Au cours de la décennie écoulée, l’intelligence artificielle traditionnelle a évolué, se concentrant principalement sur le traitement des chiffres et l’identification de schémas pour offrir une analyse prédictive basée sur des probabilités. Émergeant dans ce contexte, la génération IA est équipée de nombreuses fonctionnalités agissant comme un canal entre les capacités prédictives de l’IA numérique et le potentiel supplémentaire pour des questions bidirectionnelles de haut niveau basées sur le langage.
Au cœur de cette évolution, comme l’a noté Peter Zornio, directeur de la technologie (CTO) chez Emerson, réside le changement discernable du souvent opaque « boîtier noir » de l’IA vers une approche plus transparente et intégrative, comblant le fossé entre la technologie opérationnelle (OT) et la technologie de l’information (TI). Zornio a illustré comment la génération IA et l’IA numérique occupent des positions aux extrémités opposées d’un spectre, chacune fondée sur des principes distincts – modèles numériques et modèles basés sur le langage.
Malgré les bases technologiques communes, les applications de ces deux modalités d’IA, telles que décrites par Zornio, diffèrent considérablement. Les modèles de production orientés numériquement s’appuient sur des ensembles de données de chiffres, tandis que les modèles de langage utilisent des ensembles de données provenant d’une variété de matériaux textuels et visuels. À mesure que la convergence de ces technologies IA se rapproche, une nouvelle dimension se dévoile dans le contexte conventionnel des opérations traditionnelles de l’IA.
Envisagez un scénario, avancé par Zornio, où les secteurs industriels utilisent des modèles basés sur le langage comme interface avec des modèles numériques préexistants. Par exemple, les opérateurs pourraient interroger : « Ordinateur, pourquoi la production sur cette unité est-elle en retard et comment peuvent être effectués des ajustements ? » Les avantages en termes de productivité et de gain de temps sont considérables, favorisant une méthodologie d’interface naturelle.
Le rôle de l’expertise humaine reste crucial, et Zornio cite ‘Fred’ du département d’ingénierie – un proxy pour les employés avec des décennies d’expérience – dont le modèle cognitif construit au fil des années d’exploitation de l’installation est désormais complété par l’IA générative. Grâce à cette interface, les ordinateurs emploient un raisonnement scientifique semblable à celui d’un expert en ingénierie – analysant l’historique opérationnel, reconnaissant les schémas et suggérant des mesures proactives.
En conclusion, les systèmes d’IA ont désormais la capacité d’examiner divers scénarios, d’évaluer les réponses passées et de discerner les cours d’action les plus efficaces à partir des données historiques. Zornio envisage cette approche d’IA de bout en bout comme la pierre angulaire de la construction de systèmes de support à produit robustes, intégrant des manuels et des interactions d’assistance, et invitant à poser des questions sur le produit.
Les implications du rôle d’assistant de l’IA s’étendent à diverses industries, des industries pétrochimiques et de la fabrication automobile à la vinification, où des questions sur la qualité supérieure d’un millésime par rapport à un autre peuvent être minutieusement examinées par l’IA, en analysant des indicateurs critiques tels que la température, la douceur, l’acidité et la durée de fermentation.
Zornio souligne le besoin croissant de collaboration entre les équipes internes historiquement cloisonnées – les groupes de technologies opérationnelles et de l’information – en commençant par l’intégration de formats de données disparates. L’interopérabilité des données de technologies opérationnelles et de l’information, en particulier pour les systèmes d’IA hébergés sur le cloud et intégrant des modèles basés sur le langage comme OpenAI, est essentielle à l’avancement d’une architecture de données interconnectée.
Bien que l’article offre une vue d’ensemble claire du concept de la génération IA et de ses implications, il existe des faits supplémentaires pertinents, des questions clés, des défis, des controverses, des avantages et des inconvénients qui peuvent fournir une compréhension plus approfondie du sujet.
The source of the article is from the blog maltemoney.com.br