ИИ Articul8 для цепочки поставок достигает точности 92%, превосходя традиционные модели

В то время как компании стремятся интегрировать ИИ в свою деятельность, многие из них приходят к выводу, что универсальные модели часто не справляются с решением специализированных промышленных задач, требующих глубоких знаний в конкретной области и последовательного мышления.

Хотя такие методы, как точная настройка и Retrieval Augmented Generation (RAG), предлагают некоторые улучшения, они часто оказываются недостаточными для сложных сценариев, таких как управление цепочкой поставок. Именно эту проблему стремится решить стартап Articul8. Недавно компания представила A8-SupplyChain, набор отраслевых моделей искусственного интеллекта, специально разработанных для производственных цепочек поставок. Эти модели поддерживаются ModelMesh от Articul8 — динамическим уровнем оркестрации на базе искусственного интеллекта, который в режиме реального времени принимает решения о том, какие модели искусственного интеллекта следует использовать для конкретных задач.

Articul8 сообщает, что ее модели достигают 92% точности в промышленных рабочих процессах, превосходя универсальные модели ИИ в сложных задачах последовательного мышления.

Изначально Articul8 была внутренней командой Intel, но в 2024 году стала независимой компанией. Эта технология развилась из разработки Intel мультимодальных моделей искусственного интеллекта для таких клиентов, как Boston Consulting Group, еще до запуска ChatGPT.

Основополагающая философия компании контрастирует с преобладающими стратегиями предприятий в области ИИ.

«Мы руководствуемся основным убеждением, что ни одна модель не может обеспечить результаты на уровне предприятия; действительно необходимо сочетание моделей», — поделился в эксклюзивном интервью VentureBeat Арун Субраманиян, генеральный директор и основатель Articul8. «Модели для конкретных областей необходимы для решения сложных задач в регулируемых секторах, таких как аэрокосмическая промышленность, оборона, производство, полупроводники и цепочки поставок».

Проблемы искусственного интеллекта в цепочке поставок: как последовательность и контекст определяют результаты

Производственные и промышленные цепочки поставок ставят перед ИИ особые задачи, которые модели общего назначения часто не могут решить. Эти условия включают сложные многоэтапные процессы, в которых порядок операций, логика ветвления и взаимозависимости имеют решающее значение для успеха.

«В управлении цепочкой поставок основополагающим принципом является то, что все состоит из взаимосвязанных этапов», — пояснил Субраманиян. «Эти этапы взаимосвязаны, иногда связаны последовательно, а иногда включают рекурсивные циклы».

Например, для сборки реактивного двигателя обычно требуется обратиться к нескольким руководствам, каждое из которых содержит сотни или даже тысячи шагов, которые необходимо выполнять в строгой последовательности. Эти документы представляют собой не просто статическую информацию — они содержат временные ряды данных, описывающие процессы, которые требуют точного соблюдения. Субраманиян отметил, что общие модели искусственного интеллекта, даже с усовершенствованными методами поиска, часто упускают эти временные взаимосвязи.

Эта форма сложного мышления — отслеживание процедур в обратном порядке для выявления источников ошибок — представляет собой фундаментальную проблему, которую общие модели не способны решить.

ModelMesh: динамический интеллектуальный слой, выходящий за рамки традиционной оркестрации

Центральным элементом технологии Articul8 является ModelMesh, который выходит за рамки стандартных фреймворков оркестрации моделей и создает то, что компания называет «агентом агентов» для промышленных приложений.

«ModelMesh функционирует как интеллектуальный слой, который непрерывно соединяет, оценивает и принимает решения по мере пошагового развития процессов», — пояснил Субраманиян. «Мы создали его с нуля, потому что существующие инструменты не соответствуют нашим требованиям — принятие сотен, а иногда и тысяч решений во время выполнения».

В отличие от таких фреймворков, как LangChain или LlamaIndex, которые предлагают заранее определенные рабочие процессы, ModelMesh интегрирует байесовские системы со специализированными языковыми моделями для динамической оценки точности вывода, определения последующих действий и поддержания согласованности в сложных промышленных рабочих процессах.

Эта архитектура позволяет реализовать то, что Articul8 называет промышленным искусственным интеллектом — системы, способные не только анализировать промышленные процессы, но и активно продвигать их вперед.

За пределами RAG: создание промышленного интеллекта с нуля

В то время как многие корпоративные решения в области искусственного интеллекта полагаются на генерацию с расширенным поиском (RAG) для связывания общих моделей с корпоративными данными, Articul8 использует принципиально иной подход к внедрению экспертных знаний в данной области.

«Мы деконструируем базовые данные на составляющие их элементы», — пояснил Субраманиян. «PDF-файл разбивается на текст, изображения и таблицы. Аудио- или видеоконтент разлагается аналогичным образом, и каждый элемент описывается с помощью комбинации специализированных моделей».

Компания использует Llama 3.2 в качестве основы, выбранной в основном из-за ее разрешительной лицензии, но затем преобразует ее с помощью усовершенствованного многоэтапного процесса. Эта многоуровневая методология позволяет их моделям развивать гораздо более глубокое понимание промышленных процессов, чем простое извлечение фрагментов данных.

Модели SupplyChain проходят несколько этапов доработки, специально разработанных для промышленных контекстов. Контролируемая точная настройка обрабатывает четко определенные задачи, а циклы обратной связи с участием экспертов в данной области оценивают и корректируют ответы для более сложных сценариев.

Применение Articul8 в предприятиях

Хотя новые модели находятся на ранней стадии развития, компания уже имеет нескольких клиентов и партнеров, в том числе iBase-t, Itochu Techno-Solutions Corporation, Accenture и Intel.

Как и многие другие организации, Intel начала свой путь в области генеративного ИИ с оценки моделей общего назначения на предмет их потенциальной поддержки в процессах проектирования и производства.

«Хотя эти модели превосходны в задачах с открытым концом, мы быстро осознали их ограничения в нашей высокоспециализированной среде полупроводников», — сказал VentureBeat Сринивас Лингам, корпоративный вице-президент и генеральный директор группы Intel Network, Edge и AI. «Они испытывали трудности с терминологией, специфичной для полупроводников, контекстуальным пониманием журналов оборудования и рассуждениями в сложных ситуациях с многомерными переменными простоями».

Intel внедряет платформу Articul8 для разработки того, что Лингам называет «помощником по производственным инцидентам» — интеллектуальной системой на основе естественного языка, которая помогает инженерам и техникам диагностировать и устранять простои оборудования на производственных предприятиях Intel. Платформа, использующая специальные модели, обрабатывает как исторические, так и оперативные производственные данные, включая структурированные журналы, неструктурированные статьи вики и внутренние базы знаний. Она помогает командам Intel в анализе первопричин (RCA), рекомендует корректирующие меры и даже автоматизирует часть процесса формирования рабочих заказов.

Последствия для стратегии предприятия в области искусственного интеллекта

Методология Articul8 ставит под сомнение предположение, что универсальные модели с RAG могут удовлетворить все потребности предприятий в области искусственного интеллекта в производственной и промышленной сферах. Разница в производительности между специализированными и универсальными моделями предполагает, что технические руководители должны рассматривать доменные решения для критически важных приложений, где точность является непреложным условием.

По мере перехода ИИ от экспериментальной стадии к производству в промышленных условиях этот специализированный подход может обеспечить более быструю окупаемость инвестиций для высокоценных случаев использования, в то время как общие модели будут продолжать удовлетворять более широкие, менее специализированные требования.