De volgende industriële revolutie – Multi-agent systemen en kleine Gen AI modellen transformeren fabrieken

Fabrieken transformeren en worden slimmer door de introductie van krachtige multi-agent AI-systemen.

In deze blog bekijken we hoe deze revolutionaire AI-systemen de fabrieken van morgen kunnen helpen aansturen. 

Een les uit de geschiedenis 

De industriële revoluties van het verleden kunnen op twee manieren worden beschreven: ten eerste als de opkomst van nieuwe soorten energie. De overgang van het gebruik van mensen en dieren naar het gebruik van stoomkracht in de 18e eeuw was een belangrijke revolutie die enorme productiviteitswinsten mogelijk maakte, evenals transportinnovaties en verstedelijking. Ten tweede markeerden de industriële revoluties de opkomst van specialisatie: het opsplitsen van werk in kleinere taken, met toegewijde mensen of machines voor elk deel van het proces. Dit maakte standaardisatie en massaproductie mogelijk. 

Tegelijkertijd werden opleiding en kennis ook gespecialiseerd – mensen werden alleen getraind op hun individuele deel van een proces. Uiteindelijk introduceerde de innovatie van machines geautomatiseerde reactiviteit in fabrieksprocessen. Machines konden nu op condities gebaseerde “als dit, dan dat”-acties gebruiken om een ​​taak te voltooien. 

In de fabrieken van vandaag zien we de opkomst van innovatieve multi-agent AI-systemen, die de bovenstaande thema’s op veel manieren weerspiegelen, maar ook enkele verschillen vertonen. In deze blog gaan we dieper in op enkele van deze nieuwe ontwikkelingen. 

Antieke foto van het Britse Rijk: katoenfabriek in Lancashire

Wat zijn multi-agent AI-systemen? 

Multi-agent AI-systemen bestaan ​​uit autonome agenten of bots die zijn uitgerust met AI-mogelijkheden die samenwerken om een ​​gewenst resultaat te bereiken. Een agent kan in deze context worden gedefinieerd als “een entiteit die namens een andere entiteit handelt.” In deze multi-agent-systemen werken AI-agenten samen om de doelen te bereiken van mensen die eigenaar zijn van bepaalde processen en taken. 

Systemen met meerdere agenten kunnen worden beschouwd als systemen met vijf dimensies in termen van complexiteit, vergeleken met systemen met één agent: 

1. Van enkel naar multi – meer agenten toevoegen. 
2. Van homogeen tot gedifferentieerd – met fundamenteel verschillende rollen tussen agenten. 
3. Van centraal naar decentraal – waardoor er geen behoefte meer is aan een centraal orkestratiepunt. 
4. Van algemeen tot gespecialiseerd – verschillende achtergronden en kennis worden toegevoegd om verschillende deskundige agenten te creëren. 
5. Reactief tot proactief – agenten die onafhankelijk kunnen reageren op veranderingen in de omgeving, zonder dat ze daartoe aangezet hoeven te worden. 

Zijn er parallellen met eerdere industriële revoluties die erop wijzen dat agenten de volgende revolutie zouden kunnen versnellen? 

Laten we de principes van multi-agent AI-systemen toepassen op een slimme fabriek.  

• Elke machine kan zijn eigen AI-agent hebben, terwijl meerdere machines of soorten werk door supervisor-agents kunnen worden beheerd.  
• De meeste industriële taken vereisen dat meerdere machines samenwerken, hetzij in een gestroomlijnde, one-piece flow of in batches. Zelfs machines die in “eilanden” werken, moeten worden gecoördineerd om het werk in uitvoering te controleren, zonder inactieve tijd. Dit vereist dat er veel verschillende rollen moeten worden toegewezen aan verschillende agenten.   
• Het toevoegen van een gedecentraliseerde AI-beheerlaag kan erg voordelig zijn voor een fabriek. Er zijn veel voordelen aan het hebben van subteams van agenten die onafhankelijk van elkaar kunnen handelen en verschillende delen van een fabriek kunnen runnen om doelstellingen te behalen.  
• Elke machine werkt op een andere manier en elk gebied van een fabriek vereist gespecialiseerde kennis. Daarom heeft elke agent zijn eigen relevante informatie nodig om effectief te kunnen handelen. Hogere niveaus van agentspecialisatie zouden zeer waardevol zijn voor een slimme fabriek. 
• Agenten zouden er baat bij hebben om autonoom te bepalen wanneer en hoe ze moeten handelen, in plaats van te wachten op toestemming of te horen wanneer ze dat moeten doen. Als agenten verbonden waren met de markt, zouden ze onafhankelijk kunnen beslissen wat ze moeten doen. Een agent zou bijvoorbeeld de volgende redenering kunnen hanteren: “hoewel het plan zegt dat we deze mix moeten produceren, zal ik het veranderen omdat ik denk dat er een toename zal zijn in dat specifieke product vanwege X en Y.”  

Multi-agent AI-systemen leveren duidelijke verbeteringen op voor fabrieksprocessen en -resultaten, waaronder minder downtime en verhoogde optimalisatie en efficiëntie. We hebben ook de mogelijkheid om AI-agenten toe te voegen aan gegevensverwerkingstaken, zoals beeld- en videoanalyse. Dit ontsluit het potentieel om invoergegevens te begrijpen op manieren die voorheen niet mogelijk waren.  

Nieuwe manieren ontsluiten om data te begrijpen in slimme fabrieken 

In-line procescontrole (IPC) is een aanpak die directe feedback en aanpassingen biedt op basis van realtime monitoring om de gewenste prestatie, kwaliteit of output te behouden. Als dit goed wordt gedaan, verbetert het de efficiëntie en vermindert het verspilling. De aanpak is echter moeilijk te implementeren, vooral in systemen die gebaseerd zijn op mensen. Er zijn veel gegevensbronnen die in realtime moeten worden beoordeeld en begrepen, en zeer ervaren personen zijn degenen die voor deze taak worden gebruikt. Deze ervaring is moeilijk te verkrijgen, mogelijk duur en is mogelijk nog steeds niet voldoende om de beste resultaten te behalen. Dit is daarom een ​​geweldig gebied van kansen voor multi-agent AI-systemen, die erg goed zijn in het opnemen van veel informatie, het begrijpen van de betekenis ervan en het maken van realtime aanpassingen.  

Laten we eens kijken naar twee voorbeelden van hoe dit werkt. Laten we eerst zeggen dat je aardappelchips maakt en dat je moet begrijpen hoe de kooktijd van de chips verschilt afhankelijk van de grootte en de groeiomstandigheden van de aardappelen. Dit kan een complex probleem zijn met veel verschillende gegevensbronnen waar een multi-agent AI-systeem goed mee overweg kan. Het systeem kan ook helpen om de grondoorzaak van eventuele problemen te bepalen. 

Een tweede voorbeeld: als u rubber verwerkt in een extrusielijn, beïnvloeden de samenstelling van de grondstoffen, hun huidige mechanische en thermische eigenschappen en de lijnparameters allemaal de kwaliteit en snelheid van de extrusie. Dit is een zeer complex probleem en in-line procescontrole uitgevoerd door een AI multi-agent systeem zou veel waarde kunnen toevoegen. 

Een ander voordeel van deze toepassing is dat deze kan worden geïntegreerd in fabrieken met verschillende niveaus van infrastructuurkwaliteit. Sensoren zijn misschien niet perfect en informatie van buiten de fabriek kan problemen met de datakwaliteit hebben, maar het verwijderen van zelfs enkele van de problemen zal grote productiviteits- en kwaliteitsvoordelen opleveren. Dit kan met name het geval zijn als kostbare handmatige inspecties gestroomlijnd kunnen worden, naast de meer voor de hand liggende voordelen van minder afval.

Zakenman die tablet-pc gebruikt in de industrie

Multi-agent AI-systemen zijn revolutionair voor fabrieken 

We zien parallellen tussen de industriële revoluties van het verleden en wat we vandaag de dag zien in multi-agent AI-systemen die in fabrieken worden geadopteerd. Het verschil is nu dat we geen energiebronnen van mensen of dieren overzetten naar stoom, of mensen vervangen in fysieke onderdelen van processen. In plaats daarvan laten we AI taken uitvoeren waar het nuttig is om dat te doen, en waar het de taak beter kan uitvoeren dan de mens. Het is ook de moeite waard om in gedachten te houden dat de echte wereld rommelig is, en multi-agent AI-systemen kunnen ons helpen veerkrachtiger en flexibeler te zijn.  

Nieuwe innovaties zoals real-time AI-verwerking op edge kunnen de volgende AI-aangedreven industriële revolutie versnellen en vergelijkbare productiviteitsvoordelen opleveren als in de eerste. Het edge-component is cruciaal, omdat het responsiever is dan cloud, wat real-time controle mogelijk maakt. Het biedt ook hogere niveaus van gegevensbeveiliging, maakt offline-bewerkingen mogelijk (die cruciaal zijn voor fabrieken) en verlaagt de kosten van de bewerking aanzienlijk. 

Maar AI zal waarschijnlijk niet alleen opereren. Ik denk dat we nog wel even hybride systemen van mens en AI zullen hebben, en dat is absoluut niet slecht. Het zal essentieel zijn dat mensen en AI effectief samenwerken – want om waarde te creëren, moeten AI-systemen mensen machtigen in plaats van vervangen.  

Dit blogartikel is geschreven in samenwerking met Ramon Antelo (Capgemini Engineering)

Over het Generative AI Lab 

Wij zijn het Generative AI Lab, deskundige partners die u helpen om vol vertrouwen een betere, duurzame en vertrouwde AI-enabled toekomst te visualiseren en na te streven. We doen dit door opkomende trends en technologieën te begrijpen, te anticiperen en te benutten. Uiteindelijk maken we betrouwbare en betrouwbare AI mogelijk die uw verbeelding prikkelt, uw productiviteit verbetert en uw efficiëntie verhoogt. We ondersteunen u met de zakelijke uitdagingen waar u van weet en de opkomende uitdagingen die u moet kennen om in de toekomst succesvol te zijn.   We hebben drie belangrijke focusgebieden: multi-agent systemen, small language models (SLM) en hybride AI. We maken blogs, zoals deze, points of view (POV’s) en demo’s rond deze focusgebieden om een ​​gesprek te beginnen over hoe AI ons in de toekomst zal beïnvloeden. Voor meer informatie over het AI Lab en meer van het werk dat we hebben gedaan, bezoek deze pagina:  AI Lab .