Питер Зорнио, старший вице-президент и технический директор компании Emerson, рассказал порталу ZDNet о том, как объединение генеративного (generative) и числового (numerical) искусственного интеллекта открывает ранее непонятный «черный ящик» ИИ для целого ряда корпоративных функций — с огромными последствиями для производительности и экономии времени.

Традиционный ИИ, получивший развитие в последнее десятилетие, занимается обработкой цифр — поиском закономерностей и прогнозной аналитикой на основе вероятностей. Появившийся недавно генеративный ИИ, который, помимо других многочисленных возможностей, обеспечивает доступ к числовым прогнозам и наблюдениям ИИ, открывая возможности для высокоинтерактивных вербальных запросов.

Как утверждает Зорнио, генеративный ИИ помогает открыть ранее очень туманный «черный ящик» ИИ для целого ряда корпоративных функций и даже может помочь преодолеть разрыв между операционными и информационными технологиями.

По его словам, числовой ИИ и генеративный ИИ представляют собой два конца континуума. Эти два варианта основаны на числовых моделях и моделях на основе языка. Техническая основа двух вариантов ИИ одинакова, но то, как мы с ними работаем, отличается. «Числовые производственные модели основаны на наборах цифр, — объясняет Зорио. — Языковые модели используют наборы данных, основанные на миллиардах документов, изображений и пр.».

Сейчас, по его словам, эти два направления ИИ сближаются, открывая новые сферы для «закулисного» аспекта традиционного ИИ. «Мы видим, как эти два аспекта используются вместе, — говорит Зорнио. — В промышленности мы используем языковые модели как способ взаимодействия с уже имеющимися числовыми моделями. Представьте себе оператора, который говорит что-то вроде: „Эй, компьютер, почему выпуск продукции на этом агрегате замедляется? И что я могу сделать, чтобы это исправить?“».

Это имеет огромное значение для производительности и экономии времени, продолжает он. «Это естественный способ взаимодействия. Именно так вы можете поговорить с экспертом с 30-летним стажем работы в компании, верно? Вы можете спросить Фреда из инженерного отдела: „Что происходит?“. Затем Фред пойдет и посмотрит на все тенденции в производстве, и в конце концов вернется и скажет вам: „Обычно, когда это происходит, у вас происходит загрязнение катализатора. Возможно, вам нужно остановиться и провести регенерацию“».

Человеческий опыт крайне важен, и то, что делает Фред в инженерном деле, — это «использование его модели, которую он построил в своей голове, занимаясь этим оборудованием в течение 30 лет», — говорит Зорнио. Генеративный ИИ подхватывает эту работу, взаимодействуя с числовым ИИ и разговаривая с компьютером так же, как с инженером-экспертом, используя научную дедукцию. Он также способен «просмотреть последние пять лет работы и попытаться найти сценарий, в котором точно такое же стечение обстоятельств приведет к очень похожей производственной картине. И возникнет вопрос: „Ну, что же нам делать?“. На это у Фреда наверняка был бы готов ответ: „В прошлый раз, когда это случилось, мы сделали вот это“. Что сделает ИИ? Он найдет все эти различные сценарии, посмотрит на реакции и скажет вам: „Вот три действия, которые в прошлом дали наилучшие результаты для решения этой проблемы“».

Такой сквозной ИИ-подход предлагает «отличный способ создания системы поддержки продукта, когда вы берете все ваши руководства, все ваши взаимодействия с сотрудниками службы поддержки и помещаете их в систему, которой вы можете задавать вопросы о продукте», — говорит Зорнио.

Применению такого подхода найдется во всех отраслях дискретного и технологического производства, от нефтехимии до автомобилестроения. Возьмите виноделие, которое также может выиграть от сквозного ИИ, отмечает Зорнио. Виноделы с хорошо контролируемыми виноградниками и чанами для хранения могут рассчитывать получить ответы на такие вопросы, как «почему вино этого года оказалось намного лучше, чем прошлогоднее?». ИИ в ответ может проанализировать «ключевые показатели, такие как температура, содержание сахара, кислотность винограда и продолжительность ферментации. Каково состояние почвы? Какова влажность? Сколько было солнца? Сколько было дождей?».

Во многих отраслях ИИ будет выступать в роли помощника — и «отличного способа взаимодействовать и запрашивать имеющиеся у вас модели, — отмечает Зорнио. — Они могут быть более информационными — сгенерированными на основе числовых данных. А также дополненными уточняющими данными из журналов операторов. Ведь каждый раз, когда что-то происходит, операторы записывают это. И если вы введете все эти данные, то сможете спросить: „Где это регистрировалось раньше в журналах операторов?“. Или „Что было сделано для решения проблемы?“».

Это также требует более тесного сотрудничества между двумя организационными сторонами, которые, как правило, разделены — командами операционных и информационных технологий. Это сотрудничество начинается данных. Командам ИТ и ОТ необходимо рационализировать данные «разных форматов, от разных производителей оборудования, — объясняет Зорнио. — Исторически сложилось так, что между этими двумя организациями не было большой любви. Потому что у операционных работников есть свои собственные инструменты, встроенные в систему, чтобы делать все это. И у них очень разные представления о том, как их внедрять и использовать. Некоторые, более просвещенные, пытаются обеспечить бóльшую интеграцию, но в целом необходимо наладить более тесное сотрудничество между ними».

Вот почему, по его мнению, «необходимо разработать архитектуру, которая позволит данным более плавно перемещаться из мира OT в мир ИT и обратно. Особенно если мы говорим об использовании систем ИИ, которые могут находиться в облаке. Это будут какие-то языковые ИИ-модели, с которыми все будут взаимодействовать».