„Pramoninis dirbtinis intelektas yra daugelio išsivysčiusių šalių, tokių, kaip Vokietija ir Japonija, dirbtinio intelekto strategijų pagrindinis komponentas. Jis sukuria didelę ekonominę pridėtinę vertę, pavyzdžiui, autonominių transporto priemonių, logistikos centrų automatizavimo, tiekimo grandinės ir transporto planavimo bei prognozuojamos mašinų priežiūros srityse.
Pramoninis dirbtinis intelektas iš esmės skiriasi nuo didelių kalbos modelių (LLM), kurie šiandien plačiai naudojami daugelyje komercinių ir privačių programų. Šie modeliai pirmiausia apmokomi, naudojant didelius kiekius, viešai prieinamų, interneto duomenų.
Kita vertus, pramoninis dirbtinis intelektas negali pasikliauti tokiais bendriniais duomenų šaltiniais. Jis priklauso nuo labai specifinių, aukštos kokybės ir dažnai retų duomenų, generuojamų pramonės aplinkoje – duomenų, kurių nė viena įmonė neturi pakankamai.
Pramoniniai duomenys yra ne tik riboto prieinamumo, bet ir dažnai labai jautrūs, nes juose yra verslui svarbios informacijos. Be to, tam tikri įvykiai, pavyzdžiui, mašinų gedimai, pasitaiko retai, nors jie yra būtini galingų prognozavimo modelių mokymui.
Be to, pramonės aplinka nuolat vystosi. Mašinos modernizuojamos, procesai pritaikomi, o išorinės sąlygos keičiasi. Dirbtinio intelekto modeliai todėl turi būti nuolat tobulinami, siekiant išvengti našumo mažėjimo, vadinamojo „modelio dreifo“.
Pramoninio dirbtinio intelekto galimybės yra milžiniškos. Tačiau jo sėkmė mažiau priklauso nuo tolesnės algoritminės pažangos, nei nuo prieigos prie aukštos kokybės, konkrečiai sričiai skirtų duomenų.
Vienos įmonės duomenų paprastai nepakanka patikimiems pramoninio dirbtinio intelekto modeliams sukurti.
Vienas pavyzdys – nuspėjamoji pramoninių mašinų priežiūra: gamintojas gali rinkti veikimo duomenis iš savo arba savo klientų įrangos. Tačiau šis duomenų rinkinys dažnai yra per mažas arba per homogeniškas, kad būtų galima apmokyti labai patikimus modelius. Retus gedimus, skirtingas veikimo sąlygas arba konkrečiai pramonei taikomus reikalavimus galima užfiksuoti, tik sujungus duomenis iš kelių organizacijų.
Tai sukuria esminę prielaidą: įmonės turi bendradarbiauti ekosistemose ir dalytis duomenimis viena su kita. Būtent čia prasideda abejonės.
Duomenų savininkų požiūriu, dalijimasis neapdorotais duomenimis gali reikšti kontrolės praradimą ir komercinių paslapčių atskleidimo riziką. Pavyzdžiui, įmonės baiminasi, kad konkurentai galėtų padaryti išvadas apie gamybos neefektyvumą ar gedimų modelius.
Prie to prisideda ir netikrumas, susijęs su reguliavimo sistemomis. Nors tokie įstatymai kaip Duomenų įstatymas, Dirbtinio intelekto įstatymas ir Duomenų valdymo įstatymas skirti teikti gaires, praktikoje jie dažnai sukelia dar didesnį nenorą, nes daugelis įmonių nėra tikros, ar jos visiškai atitinka visus tuos reikalavimus.
Todėl pramoninių dirbtinio intelekto modelių mokymui būdingas esminis interesų konfliktas: viena vertus, dėl duomenų iš įvairių šaltinių ir įvairių suinteresuotųjų šalių bendradarbiavimas yra būtinas. Kita vertus, įmonės nenoriai atskleidžia savo vertingus duomenų išteklius.
Duomenų erdvės siūlo šios dilemos sprendimą. Jos leidžia keistis pramoniniais duomenimis ir kartu skatina pasitikėjimą pramoninių duomenų ekosistemose. Pagrindinė idėja yra ta, kad duomenys lieka savininkui ir vis tiek gali būti naudojami aiškiai apibrėžtomis sąlygomis. Užuot centralizuotai saugojusios neapdorotus duomenis, duomenų erdvės leidžia tiesiogiai ir kontroliuojamai keistis duomenimis tarp dalyvių.
Svarbus technologinis metodas šiame kontekste yra federacinis mokymasis. Taikant šį metodą, duomenys nepalieka savo vietinės aplinkos. Vietoj to, dirbtinio intelekto modeliai mokomi decentralizuotai, o į duomenų centrą siunčiami tik modelio parametrai arba atnaujinimai. Centrinė instancija perduoda duomenis. Tai leidžia mokytis bendradarbiaujant, neatskleidžiant neskelbtinos informacijos. Duomenų erdvės taip pat sukuria architektūrą, kuri skiria „valdymo plokštumą“ ir „duomenų plokštumą“. Nors valdymo plokštuma apibrėžia prieigos teises, valdymą taisyklių ir naudojimo gairių pagrindu duomenų plokštuma organizuoja faktinį duomenų mainus. Šis atskyrimas suteikia lankstumo ir tuo pačiu skatina pasitikėjimą bei reguliavimo tikrumą.
Šioje sistemoje galima išskirti tris bendradarbiaujančio dirbtinio intelekto formas: kelių suinteresuotųjų šalių bendras dirbtinio intelekto modelių kūrimas, pavyzdžiui, taikant federalinį mokymąsi; išorinių duomenų naudojimas tarp organizacijų, siekiant patobulinti esamus modelius; ir nepriklausomų dirbtinio intelekto agentų bendradarbiavimas, kai jie keičiasi įžvalgomis, nesidalindami neapdorotais duomenimis.
Derindami šiuos metodus, duomenų erdvės leidžia užtikrinti keičiamą masteliį ir patikimą bendradarbiavimą, peržengiant įmonių ribas.
Nepaisant akivaizdžios naudos, duomenų erdvių diegimas vyksta lėtai. Tam yra kelios praktinės priežastys: pirma, daugelis įmonių vis dar susiduria su sunkumais, valdydamos vidinius duomenis. Duomenys yra atskirose saugyklose, jų kokybė skiriasi ir reikia daug pastangų, kad būtų galima pasiruošti dirbtinio intelekto programoms.
Antra, pati duomenų kokybė yra pagrindinis veiksnys. Prastos kokybės duomenys ne tik kenkia dirbtinio intelekto modelių veikimui, bet ir kelia didelę riziką, ypač tokiose saugumui svarbiose srityse, kaip gamyba ar autonominės sistemos.
Trečia, valdymas išlieka jautria tema. Nors duomenų erdvės siūlo mechanizmus naudojimo taisyklėms apibrėžti, dalyvaujančios šalys pirmiausia turi susitarti dėl bendrų standartų. Tam reikia pasitikėjimo ir koordinavimo – ir tai toli gražu nėra trivialu.
Prie to prisideda ir dažnai nepakankamai įvertinamas ekonominis aspektas. Duomenys yra vertingas išteklius. Tie, kurie prisideda prie bendro modelio duomenimis, nori suprasti, kaip šis indėlis virsta verte – geresnių modelių, finansinės grąžos ar strateginių pranašumų forma.
Todėl iššūkis nėra vien technologinis: sėkmingam įgyvendinimui reikia suderinti technologijas, teisines ir organizacines sistemas bei ekonominių skatinimo sistemas.
Ilgalaikėje perspektyvoje tikslas – sukurti išmanias duomenų ekosistemas, kurios leistų visapusiškai skaitmeniniu būdu atvaizduoti realų pasaulį. Šios ekosistemos bus pagrįstos, tarpusavyje susijusiais, skaitmeniniais turto, procesų ir tiekimo grandinių dvyniais, sudarydamos sąlygas nuolat keistis duomenimis tarp organizacijų ribų.
Šios raidos išskirtinis bruožas yra perėjimas nuo linijinio prie žiedinio mąstymo: tradiciniai verslo procesai laikosi aiškių sekų su apibrėžtais pradžios ir pabaigos taškais, o ateities duomenimis pagrįstos sistemos veikia nuolatiniuose grįžtamojo ryšio cikluose. Duomenys nuolat generuojami, bendrinami ir pakartotinai naudojami, siekiant nuolat tobulinti procesus ir sprendimus. Šis žiedinis požiūris taikomas tiek fiziniams procesams, tokiems, kaip išteklių efektyvumas ir pakartotinis naudojimas, tiek skaitmeniniams procesams, kai duomenys nuolat grįžta į dirbtinio intelekto modelius ir sprendimų priėmimo sistemas.
Borisas Otto yra pramoninio informacijos valdymo profesorius TU Dortmundo universitete ir Fraunhoferio programinės įrangos ir sistemų inžinerijos instituto ISST direktorius.
Takahide Matsutsuka yra atsakingas už pažangiausių technologijų duomenų erdvių srityje tyrimus ir plėtrą „Fujitsu Research“. [1]
Ar Kinija plėtoja panašų judėjimą?
Taip, Kinija agresyviai siekia panašaus ir, ko gero, labiau valstybės valdomo judėjimo, oficialiai įvardindama duomenis, kaip pagrindinį „gamybos veiksnį“ kartu su darbu, žeme, kapitalu ir technologijomis.
Užuot griežtai pasikliovęs decentralizuotomis europietiško stiliaus duomenų erdvėmis (pvz., „Gaia-X“), Pekinas įsteigė Nacionalinę duomenų administraciją, kad sukurtų vieningus nacionalinius duomenų standartus, prekybos rinkas ir tarpsektorinį pramonės telkimą.
Pagrindiniai Kinijos pramoninių duomenų ir dirbtinio intelekto strategijos elementai
• Duomenys kaip gamybos veiksnys: duomenų pavertimas pamatiniu ekonominiu turtu, skirtu išmaniajai gamybai, autonominėms sistemoms ir fiziniam dirbtiniam intelektui.
• „DI + gamybos“ veiksmų planai: koordinuojami Pramonės ir informacinių technologijų ministerijos (MIIT), siekiant sujungti pramoninį internetą su pažangiu dirbtiniu intelektu dešimtyse tūkstančių įmonių.
• Nacionaliniai duomenų mainai: regioninių duomenų prekybos centrų kūrimas tokiuose miestuose, kaip Šanchajus ir Šendženas, kad būtų galima platinti patentuotus pramonės, transporto ir gamybos duomenų rinkinius.
• Fizinio ir įkūnyto dirbtinio intelekto dėmesys: pasitelkiant didžiulį gamyklų grindų automatizavimo ir robotikos tankį, siekiant surinkti realaus pasaulio, jutiklio lygio duomenis, kurių Vakarų vartotojų žiniatinklio modeliai negali lengvai atkartoti.
Pagrindiniai Amerikos dirbtinio intelekto kūrėjai (Samas Altmanas ir Dario Amodei) vysto kitokią sistemą.
Jie kuria uždarus DI modelius, neleidžia juos pritaikyti pačioms įmonėms lokaliai, naudodamiesi žmonių išsilavinimo trūkumu ir tariamu pavojumi, kurį neva tai, tik jų pačių nekontroliuojamas, DI kelia žmonijai. Jie kuria, įsilaužiančius į kitų įmonių DI, agentus. Tokiu būdu jie tikisi pavogti visų pasaulio įmonių verslo paslaptis, sukurti tuo pagrindu galingą DI, pasinaudoti šio DI efektyvumu ir išstumti visas pasaulio įmones iš rinkos. Tada liktų tik dvi amerikietiškos įmonės pasaulyje, kurios galėtų ramiai sau rinkti duomenis ir toliau vystyti DI.
Kritikai dažnai kaltina Altmaną ir Amodei naudojantis „baimės faktoriumi“. Yra nuomonė, kad kalbomis apie „egzistencinį pavojų žmonijai“ ir periodišku DI agentų-įsilaužėlių išleidimu šie didieji žaidėjai siekia išprovokuoti valstybių reguliavimą (griežtus įstatymus), kuris uždėtų per didelę naštą mažiems startuoliams ir kitoms DI įmonėms ir taip apsaugotų šių didžiųjų žaidėjų rinkos dalį. Tai vadinama „regulatory capture“ (reguliavimo užvaldymu).
Jei šiems dviems veikėjams jų planas pavyks, duomenų rinkimo DI apmokymui problema bus išspręsta grynai amerikietiškai, privačių kompanijų dėka, be europietiškų kooperatyvų ir kiniškos valdžios dalyvavimo.
1. Datenräume: Der Schlüssel zur industriellen KI. Frankfurter Allgemeine Zeitung; Frankfurt. 01 June 2026: 18. Von Boris Otto und Takahide Matsutsuka
Komentarų nėra:
Rašyti komentarą