No ekspertu MI līdz industriālo problēmu risināšanai
LG pozicionē savu EXAONE platformu nevis vienkārši kā vispārējas nozīmes MI sistēmu, bet gan kā domēnam specializētu modeļu kopumu, kas izstrādāts konkrētu zinātnisku, ražošanas un uzņēmējdarbības problēmu risināšanai.
2026. gada LG MI sarunu konferencē LG AI Research prezentēja lietojumus, kas izstrādāti vairāku gadu darbā ar reāliem industriālajiem datiem. Uzsvars tika likts uz praktisku ieviešanu: eksperimentu skaita samazināšanu, sarežģītu procesa datu interpretēšanu, pārbaudes paātrināšanu un tādu lēmumu atbalstīšanu, kuri tradicionāli balstās uz ļoti specializētu inženieru zināšanām.
Šis virziens ir īpaši nozīmīgs saistībā ar industriālo automatizāciju, jo daudzas rūpnīcu problēmas nerada automatizācijas aparatūras trūkums. Lielāks izaicinājums bieži ir spēja interpretēt lielu daudzumu nekonsekventu procesa datu un pārvērst šo informāciju praktiski īstenojamos vadības vai inženiertehniskos lēmumos.
MI paātrina zāļu atklāšanu
Zinātniskās pētniecības jomā LG AI Research ziņoja, ka sadarbībā ar LG H&H vienas dienas laikā izvērtēja aptuveni 420 000 kandidātvielu un identificēja matu izkrišanas ārstēšanai paredzēto kandidātvielu Rhamsidil.
Nozīme nav tikai pārbaudes ātrumā. MI var samazināt nepieciešamo fizisko eksperimentu skaitu, sašaurinot meklēšanas telpu pirms laboratorijas resursu izmantošanas. Tādējādi veidojas atgriezeniskā saite, kurā skaitļošanas analīze un fiziskie eksperimenti nepārtraukti ietekmē cits citu.
LG sadarbojas arī ar D&D Pharmatech pie nākamās paaudzes perorālo peptīdu zāļu izstrādes. EXAONE 4.5 ir papildus integrēts jaunās paaudzes zāļu izvērtēšanas MI sistēmā Korejas Pārtikas un zāļu drošuma ministrijā.
Autonomās laboratorijas veido slēgtu inženiertehnisko ciklu
LG izstrādā autonomu laboratoriju, kurā MI analizē eksperimentu rezultātus, nosaka, kas jāpārbauda tālāk, un izstrādā nākamos eksperimentus.
No inženiertehniskā viedokļa tas nozīmē pāreju no MI atbalstītas analīzes uz slēgta cikla optimizāciju. Tā vietā, lai ievērotu fiksētu eksperimentu secību, sistēma potenciāli var izvēlēties nākamo pārbaudi, pamatojoties uz iepriekšējos eksperimentos iegūto informāciju.
Tam pašam principam ir būtiska nozīme industriālajā automatizācijā. Ražošanas sistēma nākotnē varētu analizēt procesa novirzes, noteikt iespējamos cēloņus, izvēlēties koriģējošu darbību un izvērtēt rezultātu, neprasot inženierim manuāli definēt katru starpposmu.
EXAONE Tabular ir paredzēts sarežģītiem rūpnīcu datiem
Viens no nozīmīgākajiem LG industriālajiem risinājumiem ir EXAONE Tabular — pamata ekspertu modelis, kas izstrādāts, lai izprastu sakarības starp ražošanas procesa apstākļiem un kvalitātes informāciju.
Industriālie procesa dati reti ir tīri. Sensoru vērtības, ražošanas apstākļi, izstrādājumu raksturlielumi un pārbaudes rezultāti laika gaitā var mainīties. Tradicionālajām mašīnmācīšanās sistēmām var būt nepieciešama atkārtota apmācība, kad mainās izstrādājumu vizuālās īpašības vai ražošanas apstākļi.
LG norāda, ka EXAONE Tabular var turpināt darboties, mainoties procesam vai izstrādājuma izskatam, bez atkārtotas apmācības, savukārt pielāgota papildu apmācība var vēl vairāk uzlabot tā veiktspēju.
Tas ir nozīmīgs tehniskais virziens. Reālās rūpnīcās modeļa uzturēšana var kļūt gandrīz tikpat prasīga kā sākotnējā MI ieviešana. Tāpēc nepieciešamības pēc atkārtotas apmācības samazināšana var būt vērtīgāka par nelielu laboratorijas etalonu veiktspējas uzlabojumu.
Ražošanas MI ir jāpielāgo mainīgiem procesa apstākļiem
EXAONE Tabular sākotnēji tika izmantots LG Innotek ražotnē, un tagad tas piesaista farmācijas uzņēmumu un slimnīcu interesi. LG saskata potenciālus lietojumus arī energoietilpīgās nozarēs, tostarp kodolenerģijas un hidroelektrostacijās.
Pamatizaicinājums visās šajās nozarēs ir kopīgs: procesa apstākļi ir dinamiski, savukārt industriālo datu apkopošanas un marķēšanas izmaksas ir augstas.
Automatizācijas inženieriem tas nozīmē, ka visnoderīgākie industriālā MI modeļi ne vienmēr būs tie, kuriem nepieciešamas milzīgas datu kopas. Modeļus, kas spēj mācīties no ierobežotas, konkrētai ražotnei raksturīgas informācijas, vienlaikus izmantojot esošās procesa zināšanas, varētu būt vieglāk ieviest vairākās ražošanas vidēs.
Optiskā pārbaude virzās uz autonomu konfigurēšanu
LG izstrādā arī optiskās pārbaudes aģentu, kas autonomi var veikt datu paraugu atlasi, marķēšanu un modeļa apmācību.
Tradicionāli jauna izstrādājuma ieviešanai ražošanas līnijā var būt nepieciešama plaša attēlu apkopošana un marķēšana, pirms pārbaudes modelis ir gatavs izmantošanai ražošanā. LG norāda, ka tā pieeja var būtiski saīsināt šo sagatavošanās periodu.
Inženiertehniskais ieguvums ir skaidrs: pārbaudes sistēmām ir jāspēj sekot izstrādājumu variantiem un procesa izmaiņām, neliekot ikreiz no jauna sākt visu mašīnredzes darba procesu, kad mainās ražošanas konfigurācija.
Ja autonomā datu sagatavošana tiks veiksmīgi ieviesta, tā varētu kļūt par nozīmīgu slāni starp industriālajām kamerām un augstāka līmeņa ražošanas izpildes sistēmām.
No atsevišķiem robotiem līdz autonomām rūpnīcām
LG ilgtermiņa mērķis sniedzas tālāk par atsevišķu iekārtu vai robotu automatizāciju. Uzņēmums strādā pie robotikas pamata modeļiem un rūpnīcas arhitektūras, kurā ražotne varētu darboties kā integrēts intelekts.
Tās ir būtiskas konceptuālas pārmaiņas.
Tradicionālā automatizācija sadala ražotni PLC, piedziņās, robotu, redzes sistēmu, SCADA, MES un citos vadības slāņos, zemākajos līmeņos saglabājot deterministisku vadību. MI arvien biežāk tiek ieviests virs šīm sistēmām, lai interpretētu datus un optimizētu darbību.
Nākamais posms varētu ietvert MI informācijas koordinēšanu starp šiem slāņiem, kamēr deterministiskie kontrolleri turpina apstrādāt laika ziņā kritiskās vadības funkcijas.
Manuprāt, šī atšķirība arī turpmāk būs svarīga. MI ir labi piemērots prognozēšanai, optimizācijai, klasifikācijai un lēmumu atbalstam, taču deterministiskas vadības aizstāšana ar varbūtisku modeli automātiski nenozīmē inženiertehnisku uzlabojumu. Autonomām rūpnīcām būs nepieciešama skaidra nošķiršana starp MI lēmumu pieņemšanu un drošībai vai laikam kritiskām vadības funkcijām.
Galvenais šķērslis ir datu un ieviešanas ekonomika
LG atzīst, ka ražošanas dati no reālām ražotnēm ir plaši un grūti organizējami. Jāņem vērā arī GPU patēriņš un MI ieviešanas radītā ekonomiskā vērtība.
Šis ir viens no praktiskākajiem paziņojuma secinājumiem. Industriālā MI ieviešanu nenoteiks tikai modeļa intelekts. Inženieriem un ražotņu operatoriem jāņem vērā arī datu ieguve, sensoru kvalitāte, tīkla arhitektūra, kiberdrošība, skaitļošanas resursi, modeļa uzturēšana un izmērāmi ražošanas ieguvumi.
Tāpēc LG centieni padarīt EXAONE Tabular vieglu ir stratēģiski nozīmīgi. Modeli, kuram nepieciešama mazāka skaitļošanas infrastruktūra, potenciāli var ieviest tuvāk ražošanas iekārtām un izmantot vairākās ražotnēs.
Industriālais MI pāriet no prognozēšanas uz rīcību
Tiek ziņots, ka LG sešu gadu darbs ir aptvēris vairāk nekā 100 sarežģītu industriālo problēmu. Uzņēmuma pašreizējais virziens liecina par pāreju no MI, kas izskaidro industriālos apstākļus, uz MI, kas spēj noteikt un īstenot nākamo soli.
Šādai pārejai būs nepieciešams vairāk nekā lielāki pamata modeļi. Būs nepieciešama integrācija ar PLC, robotiem, industriālajiem tīkliem, datu vēstures sistēmām, MES platformām, redzes sistēmām un inženiertehniskajām datubāzēm.
Tāpēc reālākais ceļš uz autonomu ražošanu, visticamāk, būs pakāpenisks: vispirms MI novēro un analizē, pēc tam sniedz ieteikumus, tad darbojas noteiktās robežās un visbeidzot koordinē arvien sarežģītākus lēmumus visas ražotnes līmenī.
Secinājums
LG EXAONE attīstība parāda, kā specializētais MI iziet ārpus demonstrāciju stadijas un nonāk zinātniskajā pētniecībā un industriālajā darbībā. Zāļu atklāšana, autonomās laboratorijas, tabulārā procesa inteliģence un optiskā pārbaude ir dažādi viena plašāka koncepta lietojumi: MI izmantošana, lai samazinātu inženiertehnisko darbu, kas nepieciešams sarežģītu sistēmu izpratnei un nākamās darbības noteikšanai.
Industriālās automatizācijas jomā svarīgākais sasniegums var nebūt pilnībā autonomas rūpnīcas izveide. Tas drīzāk ir pakāpenisks MI slāņa veidošanas process, kurš spēj izprast mainīgus procesa apstākļus, vienlaikus sadarbojoties ar izveidotu deterministisko automatizāciju.
Uzņēmumi, kas veiksmīgi apvienos šīs abas pieejas, visticamāk, iegūs lielāku praktisko vērtību nekā tie, kuri MI uzskata par esošās industriālās vadības arhitektūras aizstājēju.
