Se for deg en robotarm som du kan peke til og verbalt si «Gi meg skrallen, og hold den delen mens jeg skrur», og den gjør det på en trygg og sikker måte. Per i dag må robotene programmeres, men i fremtiden vil de kanskje være drevet av generativ kunstig intelligens.
Dette er et eksempel på «Cobots» («collaborative robots»), en relativt ny OT-teknologi (operasjonell teknologi). Det er dynamiske robotassistenter for mennesker som jobber på fabrikkgulvet. De skiller seg fra tradisjonelle roboter som er programmert til å utføre én oppgave, som regel uten menneskelig kontakt.
Forskjellige KI-teknologier
«Alt» kalles KI i medier og markedsføring i dag, men det finnes flere forskjellige KI-teknologier. Generativ KI skiller seg fra tradisjonell KI og maskinlæring (ML), som er teknologier som har eksistert en god stund og som allerede er tungt i bruk innen OT.
Tradisjonell KI er regelbasert og designet for spesifikke oppgaver, hvor mennesker har programmert både reglene, logikken og beslutningene som kan fattes.
Maskinlæring (ML) er datadrevet og som regel designet for spesifikke oppgaver. Det handler om å finne mønstre i data basert på store mengder treningsdata, slik at programmet kan identifisere mønstre som den er trent opp til å identifisere.
Optisk tegngjenkjenning (OCR), objektdeteksjon og ansiktsgjenkjenning bruker ML-modeller til å identifisere henholdsvis tekst, objekter eller ansikter via kamera eller bilder.
Generativ KI er i likhet med ML trent opp på store mengder treningsdata, men basert på det kan den generere nytt innhold eller fatte beslutninger som ikke er forhåndsprogrammert.
Et KI-eksempel med roboter
Se for deg at du har en autonom robot som frakter varer i lageret ditt. Hadde den brukt tradisjonell KI, hadde den hatt logikk forhåndsprogrammert til å vite at når den plukker opp en gitt vare, skal den følge en forhåndsprogrammert rute.
Hadde roboten brukt en ML-modell, kunne den lært en rute ved å bruke data fra tidligere bevegelser og oppgaver og visst at når den plukker opp en gitt vare, skal den følge gitt rute.
Hadde roboten brukt generativ KI, kunne den analysert store mengder data for å forutsi de beste beslutningene – som hvilke koordinater som har behov for varen, eller hva som er den optimale ruten basert på sanntidsinformasjon.
Generativ KI kan tilpasse seg nye situasjoner, reagere på hindringer på veien og foreta endringer i ruten i sanntid.
Realiteten er at dagens autonome kjøretøy – både biler og roboter – hovedsakelig bruker en kombinasjon av tradisjonell KI og ML, ikke generativ KI. Årsaken er at ML og tradisjonell KI er bedre egnet for faste oppgaver. Dette fordi generativ KI er mer kompleks og krever større mengder data og beregningskraft for å generere nye løsninger eller reagere raskt i sanntidskritiske miljø.
Hvor ligger mulighetene?
På fabrikkgulvet foretrekkes fremdeles ML fremfor generativ KI, fordi oppgavene som regel er repetitive. ML krever mindre beregningskraft, responderer raskere og har lavere feilmargin. Generativ KI kan «hallusinere», og uten klare rammer kan den gjøre feil.
Dagens største muligheter for generativ KI innen OT ligger i dataanalyse, for å gjøre OT-miljøet mer datadrevet. Det kan bidra til produksjonsoptimalisering, kostnadseffektivisering, preventivt vedlikehold for å forhindre havarier og driftsstans, samt simuleringer.
Det ligger også potensial i generering av program til programmerbar logisk styringskontroll (PLS), spesielt strukturert tekst (ST) i henhold til IEC 61131-3-standarden, som flere og flere PLS-fabrikat støtter.
Sikkerhetsløsninger for OT har også store bevegelser om dagen. Nvidia, sammen med flere store cybersikkerhetsaktører, annonserte 12. februar at de har utviklet en cybersikkerhetsplattform for OT som bruker generativ KI, og at denne er innen rekkevidde.
I fremtiden kan spesialutviklede multimodale generative KI-modeller for OT bli tilgjengelige, gitt de nødvendige sikkerhetsrammene for å ivareta menneskelig sikkerhet.
Får man til det, kan generativ KI-modeller brukes i OT-utstyr med mer dynamiske oppgaver hvor ML ikke er like egnet. Vi vil muligens også se generativ KI augmentere tradisjonell KI og ML, for eksempel ved å bidra med «self-healing»-funksjonalitet i programmene.
Potensialet er enormt
Potensialet i generativ KI er enormt. Utnyttelse av eksisterende generativ KI, enten «general purpose» eller spesialiserte multimodale modeller, kan gjøre at man kommer raskt og rimelig i gang med prototyping og demoer, før man utvikler sin egen spesialiserte ML-modell.
Det finnes allerede «general purpose» multimodale modeller som kan kjøres lokalt/offline, som er gratis og hvor lisensen tillater kommersiell bruk. For eksempel Metas Llama Vision 3.2. Dette er en kjempemulighet – og et godt eksempel på at generativ KI kan ta plass innen OT.
– Vi har laget en «oppskrift» for fremtidens batteriteknologi
