Dari AI Ahli hingga Pemecahan Masalah Industri
LG memosisikan platform EXAONE bukan sekadar sebagai sistem AI serbaguna, melainkan sebagai kumpulan model khusus domain yang dirancang untuk menyelesaikan masalah ilmiah, manufaktur, dan bisnis tertentu.
Pada LG AI Talk Concert 2026, LG AI Research mempresentasikan aplikasi yang dikembangkan melalui kerja bertahun-tahun dengan data industri nyata. Penekanannya adalah penerapan praktis: mengurangi eksperimen, menafsirkan data proses yang kompleks, mempercepat inspeksi, dan mendukung keputusan yang secara tradisional bergantung pada insinyur dengan keahlian sangat khusus.
Arah ini sangat relevan bagi otomasi industri karena banyak masalah pabrik bukan disebabkan oleh kurangnya perangkat keras otomasi. Tantangan yang lebih besar sering kali adalah kemampuan untuk menafsirkan sejumlah besar data proses yang tidak konsisten dan mengubah informasi tersebut menjadi keputusan pengendalian atau rekayasa yang dapat ditindaklanjuti.
Penemuan Obat yang Dipercepat AI
Dalam penelitian ilmiah, LG AI Research melaporkan bahwa pihaknya bekerja sama dengan LG H&H untuk mengevaluasi sekitar 420.000 zat kandidat dan mengidentifikasi kandidat berkhasiat untuk mengatasi kerontokan rambut, Rhamsidil, dalam satu hari.
Signifikansinya bukan sekadar kecepatan penyaringan. AI dapat mengurangi jumlah eksperimen fisik yang diperlukan dengan mempersempit ruang pencarian sebelum sumber daya laboratorium digunakan. Hal ini menciptakan lingkar umpan balik ketika analisis komputasional dan eksperimen fisik terus memengaruhi satu sama lain.
LG juga bekerja sama dengan D&D Pharmatech dalam pengembangan obat peptida oral generasi berikutnya. EXAONE 4.5 juga telah diintegrasikan ke dalam sistem AI untuk peninjauan obat baru di Kementerian Keamanan Pangan dan Obat Korea.
Laboratorium Otonom Menciptakan Lingkar Rekayasa Tertutup
LG sedang mengembangkan laboratorium otonom yang memungkinkan AI menganalisis hasil eksperimen, menentukan hal yang harus diuji berikutnya, dan merancang eksperimen selanjutnya.
Dari perspektif rekayasa, hal ini menandai pergeseran dari analisis berbantuan AI menuju optimalisasi lingkar tertutup. Alih-alih mengikuti urutan eksperimen yang tetap, sistem berpotensi memilih pengujian berikutnya berdasarkan informasi yang diperoleh dari eksperimen sebelumnya.
Prinsip yang sama memiliki implikasi besar bagi otomasi industri. Sistem produksi pada akhirnya dapat menganalisis penyimpangan proses, mengidentifikasi kemungkinan penyebab, memilih tindakan korektif, dan mengevaluasi hasilnya tanpa mengharuskan insinyur menentukan setiap langkah perantara secara manual.
EXAONE Tabular Menargetkan Data Pabrik yang Kompleks
Salah satu perkembangan industri LG yang lebih penting adalah EXAONE Tabular, model fondasi ahli yang dirancang untuk memahami hubungan antara kondisi proses manufaktur dan informasi kualitas.
Data proses industri jarang bersih. Nilai sensor, kondisi produksi, karakteristik produk, dan hasil inspeksi dapat berubah seiring waktu. Sistem pembelajaran mesin konvensional mungkin memerlukan pelatihan ulang ketika karakteristik visual produk atau kondisi produksi berubah.
LG menyatakan bahwa EXAONE Tabular dapat terus beroperasi ketika terjadi perubahan pada proses atau tampilan produk tanpa pelatihan ulang, sementara pelatihan tambahan yang disesuaikan dapat semakin meningkatkan kinerjanya.
Ini merupakan arah teknis yang penting. Di pabrik nyata, pemeliharaan model dapat menjadi hampir sama menuntutnya dengan penerapan AI awal. Oleh karena itu, mengurangi kebutuhan pelatihan ulang mungkin lebih berharga daripada mencapai peningkatan marginal dalam kinerja tolok ukur laboratorium.
AI Manufaktur Harus Beradaptasi dengan Perubahan Kondisi Proses
EXAONE Tabular awalnya diterapkan di fasilitas manufaktur LG Innotek dan kini menarik minat perusahaan farmasi serta rumah sakit. LG juga melihat potensi penerapan dalam operasi yang intensif energi, termasuk fasilitas nuklir dan pembangkit listrik tenaga air.
Tantangan mendasarnya sama di berbagai sektor tersebut: kondisi proses bersifat dinamis, sementara biaya pengumpulan dan pelabelan data industri tinggi.
Bagi insinyur otomasi, hal ini berarti model AI industri yang paling berguna belum tentu model yang membutuhkan kumpulan data sangat besar. Model yang mampu belajar dari informasi spesifik lokasi yang terbatas sambil memanfaatkan pengetahuan proses yang sudah ada mungkin lebih mudah diterapkan di berbagai lingkungan produksi.
Inspeksi Visual Bergerak Menuju Konfigurasi Otonom
LG juga mengembangkan agen inspeksi visual yang dapat melakukan pengambilan sampel data, pelabelan, dan pelatihan model secara otonom.
Secara tradisional, memperkenalkan produk baru ke lini manufaktur dapat memerlukan pengumpulan dan pelabelan gambar secara ekstensif sebelum model inspeksi siap digunakan dalam produksi. LG menyatakan bahwa pendekatannya dapat mengurangi masa persiapan ini secara signifikan.
Nilai rekayasanya jelas: sistem inspeksi harus mengikuti variasi produk dan perubahan proses tanpa memaksa seluruh alur kerja visi mesin dimulai ulang setiap kali konfigurasi produksi berubah.
Jika berhasil diterapkan, persiapan data otonom dapat menjadi lapisan penting antara kamera industri dan sistem eksekusi manufaktur tingkat lebih tinggi.
Dari Robot Individual hingga Pabrik Otonom
Tujuan jangka panjang LG melampaui otomasi mesin atau robot individual. Perusahaan ini sedang mengembangkan model fondasi robotika dan arsitektur pabrik yang memungkinkan pabrik beroperasi sebagai satu kecerdasan terpadu.
Ini merupakan perubahan konseptual yang signifikan.
Otomasi tradisional membagi pabrik menjadi PLC, drive, robot, sistem visi, SCADA, MES, dan lapisan kendali lainnya, dengan kendali deterministik tetap berada di tingkat bawah. AI semakin banyak diperkenalkan di atas sistem-sistem ini untuk menafsirkan data dan mengoptimalkan operasi.
Tahap berikutnya mungkin melibatkan AI yang mengoordinasikan informasi di seluruh lapisan tersebut, sementara pengendali deterministik terus menangani fungsi kendali yang sensitif terhadap waktu.
Menurut saya, pembedaan ini akan tetap penting. AI sangat sesuai untuk prediksi, optimalisasi, klasifikasi, dan dukungan keputusan, tetapi mengganti kendali deterministik dengan model probabilistik tidak otomatis merupakan peningkatan rekayasa. Pabrik otonom memerlukan pemisahan yang jelas antara pengambilan keputusan oleh AI dan fungsi kendali yang kritis terhadap keselamatan atau waktu.
Hambatan Utamanya Adalah Ekonomi Data dan Penerapan
LG mengakui bahwa data manufaktur dari fasilitas nyata sangat banyak dan sulit ditata. Konsumsi GPU dan nilai ekonomi yang dihasilkan oleh penerapan AI juga harus dipertimbangkan.
Ini merupakan salah satu pengamatan paling praktis dari pengumuman tersebut. Adopsi AI industri tidak hanya ditentukan oleh kecerdasan model. Insinyur dan operator pabrik juga harus mempertimbangkan akuisisi data, kualitas sensor, arsitektur jaringan, keamanan siber, sumber daya komputasi, pemeliharaan model, dan manfaat produksi yang terukur.
Oleh karena itu, upaya LG untuk membuat EXAONE Tabular lebih ringan memiliki relevansi strategis. Model yang membutuhkan infrastruktur komputasi lebih sedikit berpotensi diterapkan lebih dekat ke peralatan produksi dan digunakan di lebih banyak fasilitas.
AI Industri Bergerak dari Prediksi menuju Tindakan
Upaya LG selama enam tahun dilaporkan telah menangani lebih dari 100 masalah industri yang sulit. Arah LG saat ini menunjukkan peralihan dari AI yang menjelaskan kondisi industri menuju AI yang dapat menentukan dan menjalankan langkah berikutnya.
Peralihan ini memerlukan lebih dari sekadar model fondasi yang lebih besar. Hal ini membutuhkan integrasi dengan PLC, robot, jaringan industri, historian, platform MES, sistem visi, dan basis data rekayasa.
Oleh karena itu, jalur paling realistis menuju manufaktur otonom kemungkinan bersifat bertahap: AI terlebih dahulu mengamati dan menganalisis, kemudian memberikan rekomendasi, lalu beroperasi dalam batas yang ditentukan, dan pada akhirnya mengoordinasikan keputusan tingkat pabrik yang semakin kompleks.
Kesimpulan
Perkembangan EXAONE dari LG menunjukkan bagaimana AI khusus bergerak melampaui demonstrasi dan memasuki penelitian ilmiah serta operasi industri. Penemuan obat, laboratorium otonom, kecerdasan proses tabular, dan inspeksi visual merupakan penerapan berbeda dari konsep yang lebih luas: menggunakan AI untuk mengurangi upaya rekayasa yang diperlukan guna memahami sistem kompleks dan menentukan hal yang harus terjadi berikutnya.
Bagi otomasi industri, perkembangan terpenting mungkin bukan hadirnya pabrik yang sepenuhnya otonom. Perkembangan itu adalah terciptanya lapisan AI secara bertahap yang mampu memahami perubahan kondisi proses sambil bekerja berdampingan dengan otomasi deterministik yang sudah ada.
Perusahaan yang berhasil menggabungkan kedua pendekatan ini kemungkinan akan memperoleh nilai praktis yang lebih besar daripada perusahaan yang memperlakukan AI sebagai pengganti arsitektur kendali industri yang sudah ada.
