우리는 현대 세계에서 자동화를 당연하게 여기며 전 세계에 걸친 공급망의 혜택을 매일 누리며 다양한 제품을 선반에 제공한다. 그러나 배후에서 상품의 생산과 이동은 포장, 일정 관리, 라우팅 및 조립 라인 자동화와 같은 많은 최적화 문제를 발생시킨다. 이러한 최적화 과제는 동적이며 현실 세계와 함께 끊임없이 변화한다. 예를 들어, 수에즈 운하가 막히는 등 예상치 못한 상황으로 인해 예상 공급 경로가 갑자기 손상될 수 있다. 화산 폭발로 인해 항공 노선이 변경될 수 있다. 분쟁으로 인해 전체 국가에 액세스하지 못할 수 있다. 법률의 변화, 통화 붕괴 및 희소한 자원 역시 끊임없이 변화하는 공급측 변수의 예이다.
다른 예를 제공하기 위해 때로는 새로운 구성 요소를 기계나 워크플로에 통합해야 한다(예: 사용자는 다른 재료나 색상을 원할 수 있음). 현재 시스템을 변경하거나(머신러닝의 경우) 솔루션을 추가로 재교육 및 재배포하려면 전문 인력이 필요하다. 유사한 방식으로, 인더스트리 4.0의 "디지털 트윈"은 여전히 초기 시스템 설계 시점에서 입력의 문제 설명과 분배가 일회성으로 지정될 수 있다는 개념에 크게 의존하고 있다.
최근의 팬데믹은 "적시" 공급망 계획의 취약성을 강조한다. 점점 더 복잡하고 불확실한 세상에서 산업계는 더 이상 그러한 유연성을 감당할 수 없다는 사실이 더욱 분명해졌다. 현재 제조업은 LMHV(Low-Mix High-Volume)와 HMLV(High-Mix Low-Volume) 사이에서 고정된 선택을 해야 한다. 인더스트리 5.0은 유체 요구 사항을 충족하기 위해 워크플로를 저렴한 비용으로 재구성할 수 있는 "고혼합 대용량"(HMHV)의 전망을 예상한다. 이를 달성하려면 문제 또는 환경이 변경될 때 사람의 개입 및/또는 시스템 다운타임의 필요성을 제거하기 위해 "자동화"가 필요하다. 이를 위해서는 실제 시간 제약 내에서 할당된 작업을 완료할 수 있는 합리적인 전망을 유지하면서 그러한 변화에 반응하는 "명령에 따라 작동"하는 시스템이 필요하다. 예를 들어, 현재 작업 X에 참여하고 있는 조립 라인 로봇에게 다음과 같이 지시하는 것을 고려해봐야 한다.
"X 조립을 즉시 중단하라. 여기에 Y 사양이 있으며 여기에는 대부분의 기존 이펙터와 몇 가지 새 이펙터가 있다. 이제 이런 종류의 결함과 낭비를 피하고 Y 조립을 시작하라.”
GPT-3과 같은 소위 대언어 모델을 통한 "인공일반지능"(AGI)의 임박한 도래에 대한 광범위한 최근 이야기에도 불구하고 제안된 접근 방식 중 어느 것도 진정으로 "명령에 따른 작업"이 가능하지 않다. 즉, 오프라인 재교육, 검증 및 재배포의 중단 시간 없이는 교육 세트를 완전히 벗어나는 작업을 수행할 수 없다.
지능에 대한 모든 실제 개념은 변화에 대한 반응성과 불가분의 관계가 있음이 분명하다. 얼마나 많은 예기치 못한 사건에 노출되더라도 변하지 않는 시스템은 자율적이지도 지능적이지도 않다. 이것은 명시적으로 지정하기 어려운 문제에 대한 프로그램을 통합하는 수단으로 큰 성공을 거둔 이러한 딥 러닝(DL) 접근 방식의 의심할 여지없는 강점을 손상시키는 것이 아니다.
그렇다면 어떤 종류의 시스템 기능을 통해 AI가 패러다임을 훈련, 고정 및 배포하는 것을 넘어 중단 없는 적응 학습이 가능한 방향으로 이동할 수 있을까? 제조 워크플로에서 결함이 있는 구성 요소를 허용 오차가 다를 수 있는 다른 공급업체의 구성 요소로 교체해야 할 필요성을 고려해야한다. 현대 AI의 엔드 투 엔드 블랙박스 모델링으로 디지털 트위닝 프로세스를 새로이 수행해야 한다. 현대적 접근 방식의 한계를 해결하기 위해서는 근본적인 변화가 필요하다. 즉, 구성 요소 변경의 결과에 대해 직접 추론할 수 있는 모델과 실제로 더 일반적으로 반대되는 "가정" 시나리오가 필요하다. 워크플로를 알려진 속성이 있는 구성 요소로 분해하고 필요에 따라 이를 재결합하려면 "구성성"이 필요하다.
구성성은 지금까지 현대 AI를 피하여 종종 모듈화의 약한 개념과 혼동된다. 모듈성은 구성 요소를 함께 '접착'하는 기능과 관련이 있지만 원하는 속성의 보존을 결정하고 보장하기 위해 결과 워크플로의 동작에 대해 추론하는 기능인 구성성의 본질을 포착하지 못한다. 이 능력은 검증 및 안전상의 이유로 매우 중요하다. 예를 들어 "대체 제조업체의 엔진을 채택하면 다른 모든 구성 요소가 온도 한계 내에서 유지되는 동안 전체 공장의 출력이 증가할 것"이라고 추론하는 시스템의 능력이 있다.
현대의 신경망 접근 방식은 데이터에서 규칙을 학습하는 데 탁월하지만 구성적 추론이 부족하다. 구성 추론이 신경망 아키텍처 내에서 나타날 것이라는 희망의 대안으로, 구성성에 대한 수학적 연구인 범주 이론의 구성을 직접 사용하는 것이 가능하다. 특히, 하위 분야 범주형 사이버네틱스는 양방향 컨트롤러를 기본적인 표현 요소로 사용한다. 양방향성은 순방향 및 역방향 추론을 모두 수행할 수 있는 능력이다. 원인에서 결과로 또는 그 반대로 예측하는 것이다. 구성 역추론은 구조적 표현의 규모에 관계없이 환경으로부터의 피드백을 통합할 수 있기 때문에 특히 중요하다. 이는 소수의 예에서 빠른 학습을 촉진한다.
원하는 시스템 동작이 주어지면 학습 작업은 이를 충족하는 종합 제어 구조를 구축하는 것이다. 처음에 학습된 구조는 후속 학습을 위한 골격 역할을 한다.
시스템의 지식이 증가함에 따라 이 골격은 학습된 구성 특성으로 장식될 수 있다. 이는 H2O 분자가 구성 원자의 특성과 다른 특성을 갖는 것으로 결정될 수 있는 방법과 유사하다. 게다가, '공 던지기'와 '테니스 라켓 휘두르기'가 인간의 근골격계 관련 동작으로 볼 수 있는 것처럼 관련 태스크는 환경의 피드백을 통해 태스크별 방식으로 장식된 골격 컨트롤러 구조를 공유할 수 있다. 특정 작업에서 인과 구조를 분리하면 현대적 접근 방식을 괴롭히는 치명적인 망각 없이 새로운 작업을 쉽게 학습할 수 있다.
따라서 위에서 설명한 형식의 하이브리드 숫자 기호 접근 방식은 구조에 대한 명시적인 개념과 속성이 구성되는 방식을 적응적으로 학습하는 능력을 모두 가짐으로써 신경 및 기호 접근 방식의 장점을 결합할 수 있다. 구성 속성에 대한 추론은 시스템이 현재 수행하도록 명령받은 작업에 따라 지속적으로 기반을 둔다.
결론적으로, 진정한 자율 시스템을 만들기 위해서는 새로운 접근 방식이 필요하다는 것이 분명하다. 즉, 중대한 변화를 수용하고 알 수 없는 환경에서 작동할 수 있는 시스템이다. 이를 위해서는 이미 알려진 것에서 중단 없는 적응 학습과 일반화가 필요하다. 그 이름에도 불구하고 딥 러닝 접근 방식은 학습 프로세스에 의해 높은 수준에서 조작할 수 없는 세계에 대한 얕은 표현만 가지고 있다. 대조적으로, 우리는 차세대 AGI 시스템이 알고 있는 것에 대해 직접 추론할 수 있는 능력을 갖춘 더 넓은 아키텍처 내에서 딥 러닝을 통합할 것을 제안한다.
시스템이 자체 표현에 대해 상징적으로 추론할 수 있는 능력은 산업에 상당한 이점을 제공한다. 명시적으로 구성 표현을 통해 시스템은 안전과 공정성의 필수 요구 사항을 충족하기 위해 사람에 의해 또는 시스템 자체에 의해 내부적으로 감사될 수 있다. 소위 AGI의 x-리스크에 대한 학문적 관심이 많았지만 적절한 초점은 이러한 필수 요구 사항을 유지하면서 제어 시스템을 다시 지정하는 구체적인 엔지니어링 문제이다. 이 프로세스를 대화식 정렬이라고 한다. 신뢰할 수 있고 효율적인 지속적인 학습자인 이러한 종류의 제어 시스템을 채택해야만 인더스트리 5.0이 꿈꾸는 차세대 자율성을 실현할 수 있다.
- 홈
- 종합
