Fra akademisk forskning til produksjonslinjer: evolusjon, vendepunkter, begrensninger og konkret bruk av AI i moderne produksjon så vel som i små og mellomstore bedrifter.

Når vi er i selskapet snakker om Kunstig intelligens brukt til prediktivt vedlikehold av planterPå automatisert kvalitetskontroll av produksjonsprosesser eller tilanalyse av produksjonsdata, skjer det ofte at vi innser hvor lite vi egentlig vet om dens historie. Dette inntrykket, drevet av den raske spredningen av generative verktøy I de senere årene har det noen ganger skjedd at kunstig intelligens har dukket opp nesten plutselig, som en direkte konsekvens av store språkmodeller og plattformer som har blitt tilgjengelige for allmennheten.

Faktisk det vi kaller i dag "AI" det er resultatet av en mye lengre reise, preget av teoretiske innsikter, entusiasme, tilbakeslag, teknologiske begrensninger, nye dataarkitekturer og progressive økninger i prosesseringskapasitet. Bak et system som er i stand til å gjenkjenne en feil på en komponent, forutsi en anomali i en maskin eller hjelpe et selskap med å håndtere informasjon, finnes det flere tiår med matematisk og informatisk forskning, men også innovasjoner født i tilsynelatende fjerne felt, som for eksempel digital grafikk ogvideospillindustri.

Dette historiske perspektivet er spesielt viktig når AI kommer inn i fabrikkenÅ skille det som er teknisk mulig fra det som fortsatt tilhører forventninger eller kommersielle fortellinger, lar oss velge passende verktøy, forstå deres begrensninger og evaluere dem mer presist. kostnader, fordeler, risikoer og ansvar.

Likevel hjelper det fremfor alt å forstå hvor kunstig intelligens kommer fra hva den realistisk sett kan gjøre i dag, og hva den ikke kan, selv i en konkret sektor som produksjon. Å kjenne dens opprinnelse betyr derfor ikke bare å rekonstruere en teknologisk historie, men å tilegne seg bedre verktøy for å bestemme hvordan den skal introduseres i produksjonsprosesser uten å gjøre en kraftig teknologi om til et utydelig løfte.

Alan Turing og Dartmouth: Spørsmålet som tente en disiplin

Det hele startet i 1950, da den britiske matematikeren Alan Turing publiserte artikkelen «Computing Machinery and Intelligence», der han tok opp spørsmålet om maskiner kunne tenke. I den foreslo han det som skulle bli kjent som Turing-testen, basert på ideen om å evaluere en maskin ut fra dens evne til å opprettholde en språklig interaksjon som for en menneskelig samtalepartner ikke kan skilles fra den med en annen person.

Den virkelige fødselen av kunstig intelligens som disiplin kom seks år senere. Sommeren 1956, ved Dartmouth College, organiserte John McCarthy, sammen med Marvin Minsky, Nathaniel Rochester fra IBM og Claude Shannon fra Bell Labs, et forskningsprosjekt som skulle bli en milepæl i informatikkens historie. Det var i forslaget som ble utarbeidet for dette initiativet at McCarthy brukte begrepet «kunstig intelligens»:

«Ethvert aspekt ved læring eller ethvert annet trekk ved intelligens kan i prinsippet beskrives med en slik presisjon at en maskin kan simulere det.»

Innledende løfter, redusert finansiering, økende skepsis

Den første entusiasmen kolliderte snart med datidens teknologiske begrensninger og forventninger som tilgjengelige muligheter ikke kunne møte. I 1969 publiserte Marvin Minsky og Seymour Papert «Perceptrons», et verk som fremhevet viktige begrensninger ved ettlags nevrale nettverk og bidro til den avtagende interessen for denne forskningslinjen.

Det var imidlertid ikke én enkelt bok som utløste den første «KI-vinteren». I løpet av 1970-tallet kom utilstrekkelig datakraft, vanskeligheter med å takle komplekse problemer, resultater under forventningene og økende skepsis fra finansiører sammen. I Storbritannia Lighthill-rapporten fra 1973 uttrykker en sterkt kritisk mening om fremskrittene som er oppnådd innen fagfeltet, og bidrar til en reduksjon av offentlig støtte til forskning.

På 1980-tallet begynte interessen å vokse igjen, særlig takket være ekspertsystemer, programmer designet for å reprodusere spesialiserte beslutningsprosesser gjennom kunnskapsbaser og definerte regler. Disse verktøyene fant også anvendelser i industrien, men høye kostnader, rigiditet, vanskeligheter med oppdatering og nok en gang overdrevne forventninger førte, mellom slutten av tiåret og begynnelsen av 1990-tallet, til en andre fase av desillusjon.

Videospill, GPU-er, parallelle matriser: dette er vendepunktet innen dyp læring.

Den store akselerasjonen de siste tiårene stammer også fra en utvikling som har modnet i den digitale grafikk- og videospillindustrien. For å generere stadig mer komplekse tredimensjonale scenarier i sanntid, utvikler maskinvareprodusenter GPUGrafikkprosessor , prosessorer spesialisert i parallell utførelse av store mengder matematiske operasjoner, støttet av dedikerte høyhastighetsminner.

Denne arkitekturen er forskjellig fra tradisjonelle CPU-er. Sistnevnte er designet for å håndtere svært forskjellige instruksjonssekvenser med stor fleksibilitet; GPU-er, derimot, kan utføre enorme mengder lignende beregninger samtidig. Denne funksjonen er spesielt egnet for matrisemultiplikasjoner og andre numeriske operasjoner som kreves for å trene nevrale nettverk.

Spredningen av GPU-er blir gradvis ledsaget av verktøy som gjør at de kan brukes til beregninger som ikke utelukkende er grafiske, sammen med veksten av tilgjengelige datasett, økningen i minnekapasitet og forbedringen av læringsalgoritmer.

Blant disse er følgende av grunnleggende betydning: feil tilbakepropagering, eller tilbakepropagering. Teknikken har matematiske forløpere som går tilbake til 1980-tallet, men arbeidet som ble publisert i 1986 av David Rumelhart, Geoffrey Hinton og Ronald Williams bidro avgjørende til dens innflytelsesrike bruk for trening av flerlags nevrale nettverk.

Det symbolske vendepunktet kommer i 2012 med AlexNetTrent ved hjelp av GPU-er, utkonkurrerte det nevrale nettverket betydelig mange konkurrerende tilnærminger i ImageNet-konkurransen, og demonstrerte hvordan kombinasjonen av parallell databehandling, store mengder data og dype nettverk radikalt kan transformere datasyn. GPU-er har siden blitt en sentral komponent i infrastrukturen for dyp læring.

I 2017 publiserte en gruppe forskere «Oppmerksomhet er alt du trenger»", introduserer arkitektur transformatorOppmerksomhetsmekanismen lar modellen relatere ulike deler av en sekvens uten nødvendigvis å måtte behandle dem etter hverandre i henhold til oppsettet av tradisjonelle tilbakevendende nettverk.

Denne arkitekturen skulle bli et av de tekniske grunnlagene for store språkmodeller og, fem år senere, også for ChatGPT, og bidra til å bringe generativ AI inn i hverdagsspråket til millioner av mennesker.

Probabilistisk inferens utover determinismen i klassisk informatikk

Et annet ofte misforstått aspekt gjelder måten disse systemene «resonnerer» på. Tradisjonelle datamaskiner utfører formelt bestemte instruksjoner og produserer, alt annet likt, repeterbare resultater. Moderne språkmodeller i stor skala fungerer derimot gjennom statistiske mekanismer som, basert på parametere lært under trening, estimerer hvilke elementer som mest sannsynlig vil forekomme i konteksten som behandles.

Av denne grunn kan de beskrives, med en viss forenkling, som sannsynlighetsbaserte inferensmotorerNår en tekst genereres, evaluerer en språkmodell sannsynlighetsfordelinger knyttet til mulige påfølgende elementer og konstruerer gradvis utdataene.

Derfor finnes det ikke nødvendigvis ett enkelt forhåndsberegnet svar. Resultatet kan variere avhengig av konteksten, mottatte instruksjoner, leverte data og parameterne som brukes i genereringen. Dette er et betydelig avvik fra tradisjonell deterministisk programvare og bidrar til å forklare både den ekstraordinære fleksibiliteten og den iboende feilbarligheten til disse systemene.

Et viktig eksempel på spredningen av store språklige modeller er Samtaler, Stor språkmodell Meta AI, en familie utviklet av Meta siden 2023. Meta har gjort vektene til flere modeller tilgjengelige gjennom sine egne lisenser, noe som utvider mulighetene for forskere, utviklere og selskaper til å bruke og spesialisere disse systemene betydelig.

Å definere LLaMA kun som «åpen kildekode» krever imidlertid forsiktighet: de relaterte lisensene inkluderer betingelser og restriksjoner som ikke fullt ut samsvarer med definisjonen av åpen kildekode-programvare som er vedtatt av Open Source Initiative. Det er derfor mer nøyaktig å snakke om modeller. åpen vekt, det vil si med tilgjengelige vekter, som uansett har favorisert omfattende eksperimentering med tilpassbare systemer som potensielt er interessante selv for små produksjonsbedrifter.

ANI, AGI, ASI: grenser mellom nåværende verktøy og fremtidige teoretiske scenarier

For å orientere seg i debatten er det nyttig å skille mellom tre tradisjonelle kategorier.Kunstig smal intelligens (ANI), også kalt «svak», omfatter systemer som er utviklet for å utføre spesifikke oppgaver eller klasser av oppgaver, som talegjenkjenning, datasyn, dataanalyse, prosessoptimalisering og innholdsgenerering.

Selv ekstremt sofistikerte systemer kan falle inn under denne kategorien når de ikke har en generell og autonom evne til å overføre ferdighetene sine til et hvilket som helst domene.

L 'Kunstig generell intelligens, AGI, ville i stedet indikere en maskin som er i stand til å lære, forstå og anvende sine evner på et ekstremt bredt spekter av problemer, med en generalitet som kan sammenlignes med menneskers. Det finnes imidlertid ingen universelt delt definisjon av AGI eller et system som er enstemmig anerkjent av det vitenskapelige samfunnet som tilhørende denne kategorien.

Til slutt, Kunstig superintelligens, ASI (kunstig superintelligens), beskriver en hypotetisk form for kunstig intelligens som er i stand til å overgå menneskelige evner i betydelig grad på en rekke kognitive områder. For øyeblikket er det fortsatt et teoretisk scenario.

Nettsikkerhet, styring og ansvarlighet i møte med sårbarheter

Fremveksten av generativ AI introduserer nye angrepsflater. Modeller kan motta instruksjoner gjennom dokumenter, meldinger, databaser, nettsteder og andre eksterne kilder, noe som skaper muligheter for manipulasjon som tidligere ikke eksisterte på samme måte i tradisjonelle datasystemer.

I 2024 demonstrerte noen forskere eksperimentelt muligheten for å realisere fremkaller selvreplikerende motstandere i stand til å spre seg mellom sammenkoblede generative AI-baserte applikasjoner. Konseptbeviset, kalt Morris II, viste hvordan indirekte hurtiginjeksjonsteknikker kan forårsake ormlignende forplantning og, i visse eksperimentelle arkitekturer, forårsake uønskede handlinger eller informasjonsekfiltrering.

Dette betyr ikke at denne typen ormer allerede sprer seg systematisk på tvers av bedriftssystemer. Det betyr imidlertid at det er påvist en klasse sårbarheter som bør tas på alvor når ulike AI-baserte komponenter kobles sammen og autoriseres til å få tilgang til eksterne data eller verktøy.

For små og mellomstore bedrifter som integrerer generative modeller i sine styrings- og produksjonssystemer, må sikkerhet, dataisolering, inputkontroll, autorisasjonshåndtering og outputovervåking derfor vurderes som arkitekturkomponenter fra designfasen.

Lenge før den nåværende digitale revolusjonen hadde Isaac Asimov allerede brakt problemet med forholdet mellom maskiners autonomi, ansvar og beskyttelse av mennesker inn i fiksjonen gjennom den berømte Tre lover innen robotikk.

Disse formuleringene tilhører science fiction, men de underliggende spørsmålene har blitt konkrete: hvem setter grensene for et system, hvem er ansvarlig for dets feil, hvilke beslutninger kan delegeres, og hvilke garantier må følge med bruken av algoritmer som kan påvirke mennesker?

Det er rundt denne typen spørsmål at regulering og styring av AI utvikles i dag, fra den europeiske forordningen om kunstig intelligens til internasjonale initiativer dedikert til sikkerhet, åpenhet og pålitelighet til modeller.

Produksjon, små og mellomstore bedrifter, digitale fabrikker: myter om bruk uten erstatning

Som leder i en SMB er lærdommen enkel: AI som effektivt kan tas i bruk i dag består hovedsakelig av spesialiserte verktøy. Den kan bidra til å utvikle raskere og mer målrettede salgstilbud, støtte CRM-aktiviteter, forutse feil gjennom prediktivt vedlikehold, optimalisere produksjonssykluser, analysere store mengder data og automatisere deler av kvalitetskontrollen.

Et datasynssystem kan identifisere produksjonsfeil; en prediktiv modell kan oppdage avvik i et anleggs parametere før de fører til feil; generative verktøy kan hjelpe til med å utarbeide dokumentasjon, tilbud og salgskommunikasjon; optimaliseringsalgoritmer kan hjelpe til med produksjonsplanlegging og ressursutplassering.

Dette betyr ikke å ha en generell intelligens som er i stand til å erstatte menneskelig dømmekraft uten å skille. Det betyr snarere å bruke svært kraftige verktøy innenfor definerte oppgaver, data, prosedyrer og ansvarsområder.

Å forstå historien – full av spenning, oppturer og nedturer, gjenfødsler, uventede maskinvareinnovasjoner og nye databehandlingsparadigmer – er det første skrittet mot å omfavne kunstig intelligens med den selvtilliten som trengs for å forvandle den fra et teknologisk løfte til et virkelig nyttig forretningsverktøy.

Humanoide roboter og fysisk AI: Hvordan BMW Group-fabrikken endrer seg

DAMA Tecnopolo: data, superdatamaskiner og kunstig intelligens for ekte innovasjon i Bologna

Liechtenstein og offentlig AI: Ansvarlig innovasjon i Landesverwaltung

Her er tre innsikter som kan interessere deg:

«Multivacs liv og tider» og moderne kunstig intelligens
Generativ AI: Hva det er og hvordan det forandrer oss
Hvordan Dallara og IBM vil bringe AI inn i vindtunnelen