Промышленные Otonomi: Малые языковые модели и автозащита

Промышленные производственные линии длительное время работают с заданными правилами автоматизации. Однако динамически изменяющиеся политики управления с помощью команд естественного языка делают эту область из корня. Исследование, опубликованное недавно, проводит промышленную отономию с ориентированными на правила моделями малых языков (SLM) и механизмами самокорректировки нескольких агентов. Новый подход обещает более эффективную и точную обработку производственных процессов.

Индустриальный автономный новый период

Выпущено в ArXiv Статья под названием «Контроль замкнутого цикла с выровненными правилами моделями малого языка и самокоррекцией с несколькими агентами» относится к критической вехе на пути к автономности в промышленных операциях. Работа на естественном языке требования агентов искусственного интеллекта Контроль автоматически исследует возможность создания и реструктуризации политики. Этот подход направлен на оптимизацию производственных процессов путем минимизации и устранения вмешательства человека. В статье подчеркивается, что точность сознания растений, особенно цифровых двойников, действия, производимые искусственным интеллектом (ИИ) перед выполнением действий. Задержки экстракции в традиционных системах направлены на прививку от характера моделей малых языков с более быстрой и эффективной работой.

Что такое внутренний контроль и почему это важно?

Управление замкнутым контуром (Closed-loop control) — это принцип, который составляет основу систем автоматизации и управления движением. Эти системы постоянно измеряют выход, сравнивают его с желаемой целью и автоматически применяют корректирующие действия при любом отклонении. Этот механизм обратной связи позволяет системам защищать их точность, повторяемость и искажение, несмотря на фактические мировые условия, такие как изменение нагрузок, смещение температуры или трение. В промышленном контексте эти системы улучшают качество производства, оптимизируют энергоэффективность и повышают стандарты безопасности.

Модернизация малых языковых моделей (SLM)

Малые языковые модели (SLM) — это системы искусственного интеллекта, которые обычно имеют параметр от 100 миллионов до 20 миллиардов. Они требуют меньше ресурсов по сравнению с крупными языковыми моделями, что делает их привлекательными для промышленного применения.

Преимущества:

• Эффективность и низкая задержка: SLM работают быстрее, имеют более низкие эксплуатационные расходы и потребляют энергию с гораздо меньшей мощностью расчета. Эти функции обеспечивают миллисекундное время отклика, особенно в промышленных приложениях в режиме реального времени.

• Edge Computing (вычислительная способность) Смартфоны часто могут работать в автономном режиме на устройствах с ограниченными ресурсами, таких как системы Интернета вещей (IoT), встроенные платформы и промышленные шлюзы. Это гарантирует, что критически важные операции будут поддерживаться в режиме простоя или без остановки в промышленных условиях.

• Безопасность и конфиденциальность: Это предотвращает удаление чувствительных промышленных данных из объекта, позволяя обрабатывать данные локально и снижает риски безопасности.

«Kural-oriented» означает, что SLM создают совместимые политики управления с определенными руководящими принципами и требованиями. Это делает его более успешным в соответствии со строгими промышленными правилами, в отличие от обширных языковых моделей.

Мультиагентные механизмы самокоррекции

Системы с несколькими агентами состоят из нескольких автономных вычислений, которые взаимодействуют для достижения индивидуальных или коллективных целей. Из-за потенциальной ошибки цепей в этих системах способность к самокоррекции имеет решающее значение.

Методы самокоррекции:

• Настроенные критические циклы: Системы производят продукцию, оценивают и регенерируют в соответствии с порогами качества.

• Метабитальные рамки (MASC): Реальное время запускает корректирующий агент, когда ошибка обнаруживается путем неконтролируемого обнаружения ошибок на уровне шага и позволяет исправить информацию перед распространением системы.

• Семантическая маршрутизация и символические руководства: Направление задач на исправление агентов и следование системе необходимый ограничения, которые предусматривают применение строгих правил (например, «пусть будет абсолютно JSON»). Самокорректирующийся цикл запускается, когда эти проводники не спят.

• Самокоррекция (STaSC): SLM позволяет им учиться самокоррекции только с помощью периодических корректировок с использованием собственных данных.

Агенты искусственного интеллекта в автономных промышленных операциях

Умные заводы и промышленная автоматизация, агенты искусственного интеллекта представляют собой переход от надежной автоматизации к интеллектуальным, самоуправляемым системам. Эти агенты могут обнаруживать окружающую среду, анализировать сложные формы, координировать с другими системами и оптимизировать производство без постоянного наблюдения человека. 29% организаций уже используют агентный искусственный интеллект, 44% планируют подать заявку в следующем году. Gartner прогнозирует, что корпоративные программные приложения будут содержать 33% агентного искусственного интеллекта до 2028 года.

Области применения:

• Планирование и планирование производства

• Адаптивный контроль процесса

• Диагностика оборудования и вырез выглядят м

• Оптимизация цепочки поставок u

• Контроль качества и анализ первопричин дома

• Оптимизация энергии в реальном времени

Эти системы обеспечивают возможность повышения эффективности, снижения коэффициентов неисправности, снижения эксплуатационных расходов и принятия лучших решений. Он также предоставляет такие преимущества, как активное решение проблем и изучение информации опытных сотрудников.

Что такое сообщество

Сторонники

Интеграция промышленных автономий SLM, ориентированных на правила, имеет широкую поддержку, поскольку она может значительно повысить эффективность и надежность работы. Сторонники подчеркивают, что особенно SLM отвечают низким задержкам и передовым ИТ-возможностям, критическим требованиям в промышленных приложениях в режиме реального времени. Механизмы самокоррекции с несколькими агентами обеспечивают надежную инфраструктуру, позволяя системам улучшать текст из ошибок даже без вмешательства человека.

Новости

Некоторые эксперты обеспокоены сложностью и первоначальными издержками этих новых подходов. Проблемы интеграции существующих инфраструктур могут создавать препятствия, особенно для организаций со старыми системами. Кроме того, возникают вопросы о возможных этических проблемах и рисках кибербезопасности в процессах автономного принятия решений агентами искусственного интеллекта. При разработке полностью замкнутых систем управления продолжаются дискуссии о долгосрочных последствиях полностью отключенного наблюдения человека.

Часто задаваемые вопросы

Поместят ли ориентированные на правила SLM традиционные системы управления?

Ориентированные на правила SLM обеспечивают дополнительную разработку существующих традиционных систем управления. Они позволят существующим системам стать более гибкими и умными, особенно с возможностью обработки естественного языка и адаптивного обучения. Они могут предложить важное преимущество, особенно если они требуют быстрого реагирования и периферийных вычислений.

Почему так важны цифровые Близнецы?

Цифровые двойники гарантируют, что политики управления и действия, созданные искусственным интеллектом, проверяются на виртуальной модели перед выполнением в реальной среде. Это обеспечивает жизненно важный уровень проверки, который помогает заранее выявить потенциальные ошибки и риски, повысить надежность системы и ускорить процессы оптимизации.

Как эта технология влияет на безопасность производства?

Эта технология имеет потенциал для повышения промышленной безопасности благодаря автоматическому обнаружению и исправлению ошибок. Однако могут также возникнуть новые проблемы безопасности, такие как неожиданное поведение или риски кибератак, которые могут вызвать агенты ИИ. Поэтому важны надежные протоколы безопасности и непрерывная интеграция аудита.

Являются ли малые языковые модели лучше, чем большие языковые модели?

Малые языковые модели не лучше, чем большие языковые модели. SLM могут выполнять превосходную производительность в определенных узких задачах и средах с ограниченными ресурсами (низкая задержка, периферийные вычисления), LLM более успешны в сценариях, требующих сложного понимания языка и общей информации в более обширных задачах. Выбор зависит от конкретных требований заявки.

промышленный автоматизация Будущее формируется, становясь умнее и автономным в искусственном интеллекте. Сочетание замкнутого цикла управления и многократного агента самокорректирующихся механизмов малоязыковых моделей с нормоориентированным, от заводского цеха до цепочки поставок, выводящим возможности эффективности, надежности и адаптации во многих областях на новый уровень. Эти разработки ведут производство не только быстрее, но и умнее и самодостаточностью.