all
Tehnološki trendovi 2030: sledeća era generativne veštačke inteligencije (AI)
Ovaj izveštaj Tehnoloških trendova istražuje generativni razvoj industrijske AI i njihov uticaj na industriju. Otkrijte ključne trendove i buduće scenarije.
Rečnik veštačke inteligencije
Oblast AI obuhvata širok spektar disciplina i tehnologija. Ovaj rečnik najvažnijih ključnih pojmova može da vam pomogne da proširite vaše razumevanje i dublje uđete u ovaj fascinantni svet.
A
Agentska AI odnosi se na napredne sisteme AI koji prevazilaze samo reagovanje na komande; oni generišu sadržaj, autonomno izvršavaju zadatke i postižu ciljeve. Ovi sistemi kombinuju mogućnosti zaključivanja, memorijske funkcije i petlje povratnih informacija za samostalno planiranje i izvođenje radnji, često koristeći različite digitalne alate i prilagođavajući njihov pristup učenjem. Za razliku od tradicionalne AI, agentska AI može da radi i nezavisno i u saradnji sa drugim agentima AI, donoseći autonomne odluke dok se povezuje sa različitim platformama i sistemima radi izvršavanja složenih zadataka.
U industrijskom kontekstu, agentska AI uključuje primenu sistema AI koji mogu samostalno da nadgledaju, analiziraju i kontrolišu različite aspekte industrijskih operacija, kao što su prediktivno održavanje, kontrola kvaliteta, upravljanje zalihama ili optimizacija proizvodnih procesa.
Veštačka inteligencija (AI) odnosi se na softver koji ima sposobnost učenja i prilagođavanja. AI može da reši zadatke koji zahtevaju od nje da tumači značenje ulaznih podataka i da se prilagodi zahtevima. Obično su to zadaci koje je ranije mogla rešiti samo prirodna inteligencija. Postoji nekoliko vrsta metoda AI, koje se značajno razlikuju u pogledu oblasti primene, njihovih potencijala i rizika povezanih s njima. Osnovni principi AI razvijeni su u 20. veku. Budući da sve metode AI zahtevaju velike količine trenažnih podataka, tehnologija sada dobija sve veću kritičnu važnost kroz digitalizaciju i velike podatke.
Tehnologija koja omogućava preklapanje digitalnih informacija na okruženja i objekte u stvarnom svetu, obično koristeći imerzivnu 3D virtuelnu stvarnost. AR omogućava poboljšanu verziju fizičkog sveta dodavanjem digitalnih vizuelnih, zvučnih i drugih senzornih elemenata.
Sistemi koji mogu da rade bez ljudske intervencije, poput samovozećih automobila i bespilotnih letelica.
Vozila koja mogu da rade bez ljudske intervencije, kao što su samovozeći automobili i kamioni.
B
Nenamerne predrasude ili favorizovanje koji se mogu javiti u sistemima AI zbog pristrasnih podataka ili algoritama obuke.
Veliki i složeni skupovi podataka, koje često generišu (industrijski) senzori, ali i kompanije, organizacije i ljudi. Budući da su ovi podaci često nestrukturirani, nepotpuni ili netačni, softver koji nije pokretan od strane AI obično ne može da ih obradi na smislen način.
C
Program koji pokreće AI koji može da komunicira sa ljudima putem tekstualne ili glasovne komunikacije.
Vrsta AI koja ima za cilj da replicira ljudske kognitivne procese, kao što su percepcija, rezonovanje i donošenje odluka.
Podskup AI koji omogućava računarima da izvlače informacije iz vizuelnih prikaza, kao što su slike i video snimci, da bi ih razumeli i tumačili.
Strategije, merenja i alati koji pomažu u obezbeđivanju digitalnih informacija od spoljnih napadača. AI može da se koristi za otkrivanje i sprečavanje sajber napada, kao i za identifikaciju i odgovor na kršenja bezbednosti.
D
Proces analize i tumačenja podataka radi dobijanja uvida i donošenja informisanih odluka.
Računarski sistemi koji su dizajnirani da pomognu ljudima u donošenju odluka pružanjem relevantnih informacija i analiza.
Podskup mašinskog učenja koji uključuje upotrebu neuronskih mreža sa više slojeva kako bi se mašinama omogućilo da uče iz podataka.
Matematički model koji opisuje ponašanje fizičkog objekta ili procesa. U simulacionom okruženju, digitalni blizanac može da se koristi za simulaciju onoga što bi se dogodilo u stvarnom svetu ako bi se promenili parametri sistema. Digitalni blizanci mogu da se koriste tokom životnog ciklusa proizvoda, uključujući faze dizajna, proizvodnje, rada i servisa. Vizuelni prikazi digitalnih blizanaca izgledaju i ponašaju se kao njihovi fizički dvojnici, odražavajući stvarni svet i prilagođavajući se u stvarnom vremenu onome što se tamo dešava.
E
Edge računarstvo je vrsta sistemske arhitekture koja, za razliku od računarstva u oblaku, približava računarstvo i skladištenje podataka izvorima podataka („ivica“). Pomaže u smanjenju vremena odziva i količine energije potrebne za prenos podataka. Edge AI sistemi mogu biti implementirani fizički blizu stvarnog uređaja za izvršavanje. Ovi uređaji mogu da pokreću AI aplikacije bez povezivanja sa oblakom.
AI koji je dizajniran za interakciju i navigaciju fizičkim svetom, često korišćenjem robota ili autonomnih vozila.
Proučavanje i primena moralnih principa u razvoju i upotrebi AI, uključujući pitanja kao što su pristrasnost, privatnost i odgovornost.
AI koja je dizajnirana da bude transparentna i objašnjiva, omogućavajući ljudima da razumeju kako i zašto je mašina donela određenu odluku.
F
je metoda obuke u mašinskom učenju gde više odvojenih uređaja obučava model mašinskog učenja sa sopstvenim (odvojenim) skupom podataka. Samo krajnji rezultati se dele sa glavnim akterom u mreži..
G
AI koja je dizajnirana da generiše novi sadržaj, poput slika, video zapisa i muzike kombinovanjem i učenjem iz postojećeg sadržaja.
Sposobnost aplikacije, na primer, CAD softvera, da autonomno generiše brojne alternative dizajna s obzirom na skup ograničenja. Koristi tehnike kao što su AI, optimizacija i simulacija.
I
Industrijska AI odnosi se na primenu veštačke inteligencije u industrijama koje čine okosnicu naših ekonomija - industrije, infrastrukture, mobilnosti i zdravstvene zaštite.
Modeli industrijskih fondacija (IFM) su unapred obučeni o podacima specifičnim za industriju kako bi duboko razumeli „jezik“ inženjerstva, automatizacije i proizvodnje i omogućili brže i tačnije primenu AI rešenja. Oni pružaju standardizovanu polaznu tačku, štedeći vreme, resurse i energiju kroz ekonomiju obima. IFM-ovi su prilagođeni rešavanju stvarnih industrijskih izazova. Oni deluju kao obaveštajni sloj iza industrijskih kopilota i olakšavaju prenos znanja i saradnju u različitim sektorima. Oni podržavaju ne samo tekst, slike i audio, već i 3D modele, 2D crteže i druge složene strukture kao što su podaci vremenskih serija specifični za industriju (vidi takođe Multimodalni LLM-ovi)..
AI industrijskog kvaliteta označava nivo kvaliteta; pouzdana, sigurna i verodostojna, dizajnirana da zadovolji rigorozne zahteve i standarde najzahtevnijih profesionalnih okruženja.
Pojam koji se koristi za opisivanje četvrte industrijske revolucije, koja uključuje integraciju AI, IoT i drugih naprednih tehnologija u proizvodnju i industriju.
Mreža tehničkih uređaja u koje su ugrađeni senzori, softver i povezivost kako bi se omogućila razmena podataka. IoT je jedan od glavnih pokretača digitalizacije i velikih podataka.
K
Baza podataka koja predstavlja znanje kao graf međusobno povezanih čvorova i ivica, koja se koristi za primene AI kao što su NLP i pretraga.
L
Tip jezičkog modela AI koji je obučen na ogromnim količinama podataka, kao što je GPT-3, za generisanje teksta sličnog onom kojeg piše čovek.
M
Podskup AI koji uključuje upotrebu algoritama i statističkih modela kako bi se mašinama omogućilo da uče iz iskustva ili podataka.
Podskup AI koji omogućava mašinama sa priključenim kamerama da izvuku vizuelne informacije u svrhu razumevanja i tumačenja okoline.
Multimodalni LLM-ovi mogu istovremeno da razumeju i obrađuju više vrsta podataka - kao što su tekst, slike, audio ili senzorski podaci. Integrisani su u primene poput računarskog vida, autonomnih vozila i robotike. Poboljšavaju prepoznavanje objekata, razumevanje scene i omogućavaju mašinama da prate složena uputstva. Multimodalni LLM-ovi imaju potencijal da utiču na obradu i generisanje podataka specifičnih za industriju - kao što su vremenske serije, 2D i 3D modeli ili podaci za mašinski vid - na isti način na koji su konvencionalni LLM-ovi uticali na obradu teksta i govora.
N
Podskup AI koji se fokusira na interakciju između računara i ljudskog jezika.
Interfejs koji omogućava ljudima da komuniciraju sa računarima koristeći prirodne geste, govor i druge oblike izražavanja.
Vrsta algoritma mašinskog učenja koja je modelirana po strukturi ljudskog mozga i koja se koristi za prepoznavanje obrazaca u podacima.
Proces za analizu promena u naponu i jačini struje zgrada ili mašina koje se sastoje od više poduređaja kako bi se zaključio individualni doprinos svakog uređaja u sistemu.
P
Fizička AI je integracija veštačke inteligencije u mašine - poput robota - koje mogu da osete svoje okruženje i deluju unutar njega. Inspirisana ljudskim senzomotornim ciklusom, Fizička AI obrađuje senzorne ulaze (kao što su 3D kamere ili taktilni senzori), generiše kontrolne komande iz njih i omogućava mašinama da prilagodljivo i autonomno obavljaju složene zadatke u fizičkim, 3D okruženjima.
AI informisana o fizici, poznata i kao AI koja je svesna za fiziku, odnosi se na novu klasu metoda veštačke inteligencije koje uključuju zakone fizike direktno u proces obuke. Za razliku od konvencionalnih AI pristupa koji se u velikoj meri oslanjaju na velike skupove podataka za učenje ponašanja, AI zasnovana na fizici integriše ograničenja zasnovana na fizici kako bi usmjeravala učenje. Ovo omogućava sistemima AI da razmišljaju i daju predviđanja čak i kada su podaci iz stvarnog sveta ograničeni, koristeći naše postojeće znanje o tome kako funkcioniše fizički svet. Umesto da uče samo iz primera, ovi modeli koriste svoje znanje iz fizike da usmere učenje ka optimalnijim i fizički doslednijim rešenjima.
Prediktivna AI koristi statističku analizu i mašinsko učenje kako bi identifikovala obrasce u realnom vremenu i istorijskim operativnim podacima iz mašina i opreme, što joj omogućava da predviđa buduća ponašanja, otkrije anomalije, predviđa potencijalne kvarove i preporučuje radnje održavanja. Koristi se za poboljšanje zdravlja i pouzdanosti imovine, smanjenje neplaniranih zastoja i podršku bržem odlučivanju zasnovanom na podacima u industrijskim operacijama.
Upotreba AI i statističkih modela za predviđanje budućih događaja ili trendova na osnovu istorijskih podataka.
Upotreba AI za predviđanje kada će mašinama biti potrebno održavanje ili popravke, na osnovu podataka u stvarnom vremenu.
Q
Upotreba AI za otkrivanje nedostataka i osiguravanje da proizvodi ispunjavaju standarde kvaliteta.
R
Vrsta mašinskog učenja gde neobučeni agenti uče strategiju kroz kazne i nagrade sistema nakon izvršenih radnji.
AI aplikacije koje ispunjavaju definisane etičke i moralne standarde.
Grana inženjerstva i AI koja se fokusira na projektovanje, izgradnju i rad robota.
S
Upotreba AI za analizu i tumačenje emocija i mišljenja izraženih u tekstu ili govoru.
Električna mreža koja koristi AI i druge napredne tehnologije za optimizaciju proizvodnje, distribucije i potrošnje električne energije.
Specijalizovani hardver, kao što su jedinice za obradu grafika (GPU) ili rubni uređaji sa podrškom za jezičku obradu (LPU), novi je trend u industrijskoj AI. Ovi uređaji pružaju računarsku snagu visokih performansi na ivici, omogućavajući obradu algoritama AI u realnom vremenu. Njihova integracija omogućava paralelnu obradu i ubrzane performanse, što rezultira bržim izvršavanjem složenih zadataka AI. Ova lokalna obrada smanjuje kašnjenje i oslanjanje na resurse u oblaku, što je čini ključnom za primene osetljive na vreme. Specijalizovani hardver takođe podržava napredne modele AI, što dovodi do poboljšanih uvida i poboljšanih performansi. Štaviše, on smanjuje troškove minimizirajući potrebu za opsežnom infrastrukturom u oblaku i prenosom podataka.
Sposobnost mašina da prepoznaju i tumače ljudski govor.
Metoda učenja gde se modeli mašinskog učenja obučavaju sa označenim (poznatim) skupovima podataka da bi se predvidio ishod.
Optimizacija protoka robe i materijala u lancu snabdevanja radi smanjenja troškova i poboljšanja efikasnosti. AI se često koristi za automatizaciju procesa, otkrivanje neefikasnosti, osiguranje kvaliteta robe i predviđanje potražnje.
Veštački podaci generisani algoritmima, a ne događajima iz stvarnog sveta koji se koriste za obuku i validaciju modela mašinskog učenja. Kvalitet sintetičkih podataka je od kritične važnosti. On određuje da li će AI proizvesti prihvatljive rezultate nakon obuke.
U
Metoda učenja gde modeli mašinskog učenja otkrivaju obrasce i grupisanja u podacima koji su prethodno nepoznati (neoznačeni).
V
Virtuelna stvarnost (VR) predstavlja digitalno prikazano okruženje koje može da replicira stvarni prostor, stvori alternativnu stvarnost ili kombinuje to dvoje. Korisnik je u mogućnosti da istraži virtuelni prostor iz svoje kuće, kancelarije ili fabrike.
