Փորձագիտական արհեստական բանականությունից մինչև արդյունաբերական խնդիրների լուծում
LG-ն իր EXAONE հարթակը ներկայացնում է ոչ թե պարզապես որպես ընդհանուր նշանակության արհեստական բանականության համակարգ, այլ որպես ոլորտային մասնագիտացված մոդելների հավաքածու, որոնք նախատեսված են գիտական, արտադրական և բիզնեսի հատուկ խնդիրներ լուծելու համար։
2026 թվականի LG AI Talk Concert-ի ընթացքում LG AI Research-ը ներկայացրեց իրական արդյունաբերական տվյալների հետ տարիների աշխատանքի արդյունքում մշակված կիրառությունները։ Շեշտը դրված էր գործնական ներդրման վրա՝ փորձարկումների կրճատում, բարդ գործընթացների տվյալների մեկնաբանում, ստուգումների արագացում և որոշումների ընդունման աջակցություն, որոնք ավանդաբար կախված են բարձր մասնագիտացում ունեցող ինժեներներից։
Այս ուղղությունը հատկապես կարևոր է արդյունաբերական ավտոմատացման համար, քանի որ գործարանային բազմաթիվ խնդիրներ պայմանավորված չեն ավտոմատացման սարքավորումների պակասով։ Ավելի մեծ մարտահրավերը հաճախ մեծածավալ և անհամապատասխան գործընթացների տվյալները մեկնաբանելու և այդ տեղեկատվությունը կիրառելի կառավարման կամ ինժեներական որոշումների վերածելու կարողությունն է։
Արհեստական բանականությամբ արագացված դեղամիջոցների հայտնաբերում
Գիտական հետազոտությունների ոլորտում LG AI Research-ը հայտնել է, որ LG H&H-ի հետ համատեղ գնահատել է մոտ 420,000 թեկնածու նյութ և մեկ օրում հայտնաբերել մազաթափության դեմ արդյունավետության թեկնածու Rhamsidil-ը։
Կարևորությունը միայն սքրինինգի արագությունը չէ։ Արհեստական բանականությունը կարող է նվազեցնել անհրաժեշտ ֆիզիկական փորձարկումների քանակը՝ նախքան լաբորատոր ռեսուրսների տրամադրումը նեղացնելով որոնման տիրույթը։ Սա ստեղծում է հետադարձ կապի օղակ, որտեղ հաշվարկային վերլուծությունն ու ֆիզիկական փորձարկումները շարունակաբար ազդում են միմյանց վրա։
LG-ն նաև D&D Pharmatech-ի հետ աշխատում է հաջորդ սերնդի բանավոր պեպտիդային դեղամիջոցների մշակման ուղղությամբ։ EXAONE 4.5-ը ներառվել է նաև Կորեայի Սննդամթերքի և դեղամիջոցների անվտանգության նախարարության նոր դեղամիջոցների վերանայման արհեստական բանականության համակարգում։
Ինքնավար լաբորատորիաները ստեղծում են ինժեներական փակ օղակ
LG-ն մշակում է ինքնավար լաբորատորիա, որտեղ արհեստական բանականությունը վերլուծում է փորձերի արդյունքները, որոշում՝ ինչ պետք է փորձարկել հաջորդիվ, և նախագծում հետագա փորձերը։
Ինժեներական տեսանկյունից սա տեղաշարժ է արհեստական բանականությամբ աջակցվող վերլուծությունից դեպի փակ օղակով օպտիմալացում։ Ֆիքսված փորձարարական հաջորդականությանը հետևելու փոխարեն համակարգը կարող է ընտրել հաջորդ փորձարկումը՝ հիմնվելով նախորդ փորձերից ստացված տեղեկատվության վրա։
Նույն սկզբունքը մեծ նշանակություն ունի նաև արդյունաբերական ավտոմատացման համար։ Արտադրական համակարգը հետագայում կարող է վերլուծել գործընթացի շեղումները, բացահայտել հավանական պատճառները, ընտրել ուղղիչ գործողություն և գնահատել արդյունքը՝ առանց ինժեների կողմից յուրաքանչյուր միջանկյալ քայլի ձեռքով սահմանման։
EXAONE Tabular-ը նախատեսված է գործարանային բարդ տվյալների համար
LG-ի առավել նշանակալի արդյունաբերական մշակումներից մեկը EXAONE Tabular-ն է՝ փորձագիտական հիմքային մոդել, որը նախատեսված է արտադրական գործընթացների պայմանների և որակի վերաբերյալ տեղեկատվության միջև կապերը հասկանալու համար։
Արդյունաբերական գործընթացների տվյալները հազվադեպ են մաքուր լինում։ Սենսորների արժեքները, արտադրական պայմանները, արտադրանքի բնութագրերը և ստուգումների արդյունքները կարող են ժամանակի ընթացքում փոխվել։ Ավանդական մեքենայական ուսուցման համակարգերը կարող են վերաուսուցում պահանջել, երբ փոխվում են արտադրանքի տեսողական բնութագրերը կամ արտադրական պայմանները։
LG-ն նշում է, որ EXAONE Tabular-ը կարող է շարունակել աշխատել գործընթացի կամ արտադրանքի արտաքին տեսքի փոփոխությունների պայմաններում՝ առանց վերաուսուցման, իսկ անհատականացված լրացուցիչ ուսուցումը կարող է ավելի բարելավել դրա արդյունավետությունը։
Սա տեխնիկական կարևոր ուղղություն է։ Իրական գործարաններում մոդելի սպասարկումը կարող է գրեթե նույնքան պահանջկոտ դառնալ, որքան արհեստական բանականության սկզբնական ներդրումը։ Հետևաբար, անհրաժեշտ վերաուսուցման ծավալի նվազեցումը կարող է ավելի արժեքավոր լինել, քան լաբորատոր չափանիշների կատարողականի փոքր բարելավումը։
Արտադրական արհեստական բանականությունը պետք է հարմարվի գործընթացների փոփոխվող պայմաններին
EXAONE Tabular-ը սկզբում կիրառվել է LG Innotek-ի արտադրական տեղամասում և այժմ հետաքրքրություն է առաջացնում դեղագործական ընկերությունների ու հիվանդանոցների շրջանում։ LG-ն հնարավոր կիրառություններ է տեսնում նաև էներգատար գործառնություններում, այդ թվում՝ միջուկային և հիդրոէլեկտրակայաններում։
Այս ոլորտների հիմքում ընկած մարտահրավերը նույնն է՝ գործընթացների պայմանները դինամիկ են, մինչդեռ արդյունաբերական տվյալների հավաքումն ու պիտակավորումը թանկ են։
Ավտոմատացման ինժեներների համար սա նշանակում է, որ առավել օգտակար արդյունաբերական արհեստական բանականության մոդելները պարտադիր չէ, որ լինեն հսկայական տվյալաշարեր պահանջող մոդելները։ Սահմանափակ՝ տեղամասին հատուկ տեղեկատվությունից սովորելու և առկա գործընթացների գիտելիքը ներառելու ունակ մոդելները կարող են ավելի հեշտ ներդրվել արտադրական տարբեր միջավայրերում։
Տեսողական ստուգումը շարժվում է դեպի ինքնավար կարգավորում
LG-ն նաև մշակում է տեսողական ստուգման գործակալ, որը կարող է ինքնավար կերպով իրականացնել տվյալների նմուշառում, պիտակավորում և մոդելի ուսուցում։
Ավանդաբար, արտադրական գիծ նոր արտադրանք ներմուծելիս կարող է պահանջվել պատկերների լայնածավալ հավաքում և պիտակավորում, մինչև ստուգման մոդելը պատրաստ լինի արտադրական կիրառման։ LG-ն նշում է, որ իր մոտեցումը կարող է էապես կրճատել նախապատրաստման այս ժամանակահատվածը։
Ինժեներական արժեքը հստակ է․ ստուգման համակարգերը պետք է հետևեն արտադրանքի տարբերակներին և գործընթացների փոփոխություններին՝ առանց ստիպելու ամեն անգամ զրոյից սկսել մեքենայական տեսողության ամբողջ աշխատանքային գործընթացը, երբ փոխվում է արտադրական կազմաձևը։
Հաջող ներդրման դեպքում տվյալների ինքնավար նախապատրաստումը կարող է կարևոր շերտ դառնալ արդյունաբերական տեսախցիկների և արտադրության կառավարման ավելի բարձր մակարդակի համակարգերի միջև։
Առանձին ռոբոտներից մինչև ինքնավար գործարաններ
LG-ի երկարաժամկետ նպատակը դուրս է գալիս առանձին մեքենաների կամ ռոբոտների ավտոմատացումից։ Ընկերությունն աշխատում է ռոբոտաշինության հիմքային մոդելների և այնպիսի գործարանային ճարտարապետության ուղղությամբ, որտեղ գործարանը կարող է գործել որպես միասնական բանական համակարգ։
Սա հայեցակարգային նշանակալի փոփոխություն է։
Ավանդական ավտոմատացումը գործարանը բաժանում է PLC-ների, շարժաբերների, ռոբոտների, տեսողական համակարգերի, SCADA-ի, MES-ի և կառավարման այլ շերտերի, իսկ դետերմինիստական կառավարումը պահպանվում է ստորին մակարդակներում։ Արհեստական բանականությունն ավելի ու ավելի է ներդրվում այս համակարգերից վեր՝ տվյալները մեկնաբանելու և գործառնությունները օպտիմալացնելու համար։
Հաջորդ փուլը կարող է ներառել արհեստական բանականության կողմից այս շերտերի միջև տեղեկատվության համակարգումը, մինչդեռ դետերմինիստական կարգավորիչները կշարունակեն իրականացնել ժամանակի նկատմամբ զգայուն կառավարման գործառույթները։
Իմ կարծիքով՝ այս տարբերակումը դեռ կարևոր կմնա։ Արհեստական բանականությունը լավ է համապատասխանում կանխատեսման, օպտիմալացման, դասակարգման և որոշումների աջակցության համար, սակայն դետերմինիստական կառավարումը հավանականային մոդելով փոխարինելը ինքնաբերաբար ինժեներական բարելավում չէ։ Ինքնավար գործարանները կպահանջեն հստակ տարանջատում արհեստական բանականության որոշումների ընդունման և անվտանգության կամ ժամանակի նկատմամբ զգայուն կառավարման գործառույթների միջև։
Հիմնական խոչընդոտը տվյալների և ներդրման տնտեսագիտությունն է
LG-ն ընդունում է, որ իրական օբյեկտներից ստացվող արտադրական տվյալները ծավալուն են և դժվար կազմակերպելի։ Պետք է հաշվի առնել նաև GPU-ների սպառումն ու արհեստական բանականության ներդրումից ստեղծվող տնտեսական արժեքը։
Սա հայտարարության ամենագործնական դիտարկումներից մեկն է։ Արդյունաբերական արհեստական բանականության կիրառումը որոշվելու է ոչ միայն մոդելի բանականությամբ։ Ինժեներներն ու արտադրամասերի օպերատորները պետք է հաշվի առնեն նաև տվյալների ձեռքբերումը, սենսորների որակը, ցանցային ճարտարապետությունը, կիբերանվտանգությունը, հաշվողական ռեսուրսները, մոդելի սպասարկումը և արտադրության չափելի օգուտները։
Հետևաբար, LG-ի ջանքերը EXAONE Tabular-ը թեթևացնելու ուղղությամբ ռազմավարական նշանակություն ունեն։ Ավելի քիչ հաշվողական ենթակառուցվածք պահանջող մոդելը հնարավոր է տեղակայել արտադրական սարքավորումներին ավելի մոտ և կիրառել ավելի շատ օբյեկտներում։
Արդյունաբերական արհեստական բանականությունը կանխատեսումից անցնում է գործողության
Ըստ հաղորդագրությունների՝ LG-ի վեցամյա աշխատանքը վերաբերում է ավելի քան 100 բարդ արդյունաբերական խնդիրների։ Ընկերության ներկայիս ուղղությունը վկայում է արդյունաբերական պայմանները բացատրող արհեստական բանականությունից դեպի հաջորդ քայլը որոշող և իրականացնող արհեստական բանականության անցման մասին։
Այս անցումը կպահանջի ավելին, քան պարզապես ավելի մեծ հիմքային մոդելներ։ Այն կպահանջի ինտեգրում PLC-ների, ռոբոտների, արդյունաբերական ցանցերի, տվյալների պատմական շտեմարանների, MES հարթակների, տեսողական համակարգերի և ինժեներական տվյալների բազաների հետ։
Ինքնավար արտադրության ամենաիրատեսական ուղին, հետևաբար, հավանաբար կլինի աստիճանական․ արհեստական բանականությունը սկզբում դիտարկում և վերլուծում է, այնուհետև առաջարկություններ է տալիս, հետո գործում է սահմանված շրջանակներում և, ի վերջո, համակարգում գործարանի մակարդակի ավելի բարդ որոշումներ։
Եզրակացություն
LG-ի EXAONE մշակումները ցույց են տալիս, թե ինչպես է մասնագիտացված արհեստական բանականությունը ցուցադրական նախագծերից անցնում գիտական հետազոտությունների և արդյունաբերական գործառնությունների։ Դեղամիջոցների հայտնաբերումը, ինքնավար լաբորատորիաները, աղյուսակային գործընթացների վերլուծությունն ու տեսողական ստուգումը նույն ավելի լայն հայեցակարգի տարբեր կիրառություններն են՝ արհեստական բանականության միջոցով բարդ համակարգերը հասկանալու և հաջորդ քայլը որոշելու համար անհրաժեշտ ինժեներական ջանքերի նվազեցում։
Արդյունաբերական ավտոմատացման համար ամենակարևոր զարգացումը, թերևս, լիովին ինքնավար գործարանի ի հայտ գալը չէ։ Դա արհեստական բանականության շերտի աստիճանական ստեղծումն է, որն ի վիճակի է հասկանալ գործընթացների փոփոխվող պայմանները՝ միաժամանակ աշխատելով հաստատված դետերմինիստական ավտոմատացման համակարգերի հետ։
Այն ընկերությունները, որոնք հաջողությամբ կհամադրեն այս երկու մոտեցումները, հավանաբար ավելի մեծ գործնական արժեք կստանան, քան նրանք, ովքեր արհեստական բանականությունը դիտարկում են որպես գոյություն ունեցող արդյունաբերական կառավարման ճարտարապետության փոխարինող։
