Ekspert süni intellektdən sənaye problemlərinin həllinə
LG EXAONE platformasını sadəcə ümumi təyinatlı süni intellekt sistemi kimi deyil, konkret elmi, istehsal və biznes problemlərini həll etmək üçün hazırlanmış sahə üzrə ixtisaslaşmış modellər toplusu kimi təqdim edir.
2026-cı il LG AI Talk Concert tədbirində LG AI Research real sənaye məlumatları ilə illərlə aparılmış iş nəticəsində hazırlanmış tətbiqləri təqdim etdi. Əsas diqqət praktik tətbiqə yönəlmişdi: təcrübələrin sayının azaldılması, mürəkkəb proses məlumatlarının şərhi, yoxlamaların sürətləndirilməsi və ənənəvi olaraq yüksək ixtisaslaşmış mühəndislərdən asılı olan qərarların dəstəklənməsi.
Bu istiqamət sənaye avtomatlaşdırması üçün xüsusilə əhəmiyyətlidir, çünki bir çox zavod problemləri avtomatlaşdırma avadanlığının çatışmazlığından yaranmır. Əsas çətinlik çox vaxt böyük həcmdə uyğunsuz proses məlumatlarını şərh etmək və bu məlumatları icra edilə bilən idarəetmə və ya mühəndislik qərarlarına çevirmək bacarığıdır.
Süni intellektlə sürətləndirilmiş dərman kəşfi
Elmi tədqiqatlar sahəsində LG AI Research bildirib ki, LG H&H ilə əməkdaşlıq çərçivəsində təxminən 420 000 namizəd maddəni qiymətləndirib və saç tökülməsinə qarşı effektivliyə malik Rhamsidil namizədini bir gün ərzində müəyyən edib.
Əhəmiyyət yalnız skrininqin sürətində deyil. Süni intellekt laboratoriya resursları cəlb edilməzdən əvvəl axtarış məkanını daraltmaqla tələb olunan fiziki təcrübələrin sayını azalda bilər. Bu, hesablama təhlili ilə fiziki təcrübələrin bir-birinə davamlı təsir göstərdiyi əks əlaqə dövrü yaradır.
LG həmçinin yeni nəsil ağızdan qəbul edilən peptid dərmanlarının hazırlanması üzrə D&D Pharmatech ilə işləyir. EXAONE 4.5, Koreyanın Qida və Dərman Təhlükəsizliyi Nazirliyində yeni dərmanların qiymətləndirilməsi üzrə süni intellekt sisteminə də inteqrasiya edilib.
Avtonom laboratoriyalar qapalı mühəndislik dövrü yaradır
LG süni intellektin təcrübə nəticələrini təhlil etdiyi, növbəti mərhələdə nəyin sınaqdan keçirilməli olduğunu müəyyən etdiyi və sonrakı təcrübələri hazırladığı avtonom laboratoriya inkişaf etdirir.
Mühəndislik baxımından bu, süni intellektlə dəstəklənən təhlildən qapalı dövrəli optimallaşdırmaya keçidi ifadə edir. Sabit təcrübə ardıcıllığını izləmək əvəzinə, sistem əvvəlki təcrübələrdən əldə olunan məlumatlara əsasən növbəti sınağı seçə bilər.
Eyni prinsip sənaye avtomatlaşdırması üçün də ciddi əhəmiyyət daşıyır. İstehsal sistemi proses sapmalarını təhlil edə, ehtimal olunan səbəbləri müəyyənləşdirə, düzəldici tədbir seçə və mühəndisin hər bir aralıq mərhələni əl ilə müəyyən etməsinə ehtiyac olmadan nəticəni qiymətləndirə bilər.
EXAONE Tabular mürəkkəb zavod məlumatlarını hədəfləyir
LG-nin daha əhəmiyyətli sənaye inkişaflarından biri istehsal prosesinin şərtləri ilə keyfiyyət məlumatları arasındakı əlaqələri anlamaq üçün hazırlanmış ekspert təməl modeli EXAONE Tabular-dır.
Sənaye proses məlumatları nadir hallarda təmiz olur. Sensor göstəriciləri, istehsal şərtləri, məhsul xüsusiyyətləri və yoxlama nəticələri zamanla dəyişə bilər. Məhsulların vizual xüsusiyyətləri və ya istehsal şərtləri dəyişdikdə ənənəvi maşın öyrənməsi sistemləri yenidən təlim tələb edə bilər.
LG bildirir ki, EXAONE Tabular proses və ya məhsul görünüşündəki dəyişikliklər zamanı yenidən təlimə ehtiyac olmadan işləməyə davam edə bilər; fərdiləşdirilmiş əlavə təlim isə onun fəaliyyətini daha da yaxşılaşdıra bilər.
Bu, mühüm texniki istiqamətdir. Real zavodlarda modelin texniki xidməti ilkin süni intellekt tətbiqi qədər çətin ola bilər. Buna görə də tələb olunan yenidən təlimin həcmini azaltmaq laboratoriya sınaqlarında cüzi performans artımından daha dəyərli ola bilər.
İstehsal süni intellekti dəyişən proses şərtlərinə uyğunlaşmalıdır
EXAONE Tabular ilkin olaraq LG Innotek-in istehsal sahəsində tətbiq edilib və hazırda əczaçılıq şirkətləri ilə xəstəxanaların marağını cəlb edir. LG həmçinin nüvə və hidroelektrik obyektlər də daxil olmaqla enerji tutumlu əməliyyatlarda potensial tətbiqlər görür.
Bu sahələrin hamısında əsas çətinlik eynidir: proses şərtləri dinamikdir, sənaye məlumatlarının toplanması və etiketlənməsi isə baha başa gəlir.
Avtomatlaşdırma mühəndisləri üçün bu o deməkdir ki, ən faydalı sənaye süni intellekt modelləri mütləq nəhəng məlumat dəstləri tələb edən modellər olmayacaq. Məhdud sayda obyektə xas məlumatlardan öyrənə bilən və mövcud proses biliklərini nəzərə alan modelləri müxtəlif istehsal mühitlərində tətbiq etmək daha asan ola bilər.
Vizual yoxlama avtonom konfiqurasiyaya doğru irəliləyir
LG həmçinin məlumatların nümunə götürülməsini, etiketlənməsini və model təlimini avtonom şəkildə həyata keçirə bilən vizual yoxlama agenti inkişaf etdirir.
Ənənəvi olaraq istehsal xəttinə yeni məhsulun əlavə edilməsi yoxlama modelinin istehsalda istifadəyə hazır olması üçün geniş həcmdə şəkil toplanmasını və etiketlənməsini tələb edə bilər. LG bildirir ki, onun yanaşması bu hazırlıq müddətini əhəmiyyətli dərəcədə azalda bilər.
Mühəndislik baxımından fayda aydındır: istehsal konfiqurasiyası hər dəfə dəyişdikdə bütün maşın görməsi iş prosesini yenidən başlatmadan yoxlama sistemləri məhsul variantlarına və proses dəyişikliklərinə uyğunlaşmalıdır.
Uğurla tətbiq edilərsə, avtonom məlumat hazırlığı sənaye kameraları ilə daha yüksək səviyyəli istehsalın icra sistemləri arasında mühüm təbəqəyə çevrilə bilər.
Ayrı-ayrı robotlardan avtonom zavodlara
LG-nin uzunmüddətli məqsədi ayrı-ayrı maşınların və ya robotların avtomatlaşdırılmasından daha genişdir. Şirkət robototexnika təməl modelləri və zavodun inteqrasiya olunmuş intellekt kimi fəaliyyət göstərə biləcəyi zavod arxitekturası üzərində işləyir.
Bu, əhəmiyyətli konseptual dəyişiklikdir.
Ənənəvi avtomatlaşdırma zavodu PLC-lərə, ötürücülərə, robotlara, görmə sistemlərinə, SCADA-ya, MES-ə və digər idarəetmə təbəqələrinə bölür; deterministik idarəetmə isə aşağı səviyyələrdə qalır. Məlumatları şərh etmək və əməliyyatları optimallaşdırmaq üçün süni intellekt getdikcə bu sistemlərin üzərində tətbiq edilir.
Növbəti mərhələ süni intellektin bu təbəqələr arasında məlumatları əlaqələndirməsini, deterministik kontrollerlərin isə zamana həssas idarəetmə funksiyalarını yerinə yetirməyə davam etməsini nəzərdə tuta bilər.
Mənim fikrimcə, bu fərq vacib olaraq qalacaq. Süni intellekt proqnozlaşdırma, optimallaşdırma, təsnifat və qərar dəstəyi üçün uyğundur, lakin deterministik idarəetmənin ehtimallı modellə əvəzlənməsi avtomatik olaraq mühəndislik baxımından təkmilləşmə demək deyil. Avtonom zavodlar süni intellektlə qərarvermə ilə təhlükəsizlik və ya zamana həssas idarəetmə funksiyaları arasında aydın sərhəd tələb edəcək.
Əsas maneə məlumatlar və tətbiqin iqtisadiyyatıdır
LG real obyektlərdən əldə olunan istehsal məlumatlarının geniş həcmdə olduğunu və təşkilinin çətinlik yaratdığını qəbul edir. GPU istifadəsi və süni intellekt tətbiqinin yaratdığı iqtisadi dəyər də nəzərə alınmalıdır.
Bu, elanın ən praktik müşahidələrindən biridir. Sənaye süni intellektinin mənimsənilməsi yalnız modelin intellekt səviyyəsi ilə müəyyənləşməyəcək. Mühəndislər və zavod operatorları məlumatların toplanmasını, sensorların keyfiyyətini, şəbəkə arxitekturasını, kibertəhlükəsizliyi, hesablama resurslarını, modelə texniki xidməti və ölçülə bilən istehsal faydalarını da nəzərə almalıdırlar.
Bu səbəbdən LG-nin EXAONE Tabular-ı yüngül etməyə yönəlmiş səyləri strateji baxımdan əhəmiyyətlidir. Daha az hesablama infrastrukturu tələb edən model potensial olaraq istehsal avadanlığına daha yaxın yerləşdirilə və daha çox obyektdə istifadə oluna bilər.
Sənaye süni intellekti proqnozlaşdırmadan fəaliyyətə keçir
LG-nin altı illik səyləri barədə bildirilir ki, bu müddətdə 100-dən çox mürəkkəb sənaye problemi həll edilib. Şirkətin hazırkı istiqaməti sənaye şəraitini izah edən süni intellektdən növbəti addımı müəyyənləşdirə və icra edə bilən süni intellektə keçidi göstərir.
Bu keçid daha böyük təməl modellərdən artığını tələb edəcək. PLC-lər, robotlar, sənaye şəbəkələri, verilənlər tarixçələri, MES platformaları, görmə sistemləri və mühəndislik məlumat bazaları ilə inteqrasiya lazım olacaq.
Bu səbəbdən avtonom istehsala gedən ən real yol, ehtimal ki, mərhələli olacaq: süni intellekt əvvəlcə müşahidə edir və təhlil edir, sonra tövsiyə verir, daha sonra müəyyən edilmiş sərhədlər daxilində fəaliyyət göstərir və sonda getdikcə daha mürəkkəb zavod səviyyəli qərarları əlaqələndirir.
Nəticə
LG-nin EXAONE üzrə inkişafları ixtisaslaşmış süni intellektin nümayişlərdən kənara çıxaraq elmi tədqiqat və sənaye əməliyyatlarına daxil olduğunu göstərir. Dərman kəşfi, avtonom laboratoriyalar, cədvəl əsaslı proses intellekti və vizual yoxlama eyni daha geniş konsepsiyanın müxtəlif tətbiqləridir: mürəkkəb sistemləri anlamaq və növbəti addımın nə olacağını müəyyənləşdirmək üçün tələb olunan mühəndislik səylərini azaltmaq məqsədilə süni intellektdən istifadə.
Sənaye avtomatlaşdırması üçün ən mühüm inkişaf tam avtonom zavodun yaranması deyil. Daha vacib məqam mövcud deterministik avtomatlaşdırma ilə birlikdə işləyərək dəyişən proses şərtlərini anlaya bilən süni intellekt təbəqəsinin tədricən yaradılmasıdır.
Bu iki yanaşmanı uğurla birləşdirən şirkətlərin süni intellekti mövcud sənaye idarəetmə arxitekturasının əvəzedicisi kimi görən şirkətlərdən daha çox praktiki dəyər əldə etməsi ehtimalı yüksəkdir.
