული.
ModelMesh: დინამიური სადაზვერვო ფენა და არა უბრალოდ კიდევ ერთი ორკესტრატორი
Articul8-ის ტექნოლოგიის გულში არის ModelMesh, რომელიც სცილდება მოდელის ტიპურ ორკესტრირების ჩარჩოებს, რათა შექმნას ის, რასაც კომპანია აღწერს, როგორც „აგენტების აგენტი“ ინდუსტრიული პროგრამებისთვის.
„ModelMesh რეალურად არის სადაზვერვო ფენა, რომელიც აკავშირებს და აგრძელებს გადაწყვეტილების მიღებას და ნივთების შეფასებას, როდესაც ისინი გადიან ერთ ნაბიჯს ერთ ჯერზე“, - განმარტა სუბრამანიანმა. „ეს არის ის, რაც ჩვენ სრულიად ნულიდან უნდა ავაშენოთ, რადგან არცერთი არსებული ინსტრუმენტი რეალურად ახლოსაც კი არ მიდის იმასთან, რისი გაკეთებაც ჩვენ გვიწევს, რაც არის ასობით, ზოგჯერ კი ათასობით გადაწყვეტილების მიღება გაშვების დროს.“
არსებული ჩარჩოებისგან განსხვავებით, როგორიცაა LangChain ან LlamaIndex, რომლებიც უზრუნველყოფენ წინასწარ განსაზღვრულ სამუშაო პროცესებს, ModelMesh აერთიანებს ბაიესის სისტემებს სპეციალიზებულ ენობრივ მოდელებთან, რათა დინამიურად განსაზღვროს არის თუ არა გამომავალი სწორი, რა ქმედებები უნდა გადაიდგას შემდეგ და როგორ შევინარჩუნოთ თანმიმდევრულობა კომპლექსურ ინდუსტრიულ პროცესებში.
ეს არქიტექტურა იძლევა იმის საშუალებას, რასაც Articul8 აღწერს, როგორც ინდუსტრიული დონის აგენტის ხელოვნურ ინტელექტს - სისტემებს, რომლებსაც შეუძლიათ არა მხოლოდ მსჯელობა ინდუსტრიულ პროცესებზე, არამედ აქტიურად წარმართონ ისინი.
RAG-ის მიღმა: ინდუსტრიული ინტელექტის ძირეული მიდგომა
მიუხედავად იმისა, რომ საწარმოთა ხელოვნური ინტელექტის მრავალი იმპლემენტაცია ეყრდნობა აღდგენით გაძლიერებულ გენერაციას (RAG) ზოგადი მოდელების კორპორატიულ მონაცემებთან დასაკავშირებლად, Articul8 იყენებს განსხვავებულ მიდგომას დარგობრივი ექსპერტიზის შესაქმნელად.
„ჩვენ რეალურად ვიღებთ ძირითად მონაცემებს და ვშლით მათ შემადგენელ ელემენტებად“, - განმარტა სუბრამანიანმა. „ჩვენ ვშლით PDF-ს ტექსტად, სურათებად და ცხრილებად. თუ ეს არის აუდიო ან ვიდეო, ჩვენ მას ვშლით მის ძირითად შემადგენელ ელემენტებად და შემდეგ აღვწერთ ამ ელემენტებს სხვადასხვა მოდელების კომბინაციის გამოყენებით“.
კომპანია იწყებს Llama 3.2-ით როგორც საფუძვლით, რომელიც ძირითადად არჩეულია მისი ნებართვის ლიცენზირების გამო, მაგრამ შემდეგ გარდაქმნის მას დახვეწილი მრავალსაფეხურიანი პროცესის მეშვეობით. ეს მრავალშრიანი მიდგომა საშუალებას აძლევს მათ მოდელებს განავითარონ ინდუსტრიული პროცესების გაცილებით მდიდარი გაგება, ვიდრე უბრალოდ მონაცემთა შესაბამისი ნაწილების მოძიება.
SupplyChain მოდელები გადიან დახვეწის მრავალ ეტაპს, რომლებიც სპეციალურად შექმნილია ინდუსტრიული კონტექსტებისთვის. კარგად განსაზღვრული ამოცანებისთვის ისინი იყენებენ ზედამხედველობით დახვეწას. უფრო კომპლექსური სცენარებისთვის, რომლებიც მოითხოვენ ექსპერტის ცოდნას, ისინი ახორციელებენ უკუკავშირის მარყუჟებს, სადაც დარგის ექსპერტები აფასებენ პასუხებს და აწვდიან შესწორებებს.
როგორ იყენებენ საწარმოები Articul8-ს
მიუხედავად იმისა, რომ ახალი მოდელებისთვის ჯერ კიდევ ადრეა, კომპანია უკვე აცხადებს რამდენიმე მომხმარებელსა და პარტნიორს, მათ შორის iBase-t, Itochu Techno-Solutions Corporation, Accenture და Intel.
ბევრი ორგანიზაციის მსგავსად, Intel-მა დაიწყო თავისი გენერაციული ხელოვნური ინტელექტის მოგზაურობა ზოგადი დანიშნულების მოდელების შეფასებით, რათა შეესწავლა, თუ როგორ შეეძლოთ მათ დიზაინისა და წარმოების ოპერაციების მხარდაჭერა.
„მიუხედავად იმისა, რომ ეს მოდელები შთამბეჭდავია ღია ამოცანებში, ჩვენ სწრაფად აღმოვაჩინეთ მათი შეზღუდვები, როდესაც ისინი გამოიყენებოდა ჩვენს უაღრესად სპეციალიზებულ ნახევარგამტარულ გარემოში“, - განუცხადა Intel-ის ქსელის, Edge-ისა და ხელოვნური ინტელექტის ჯგუფის კორპორატიულმა ვიცე-პრეზიდენტმა და გენერალურმა მენეჯერმა შრინივას ლინგამმა VentureBeat-ს. „მათ გაუჭირდათ ნახევარგამტარებისთვის სპეციფიკური ტერმინოლოგიის ინტერპრეტაცია, კონტექსტის გაგება აღჭურვილობის ჟურნალებიდან ან კომპლექსური, მრავალცვლადიანი შეფერხების სცენარების მსჯელობა“.
Intel იყენებს Articul8-ის პლატფორმას, რათა ააშენოს ის, რასაც ლინგამმა უწოდა - Manufacturing Incident Assistant - ინტელექტუალური, ბუნებრივ ენაზე დაფუძნებული სისტემა, რომელიც ეხმარება ინჟინრებსა და ტექნიკოსებს Intel-ის ფაბრიკებში აღჭურვილობის შეფერხების მოვლენების დიაგნოსტირებასა და გადაჭრაში. მან განმარტა, რომ პლატფორმა და დარგის სპეციფიკური მოდელები მოიხმარენ როგორც ისტორიულ, ასევე რეალურ დროში წარმოების მონაცემებს, მათ შორის სტრუქტურირებულ ჟურნალებს, არასტრუქტურირებულ ვიკი სტატიებს და შიდა ცოდნის საცავებს. ის ეხმარება Intel-ის გუნდებს ძირითადი მიზეზების ანალიზის (RCA) ჩატარებაში, გირჩევთ მაკორექტირებელ ქმედებებს და ავტომატიზირებს კიდეც სამუშაო შეკვეთების გენერირების ნაწილებს.
რას ნიშნავს ეს საწარმოთა ხელოვნური ინტელექტის სტრატეგიისთვის
Articul8-ის მიდგომა ეწინააღმდეგება ვარაუდს, რომ ზოგადი დანიშნულების მოდელები RAG-თან ერთად საკმარისი იქნება ყველა გამოყენების შემთხვევისთვის იმ საწარმოებისთვის, რომლებიც ახორციელებენ ხელოვნურ ინტელექტს წარმოებასა და ინდუსტრიულ კონტექსტებში. სპეციალიზებულ და ზოგად მოდელებს შორის შესრულების სხვაობა მიანიშნებს, რომ ტექნიკურმა გადაწყვეტილების მიმღებებმა უნდა განიხილონ დარგის სპეციფიკური მიდგომები კრიტიკულად მნიშვნელოვანი აპლიკაციებისთვის, სადაც სიზუსტე უმნიშვნელოვანესია.
რადგან ხელოვნური ინტელექტი ექსპერიმენტიდან წარმოებაში გადადის ინდუსტრიულ გარემოში, ეს სპეციალიზებული მიდგომა შეიძლება უზრუნველყოს უფრო სწრაფი ROI კონკრეტული მაღალი ღირებულების გამოყენების შემთხვევებისთვის, ხოლო ზოგადი მოდელები აგრძელებენ უფრო ფართო, ნაკლებად სპეციალიზებულ საჭიროებებს.
დამუშავებულია ასინეთა AI-ის მიერ.
გსურთ კომენტარის დატოვება?
კომენტარის დასატოვებლად საჭიროა ავტორიზაცია
შესვლა რეგისტრაციაკომენტარები არ არის
იყავით პირველი, ვინც დატოვებს კომენტარს