Generativna umetna inteligenca obeta postati ena najbolj prelomnih tehnologij v zadnjih desetletjih.
Razmislite, kako lahko ChatGPT s samo pozivom napiše vse, od pesmi do kompleksnih člankov o skoraj katerikoli tematiki. Še bolj presenetljivo je, da lahko orodja AI, kot je MidJourney, ustvarijo zapletene slike, ki posnemajo slog slavnega umetnika, iz le peščice besed.
Te platforme vzbujajo pomisleke, da bi lahko nadomestile ne samo pisatelje, umetnike in glasbenike, ampak celo inženirje. Navsezadnje ChatGPT ne piše le esejev. Lahko zagotovi programsko kodo v različnih programskih jezikih. Obstajajo tudi vprašanja o zaupanju. Ali lahko verjamemo v točnost in etičnost teh sistemov?
Toda ChatGPT, veliki jezikovni modeli in druge generativne platforme UI lahko spremenijo našo interakcijo s tehnologijo in zagotovijo inovativne rešitve za naše najbolj pereče težave. Ali nam lahko umetna inteligenca pomaga najti nova zdravila za bolezni, zmanjšati porabo odpadkov in energije ter nas osvoboditi številnih vsakdanjih rutin, ki absorbirajo naše vsakodnevno delovno življenje?
Generativni AI bo zagotovo vplival na tovarne in druge industrijske operacije. To bi lahko spremenilo način, kako kopljemo po svojih podatkih. Predstavljajte si, da se s svojim digitalnim dvojčkom pogovarjate na enak način, kot postavljate vprašanja kolegu. Kaj pa, če bi lahko prosili umetno inteligenco, da naredi prvi korak pri oblikovanju robotske celice za vašo tovarno? To je le del potenciala, ki ga lahko umetna inteligenca sprosti v proizvodnji.
Kratek pregled generativne Umetne Inteligence
Glede na ChatGPT se »umetna inteligenca nanaša na široko področje ustvarjanja strojev, ki lahko izvajajo naloge, ki običajno zahtevajo človeško inteligenco … Generativni umetni inteligenci je podmnožica umetne inteligence, ki se osredotoča na ustvarjanje strojev, ki lahko ustvarjajo izvirne in ustvarjalne rezultate …«
Kot taka generativna umetna inteligenca ni nova tehnologija. Eliza, eden od zgodnjih predhodnikov ChatGPT, je bil zgodnji računalniški program za obdelavo naravnega jezika, ki ga je med letoma 1964 in 1966 na MIT razvil Joseph Weizenbaum. Samo vnesite vprašanje in Eliza bo ponudila odgovor.
Z inženirskega vidika so računalniki že od samega začetka pisali kodo iz pozivov. Prevajalnik na primer vzame besede in jih pretvori v bite, ki jih stroj razume. Ko pa je podjetje Texas Instruments predstavilo prvi prevajalnik digitalnega signalnega procesorja (DSP), ki temelji na C, so programerji opazili velik premik v načinu pisanja kode.
Kompleksnost notranjih odvisnosti cevovoda DSP je dosegla točko, ko je lahko prevajalnik C dosledno ustvaril učinkovitejšo kodo, kot bi jo lahko oseba, in v veliko krajšem času. Obstaja veliko drugih primerov generativne umetne inteligence v inženirstvu.
Pomembna točka tukaj je, zakaj je generativna umetna inteligenca danes velika stvar. Nenadoma računalniki namesto pomoči ljudem pri ustvarjanju pisnih kopij, slik in kode navidezno opravljajo skoraj celotno delo. To je privedlo do velikega premika v ustvarjalnem procesu od ukazovanja računalniku, »kako« naj nekaj naredi, do tega, da mu poveste, »kaj« želite narediti. Namesto pisanja dejanskih besed lahko ChatGPT poveste, kakšno vrsto besedila želite napisati. Namesto risanja črt lahko MidJourneyj orodju poveste, kakšna naj bo slika.
In kmalu boste morda lahko povedali robotu ali delu stroja, kaj želite, da naredi, namesto da bi morali programirati vsak korak v procesu oblikovanja.
Nadzor
Umetna inteligenca je v mnogih pogledih namenjena odkrivanju vzorcev in njihovemu ponavljanju. Čeprav lahko ChatGPT napiše pesem, pesmi dejansko ne razume. Prav tako MidJourney ne ve, kaj riše. To je ena glavnih omejitev generativne umetne inteligence: platforma ne ve, kaj je ustvarila in ali je to, kar je ustvarila, natančno ali resnično.
Vzemimo primer CNET-a, ki uporablja generativno umetno inteligenco za pisanje člankov. Več člankov, ustvarjenih z AI, je zahtevalo znatne popravke. Težava je v tem, da je CNET objavil članke, ne da bi jih prej pregledal. In to je temelj uporabe generativne umetne inteligence, oz. pravilo št. 1, če želite: Ne uporabljajte le tega, kar ustvari generativna umetna inteligenca. Potrebujete osebo, pogosto strokovnjaka, ki bo pregledala rezultat in potrdila, da ustreza predvidenemu namenu.
Eden od načinov razmišljanja o tem je domneva, da lahko generativna umetna inteligenca opravi dober del dela, morda pa ne vsega. Ne glede na to, ali vas umetna inteligenca pripelje do 60 %, 85 % ali celo 99 % poti, odvisno od aplikacije, boste še vedno želeli sami potrditi in preveriti rezultat. Na primer, če je rezultat koda, mora programer opraviti ta pregled.
To pomeni, da ljudje ne bodo kmalu zamenjani. Hkrati pa umetna inteligenca že bistveno spreminja način ustvarjanja, oblikovanja in dela.
Koevolucija ljudi in umetne inteligence
Holger Kenn, direktor poslovne strategije za umetno inteligenco in nastajajoče tehnologije pri Microsoftu, govori o »koevoluciji med tem, kar počne umetna inteligenca, in tem, kar velja za človeško sposobnost. Ko tehnologija umetne inteligence napreduje, to posledično spreminja naš način razmišljanja o tem, kaj lahko ljudje naredijo.«
Če to postavimo v kontekst, so digitalni umetniki nekoč ustvarjali slike z ustvarjanjem oblik ali manipulacijo drugih slik. Z MidJourney lahko digitalni umetniki zdaj začnejo ustvarjati sliko z “risanjem” s pozivom, kjer uporabijo besedni opis željene slike. To je podobno temu, kar počne umetniški direktor. Ta umetniku naroči, naj ustvari sliko in umetnik jo ustvari.
Pri generativni UI umetnik na začetku prevzame vlogo umetniškega direktorja tako, da UI pove, kaj naj ustvari (prek poziva). Nato umetnik dokonča delo.
Podobne spremembe lahko pričakujemo tudi v procesu industrijske proizvodnje.
Generativna UI v industrijski proizvodnji
Razmislite o zasnovi robota. Vodilni inženir definira, kaj mora robot narediti, inženirska ekipa pa to definicijo uresniči.
Z generativno umetno inteligenco pa bo ekipa lahko začela načrtovati tako, da bo umetni inteligenci povedala, kaj naj naredi robot, namesto da začne s podrobnostmi oblikovanja na nizki ravni. Umetna inteligenca bo nato zagotovila zasnovo, ki jo bo ekipa najprej preverila in nato nadgradila, da bi ustvarila končnega robota.
Nismo še tam. Ta vrsta generativne zasnove robotske celice je še vedno daleč, vendar se orodja za načrtovanje hitro razvijajo na način, ki bo inženirjem omogočil delo na višji ravni, medtem ko UI izdeluje podrobnosti na nižji ravni.
Predvidoma bodo prva večja področja, na katera bo generativna umetna inteligenca vplivala, oblikovanje, uporabniški vmesniki in ustvarjanje kode. Eden od dejavnikov, ki je prispeval k nenadnemu vzponu generativne tehnologije umetne inteligence, je obdelava naravnega jezika. Preprosto povedano, obdelava naravnega jezika omogoča osebi, da se poveže z računalnikom z uporabo celih stavkov, tako kot bi govorili z drugo osebo.
Razmislite o uporabi digitalnih dvojčkov danes. Digitalni dvojčki so virtualni model vaše proizvodne linije ali vašega obrata – morda celo vaše celotne dobavne verige, ki zrcali, kako ti procesi delujejo v resničnem svetu.
Tehnologije, kot so digitalni dvojčki in baze podatkov, predstavljajo strukturo in shranjevanje podatkov proizvodnih sistemov. So zelo uporabni, če poznate domeno, v kateri so strukturirani.
Če želite danes pridobiti podatke iz svojega digitalnega dvojčka – ali ga uporabiti za preizkušanje novega postopka – boste potrebovali strokovnjaka, ki bo namesto vas sodeloval z modelom. To je podobno kot ustvarjanje spletne strani. Če ne razumete orodij, mora spletni strokovnjak prevzeti vašo vsebino in ustvariti stran namesto vas.
Z generativno umetno inteligenco, bodo nestrokovnjaki lahko komunicirali z digitalnimi dvojčki z uporabo naravnega jezika. Z drugimi besedami, nestrokovnjaki bodo lahko povedali UI, kaj se želijo naučiti, podobno kot bi povedali strokovnjaku. Tukaj je veliko prednosti.
Ker se bodo uporabniki lahko pogovarjali naravno, bo izkušnja bolj interaktivna in intuitivna. Prav tako bodo lahko napredovali veliko hitreje.
Ta zadnja prednost je pomembna. Oblikovanje pogosto zahteva ietrativen pristop, kjer vsak korak oblikovanja zagotavlja vpoglede, ki vplivajo na naslednji korak. Razvoj iteracij je lahko drag v smislu stroškov in časa izvedbe.
Predstavljajte si ponavljanje tovarniške postavitve. Človek potrebuje čas, da dokonča vsako postavitev, jo nato oceni in se odloči za naslednjo ponovitev. Ekipe so lahko tudi omejene glede števila osebja ali ur, ki jih lahko posvetijo določenemu projektu.
Z generativno umetno inteligenco je mogoče iteracije znatno pospešiti. Oseba opiše, kaj se zahteva, UI pa ustvari digitalnega dvojčka, potencialno celo več teh, od katerih je vsak osredotočen na optimizacijo drugega dejavnika. Dvojčke je mogoče oceniti. Nato lahko UI poveste, kako naj izboljša ali spremeni vsakega dvojčka.
Postopek je podoben temu, kako bi vodilni inženir usmerjal ekipo k oblikovanju naslednje ponovitve. Razlika je v tem, da je UI lahko hitrejša, raziskuje več možnih rešitev in to počne toliko časa, kolikor želite.
Generiranje kode je pomembna zmožnost, ki ne bo le pomagala oblikovalcem pri izgradnji boljših sistemov, temveč tudi pomagala vzdrževati obstoječe sisteme in zmanjšati tehnični dolg podjetij. Generiranje kode spremeni človeški besedni opis v sredstvo za razvoj.
Prefinjenost in razsodnost
Ponovno velja omeniti, da lahko v obeh primerih uporabe generativna umetna inteligenca verjetno zagotovi dober rezultat, vendar ne takšnega, ki bi ga lahko takoj prenesli v proizvodnjo. Prilagodljivost in hitrost procesa, izboljšanega z AI, omogoča človeški ekipi, da hitreje doseže boljši rezultat.
Še en način kako razmišljati o tem: Generativna umetna inteligenca bo inženirjem omogočila, da se osredotočijo na izboljšanje dizajnov, namesto da bi jih ustvarjali iz nič. Ti inženirji imajo strokovno znanje in izkušnje, da ugotovijo, kaj je uporabno in pravilno — in kaj ne.
Današnji modeli nimajo vgrajenega razumevanja resničnega sveta. Obstajajo določene stvari, ki jih ljudje razumemo, na primer minevanje časa, ki se nam zdijo trivialne. Generativni model UI bo te koncepte poznal le kot vzorce. Poznajo števila, ne poznajo pa seštevanja.
Sčasoma se bo umetna inteligenca naučila izpopolniti lastne rezultate in tako zagotoviti boljše rezultate. Na primer, prejšnje različice MidJourney so včasih narisale ljudi s preveč zobmi. Trenutni modeli so izboljšali svoje rezultate, da bi to popravili. Zobje so bili prepoznani kot težava in izdelan je bil strokovni model za reševanje te težave.
V tovarniški avtomatizaciji bomo sčasoma videli tako razvijajoče se izboljšave. Na primer, izraza, kot sta “stojalo” in “krmilnik”, imata različne pomene, odvisno od konteksta. Namesto ustvarjanja novega splošnega modela za vsak kontekst bi lahko glavni model AI dosegel strokovni model, ki zagotavlja potreben kontekst.
Ta koncept “strokovnega modela” se razširi na še bolj zapletene interakcije.
Razmislite o vprašanju umetne inteligence: ‘Kakšna je trenutna izkoriščenost moje tovarne?’ To vprašanje ne zahteva splošnega odgovora. Zato se mora umetna inteligenca obrniti na digitalnega dvojčka, da dobi odgovor.
Podjetja bodo lahko delala na podlagi temeljnega modela, takšnega, ki podpira obdelavo naravnega jezika za vmesnik, in nato prek strokovnih modelov pridobila strokovno znanje na področju, ki ga potrebujejo.
Tukaj je preprost primer tega v akciji. Predstavljajte si, da imate pokvarjen del s 3-polnim priključkom, ki ga morate zamenjati. Morda ga bo težko najti v katalogu, če še ne veste, kaj je. Zdaj pa si predstavljajte, da bi lahko narisali del ali posneli sliko in da bi AI poiskal del namesto vas. Kot bi imeli pomočnika, ki bi opravljal dolgočasna in po nepotrebnem zamudna dela.
Upravljanje uvajanja umetne inteligence
Tradicionalno industrijski proizvajalci počasi uvajajo nove tehnologije avtomatizacije. Čeprav je umetna inteligenca zanimiva, raje pustijo glavnim igralcem, da jo sprejmejo in dokažejo. Ko uvedejo UI, to storijo s “Top-Down” pristopom (od zgoraj navzdol). Verjetno pa so posamezniki v podjetju odkrili vrednost, ki jo generativna umetna inteligenca prinaša reševanju problemov. In mnogi med njimi ga bodo že začeli uporabljati na delovnem mestu.
Generativna umetna inteligenca lahko podjetju prinese izjemno vrednost. Vendar ima tudi svoje pomanjkljivosti, na katere se morate pripraviti. Tukaj je nekaj stvari, na katere morate biti pozorni:
- Računalnik ima vedno prav: nekateri ljudje računalniški izpis obravnavajo kot resnico. Čeprav lahko umetna inteligenca reši veliko težav, ni vedno pravilna. Na primer, ChatGPT je bil modeliran z uporabo podatkov iz interneta. Vse napake – katerih je na spletu veliko – so del ChatGPT in potencialno del njegovega rezultata. Uporabniki se morajo zavedati, da je rezultat dober, vendar ne popoln.
- Angleška kraljica je živa in zdrava: če vprašate ChatGPT 3.0, to drži, saj je to bilo res v času ko je UI model nastal. Modeli, ki so v času fiksni in statični, tvegajo, da bodo izgubili svojo relevantnost. Na primer, če se oprema premakne v tovarno, bo digitalni dvojček netočen, dokler ga ne posodobite. Potrebovali boste načrt za posodabljanje ključnih modelov, kar lahko vključuje uporabo nastajajočih zmogljivosti modela kot storitve.
- Prej je delovalo…: Hkrati ne želite, da se modeli spreminjajo vsak dan. To uvaja povsem drug nabor možnih težav, na primer, da se nekaj, kar je delovalo, nenadoma pokvari.
- Jezik ni vaš podatek: »Moč modelov UI ni v informacijah, ki jih vsebujejo. Namesto tega gre za zmožnost dostopa do teh informacij prek jezika. Če ohranite jezikovni model ločen od informacijskih modelov, do katerih vam omogoča dostop, lahko nenehno izboljšujete enostavnost, s katero lahko uporabniki uporabljajo UI.
- Mislil sem …: Industrijski sistemi bodo izkoristili modele, zgrajene na tehničnih bazah podatkov. To pomeni, da bodo imeli določeni izrazi sobesedilne pomene, ki se razlikujejo od pomenov v naravnem jeziku. Vdelava je informacijsko gosta predstavitev dobesednega pomena dela besedila. Skratka, vdelave zagotavljajo močan način za razširitev modela naravnega jezika v kontekst specifične industrijske aplikacije.
Prihodnost industrijske proizvodnje
Obstaja velika priložnost za UI in druge inovacije v industrijski proizvodnji. Glavna ovira za sprejetje je monetizacija takšnih inovacij. Roboti bodo sčasoma prevzeli tovarno, vendar je do zdaj še niso, ker je izdelava delovnih robotov še vedno izjemno težka. Prednosti nove tehnologije morajo upravičiti naložbo. Z generativno umetno inteligenco bi lahko videli znatno nižje naložbe v inovacije.
Eno od področij, kjer lahko generativna umetna inteligenca veliko ponudi, so uvedbe opuščenih območij, območje, ki je običajno polno tehničnih dolgov. Prizadevanje, da bi oseba ustvarila programsko in strojno opremo, ki bi nadomestila starejši analogni stroj, verjetno ni vredno stroškov.
Generativna umetna inteligenca ne bo nadomestila ljudi. Namesto tega povečuje njihove zmogljivosti in jim omogoča, da naredijo več in hitreje. In so pri tem ustvarjalnejši in inovativnejši.
Inovacija proces ustvarjanja novih idej, izdelkov ali procesov, ki so novi, uporabni in dragoceni. Vsekakor bo generativna umetna inteligenca prinesla veliko dobrih, uporabnih idej. Toda kako lahko sistem, ki ne razume, kaj ustvarja, oceni, ali je določena ideja nova, uporabna in dragocena? In kako ugotovite, katere od teh neštetih idej – čeprav so morda tehnično izvedljive – preprosto niso vredne ukrepanja?
Še vedno potrebujemo strokovni kader, da bi razumeli, česar generativna umetna inteligenca ne more.