برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
در مسابقه برای اجرای هوش مصنوعی در سراسر عملیات تجاری ، بسیاری از شرکت ها کشف می کنند که مدل های با هدف عمومی اغلب با کارهای تخصصی صنعتی که نیاز به دانش عمیق دامنه و استدلال پی در پی دارند ، می جنگند.
در حالی که تنظیم دقیق و بازیابی نسل افزوده (RAG) می تواند کمک کند ، این اغلب برای موارد استفاده پیچیده مانند زنجیره تأمین کافی نیست. این یک چالش است که Startup Articul8 به دنبال حل آن است. امروز ، این شرکت مجموعه ای از مدل های هوش مصنوعی خاص دامنه را برای تولید زنجیره های تأمین به نام A8-Supplychain آغاز کرد. مدل های جدید با ModelMesh Articul8 همراه هستند ، که یک لایه ارکستراسیون پویا با استفاده از AI عامل است که تصمیمات در زمان واقعی را می گیرد که در مورد مدل های هوش مصنوعی برای انجام کارهای خاص استفاده می شود.
Articul8 ادعا می کند که مدل های آن به دقت 92 ٪ در گردش کار صنعتی دست می یابند ، و از مدل های هوش مصنوعی با هدف عمومی در کارهای استدلال پی در پی پیچیده استفاده می کنند.
Articul8 به عنوان یک تیم توسعه داخلی در داخل اینتل آغاز شد و در سال 2024 به عنوان یک تجارت مستقل از بین رفت. این فناوری از کار در اینتل پدید آمد ، جایی که این تیم قبل از اینکه Chatgpt حتی راه اندازی شود ، مدل های Multimodal AI را برای مشتریان ، از جمله گروه مشاوره بوستون ساخته و مستقر کرده است.
این شرکت بر روی یک فلسفه اصلی ساخته شده است که خلاف بسیاری از رویکرد فعلی بازار به شرکت هوش مصنوعی است.
Arun Subramaniyan ، مدیرعامل و بنیانگذار Articul8 در مصاحبه اختصاصی به VentureBeat گفت: “ما بر اساس این باور اصلی ساخته شده ایم که هیچ مدل واحدی شما را به نتایج شرکت ها نمی رساند ، شما واقعاً به ترکیبی از مدل ها احتیاج دارید.” “شما به مدلهای خاص دامنه نیاز دارید تا در واقع موارد استفاده پیچیده در صنایع تنظیم شده مانند هوافضا ، دفاع ، تولید ، نیمه هادی ها یا زنجیره تأمین را انجام دهید.”
چالش زنجیره تأمین AI: وقتی توالی و زمینه موفقیت یا عدم موفقیت را تعیین می کنند
زنجیره های تولیدی و عرضه صنعتی چالش های منحصر به فرد هوش مصنوعی را ارائه می دهند که مدلهای هدف عمومی برای رسیدگی به موثر تلاش می کنند. این محیط ها شامل فرآیندهای پیچیده چند مرحله ای است که در آن دنباله ، منطق انشعاب و وابستگی متقابل بین مراحل بسیار مهم است.
Subramaniyan توضیح داد: “در دنیای زنجیره تأمین ، اصل اصلی اصلی همه چیز است. “همه چیز یک دسته از مراحل مرتبط است ، و مراحل گاهی اوقات ارتباط دارند و بعضی اوقات آنها نیز به تعویق می افتند.”
به عنوان مثال ، می گویند یک کاربر در تلاش است موتور جت را جمع کند ، اغلب کتابچه راهنمای مختلفی وجود دارد. هر یک از کتابچه ها حداقل چند صد ، اگر نه چند هزار نفر ، مراحل لازم را به صورت توالی انجام می دهند. این اسناد فقط اطلاعات استاتیک نیستند – آنها به طور مؤثر داده های سری زمانی که فرآیندهای متوالی را نشان می دهند که دقیقاً باید دنبال شوند. Subramaniyan استدلال می کند که مدلهای جنرال هوش مصنوعی ، حتی اگر با تکنیک های بازیابی تقویت شوند ، اغلب در درک این روابط زمانی ناکام هستند.
این نوع استدلال پیچیده – مسیریابی به عقب از طریق روشی برای شناسایی محل وقوع خطایی – یک چالش اساسی را نشان می دهد که مدلهای کلی به سادگی برای رسیدگی ساخته نشده اند.
ModelMesh: یک لایه هوش پویا ، نه فقط یک ارکستر دیگر
در قلب فناوری Articul8 ModelMesh است که فراتر از چارچوب های ارکستراسیون مدل معمولی است تا آنچه را که این شرکت به عنوان “عامل نمایندگان” برای کاربردهای صنعتی توصیف می کند ، ایجاد کند.
Subramaniyan توضیح داد: “ModelMesh در واقع یک لایه اطلاعاتی است که به تصمیم گیری و ارزیابی و ارزیابی چیزها در حالی که مانند یک قدم به طور همزمان گذشته می روند ، متصل می شود.” “این چیزی است که ما مجبور شدیم کاملاً از ابتدا بسازیم ، زیرا هیچ یک از ابزارهای موجود در آنجا به جایی نزدیک نمی شوند که کاری را که باید انجام دهیم انجام دهیم ، که صدها ، گاهی اوقات هزاران نفر تصمیمات را در زمان اجرا می کند.”
بر خلاف چارچوب های موجود مانند Langchain یا Llamaindex که گردش کار از پیش تعریف شده را ارائه می دهد ، ModelMesh سیستم های بیزی را با مدلهای زبان تخصصی ترکیب می کند تا به صورت پویا تعیین کند که آیا خروجی ها صحیح هستند ، چه اقداماتی برای انجام بعدی و چگونگی حفظ سازگاری در فرآیندهای صنعتی پیچیده است.
این معماری آنچه را که Articul8 به عنوان سیستم های AI عامل AI در سطح صنعتی توصیف می کند ، امکان پذیر می کند که نه تنها می تواند در مورد فرآیندهای صنعتی استدلال کند بلکه به طور فعال آنها را هدایت می کند.
Beyond Rag: یک رویکرد زمینی به اطلاعات صنعتی
در حالی که بسیاری از پیاده سازی های AI سازمانی برای اتصال مدلهای کلی به داده های شرکت به تولید بازیابی (RAG) متکی هستند ، Articul8 رویکرد متفاوتی برای ایجاد تخصص دامنه دارد.
Subramaniyan توضیح داد: “ما در واقع داده های اساسی را می گیریم و آنها را به عناصر تشکیل دهنده آنها تقسیم می کنیم.” “ما یک PDF را به متن ، تصاویر و جداول تقسیم می کنیم. اگر این صدا یا فیلم است ، آن را به عناصر تشکیل دهنده اصلی آن تقسیم می کنیم و سپس آن عناصر را با استفاده از ترکیبی از مدل های مختلف توصیف می کنیم.”
این شرکت با Llama 3.2 به عنوان بنیادی شروع می شود ، که در درجه اول برای مجوز مجاز خود انتخاب می شود ، اما سپس آن را از طریق یک فرآیند پیشرفته چند مرحله ای تغییر می دهد. این رویکرد چند لایه به مدل های خود اجازه می دهد تا درک بسیار غنی تری از فرآیندهای صنعتی نسبت به بازیابی تکه های مربوطه از داده ها ایجاد کنند.
مدل های SupplyChain طی چندین مرحله از پالایش که به طور خاص برای زمینه های صنعتی طراحی شده اند ، طی می کنند. برای کارهای خوب تعریف شده ، آنها از تنظیم دقیق نظارت شده استفاده می کنند. برای سناریوهای پیچیده تر که نیاز به دانش تخصصی دارند ، آنها حلقه های بازخورد را اجرا می کنند که در آن کارشناسان دامنه پاسخ ها را ارزیابی می کنند و اصلاحات را ارائه می دهند.
چگونه شرکت ها از Articul8 استفاده می کنند
در حالی که هنوز هم برای مدل های جدید زود است ، این شرکت در حال حاضر ادعا می کند تعدادی از مشتریان و شرکا از جمله IBASE-T ، ITOCHU Techno-Solutions Corporation ، Accenture و Intel.
اینتل مانند بسیاری از سازمان ها ، سفر Gen AI خود را با ارزیابی مدلهای هدف عمومی آغاز کرد تا چگونگی پشتیبانی از طراحی و ساخت و سازها را بررسی کند.
Srinivas Lingam ، معاون رئیس جمهور و مدیر کل شبکه ، Edge و AI در Intel ، به VentureBeat گفت: “در حالی که این مدل ها در کارهای پایان باز چشمگیر هستند ، ما به سرعت محدودیت های آنها را هنگام استفاده از محیط نیمه هادی بسیار تخصصی خود کشف کردیم.” “آنها با تفسیر اصطلاحات نیمه هادی خاص ، درک زمینه از سیاهههای مربوط به تجهیزات یا استدلال از طریق سناریوهای پیچیده و چند متغیره خرابی تلاش کردند.”
اینتل در حال استفاده از سکوی Articul8 برای ساختن آنچه که Lingam نامیده می شود-تولید دستیار حادثه-یک سیستم هوشمند و مبتنی بر زبان طبیعی است که به مهندسین و تکنسین ها کمک می کند تا رویدادهای خرابی تجهیزات را در فاب های اینتل تشخیص و حل کنند. وی توضیح داد که این سکو و مدلهای خاص دامنه داده های تولیدی تاریخی و در زمان واقعی ، از جمله سیاهههای ساختاری ، مقالات ویکی بدون ساختار و مخازن دانش داخلی را مصرف می کنند. این به تیم های اینتل کمک می کند تا تجزیه و تحلیل علت اصلی (RCA) را انجام دهند ، اقدامات اصلاحی را توصیه می کنند و حتی بخش هایی از تولید سفارش کار را خودکار می کنند.
این به معنای استراتژی AI Enterprise چیست
رویکرد Articul8 این فرض را به چالش می کشد که مدل های هدف عمومی با RAG برای کلیه موارد استفاده برای شرکت هایی که AI را در زمینه های تولید و صنعتی اجرا می کنند ، کافی خواهد بود. شکاف عملکرد بین مدلهای تخصصی و کلی نشان می دهد که تصمیم گیرندگان فنی باید رویکردهای خاص دامنه را برای برنامه های مهم ماموریت در نظر بگیرند که دقت آن مهم باشد.
با حرکت هوش مصنوعی از آزمایش به تولید در محیط های صنعتی ، این رویکرد تخصصی ممکن است ROI سریعتر را برای موارد خاص استفاده با ارزش بالا فراهم کند ، در حالی که مدل های کلی همچنان به نیازهای گسترده تر و کمتری تخصصی می پردازند.