بذارید خیلی رُک و خودمونی براتون بگم چی داره توی جهان اتوماسیون صنعتی می‌گذره! دیگه دوره‌ای که فرآیندهای شیمیایی فقط با یه مشت دکمه و کنترلر ساده می‌چرخیدن، گذشته. الان همه چی پیچیده‌تر شده، نیروی کار کم‌تره، و خرابی‌ها عجیب‌تر! حالا سوال اینجاست: چطور باید با این پیچیدگی‌ها مقابله کنیم؟ دانشمندا گفتن بیا هوش مصنوعی رو ببریم وسط.
اما منظورمون از هوش مصنوعی اینجا فقط اون هوش مصنوعی‌های کلاسیک که مثلاً فقط یه کم داده می‌خورن و یه خروجی ساده می‌دن نیست. اینجا دارن از LLMها استفاده می‌کنن. مثلاً LLM یعنی همون مدل‌های زبانی خیلی بزرگ مثل GPT-4 که می‌تونن متن خیلی منطقی تولید کنن و حتی راهکار بدن!
تو این مقاله اومدن یه فریم‌ورک جدید ساختن که سه بخش داره و همه‌ش حول این LLMها می‌چرخه.
- فاز اول: یه عامل (یا ایجنت) برنامه‌ریز داریم که با کمک LLM، مسیرهایی برای بازگردوندن سیستم سر پا پیشنهاد میده. یعنی مثلاً اگه یه مشکلی پیش بیاد، این ایجنت می‌گه از چه مسیری باید بری تا دوباره سیستم درست شه.
- فاز دوم: یه عامل شبیه‌ساز داریم (Simulation Agent)، که میاد و یکی یکی همین مراحل پیشنهادی رو اجرا و بررسی می‌کنه. خلاصه مثل اینکه خیلی جدی پشت قضیه وایساده.
- فاز سوم، که خیلی باحاله: اگه نقشه راه قبلی نشه (مثلاً اشتباهی یا غیرممکن باشه)، یه لوپِ Validator-Reprompting هست که دوباره و دوباره بازخورد میده تا LLM بهترین و عملی‌ترین نقشه پیشنهادی رو بده. Reprompting یعنی هی به مدل دستور می‌دن تا به جواب درست‌تر برسه.
برای این که بدونن این روش واقعاً جواب میده یا نه، یه سری آزمایش انجام دادن:
-
آزمایش اول مربوط به ماشین‌های حالت محدود یا همون FSMها بود. FSM یعنی یه مدل ساده که وضعیت‌های مختلف رو با یه سری قوانین به هم وصل می‌کنه. تو این آزمایش، ۱۸۰ تا FSM با اندازه و پیچیدگی مختلف ساختن (مثلاً بعضیاش فقط ۴ تا وضعیت داشتن و بعضیاش تا ۲۵ تا؛ تعداد انتقال‌ها هم بین ۴ تا ۳۰۰ تا بود). نتیجه عالی بود: مدل‌های GPT-4o و نسخه کوچیکش GPT-4o-mini تو ۵ بار سؤالات دوباره‌ی Reprompting، تو ۱۰۰٪ موارد مسیر درست رو پیدا کردن! تازه هم دقت بیشتری داشتن هم سریع‌تر از مدل‌های اپن‌سورس دیگه بودن.
-
آزمایش دومی که انجام دادن با دو تا بخاری مجزا توی یه آزمایشگاه بود، اسمش TCLab. اینجا هدف‌شون این بود که با دستکاری ورودی به این بخاری‌ها، دمای متوسط رو نزدیک یه عدد خاص نگه دارن، اونم وقتی که مدام مزاحمت و اختلال وارد می‌شد. این کار معمولاً با کنترلر PID انجام می‌شه، که روش رایجه و برای کنترل خطی خوبه. خب نتیجه چی شد؟ مدل LLM تقریباً عملکردش در حد همون PIDهای کلاسیک بود، ولی یه پوینت خیلی مهم داشت: اون حلقه Reprompting (یعنی چند بار سؤال پرسیدن و پیشنهاد گرفتن) تو هندل کردن سیستم‌های غیرخطی، نقش حیاتی داشت و باعث شد سیستم عملکرد بهتری داشته باشه!
البته مشکلات و شکست‌ها هم داشتن. برای مثال، تو بعضی موارد مدل LLM درست دستورها رو دنبال نمی‌کرد یا معادلات دیفرانسیل رو خیلی سرسری تقریب می‌زد (یعنی ODE Approximation، معادل ساده‌سازی محاسبات فرمولی). ولی وقتی به مدل بازخورد ساختارمند دادن (یعنی همون Validator-Reprompting)، این ایرادات کم‌تر شد.
حالا جمع‌بندی ماجرا چیه؟ با این فریم‌ورک، می‌تونیم هم کنترل‌های سطح بالا (برنامه‌ریزی و تصمیم‌گیری) و هم کنترل‌های سطح پایین (تنظیم دقیق ورودی خروجی‌ها) رو تو یه سیستم یکپارچه با کمک LLMها انجام بدیم. یعنی هم بار سنگین فکر کردن موقع ایرادات رو می‌ذاره رو دوش هوش مصنوعی، هم جزئیات اجرا رو. این یعنی یه قدم بزرگ به سمت اتوماسیون خودکار، هوشمند و مقاوم در صنعت شیمیایی یا هر جای دیگه.
خلاصه اگه دلتون یه سیستم کنترل هوشمند می‌خواد که هم حرف حساب بزنه و هم سریع عمل کنه، این روش LLM پایه می‌تونه خیلی به دردتون بخوره. تازه چون بخش‌بخش و ماژولاره، می‌تونید راحت هر بخشی رو جدا ارتقا بدید یا جایگزینش کنید.
در نهایت، پژوهشگران نشون دادن که با آژانس‌دهی بیشتر به LLMها و بازخورد درست و حسابی، شاید سرانجام بتونیم تو صنعت به سمت “اتوماسیون مبتنی بر زبان” حرکت کنیم؛ یعنی سیستم‌هایی که با توضیحات ساده و زبانی، بهترین کنترل و تصمیم‌گیری رو انجام می‌دن. دنیا داره به این سمت می‌ره، شما آمادگیش رو دارید؟
منبع: +
