DOI: https://doi.org/10.3389/frai.2024.1247712
PMID: https://pubmed.ncbi.nlm.nih.gov/39588293
تاريخ النشر: 2024-11-11
المؤلف: Franz Krause وآخرون
الموضوع الرئيسي: جودة البيانات وإدارتها
نظرة عامة
في هذه الورقة، يفحص المؤلفون تطبيق الرسوم البيانية المعرفية (KGs) في إدارة التدخلات البشرية المتزامنة ضمن عمليات التصنيع المدعومة بالذكاء الاصطناعي، خاصة تحت ظروف متغيرة. يسلطون الضوء على قيود أنظمة KG التقليدية، التي تكون عادة ثابتة ومصممة في البداية. بدلاً من ذلك، يدعون إلى مبدأ تصميم متأخر يسمح بمرونة أكبر ودمج الذكاء البشري أثناء التشغيل، مما يقارن ذلك بالتشكيل المبكر الذي يحدد سلوك النظام بشكل صارم في وقت التصميم. تستند المناقشة إلى رؤى من المشروع الأوروبي Teaming.AI، مع التركيز على التحديات مثل نمذجة خبرة المجال والسكان الديناميكي للـ KGs، والتي تعتبر أساسية للتعلم الآلي العلاقي الفعال.
تؤكد الاستنتاجات على إمكانية الذكاء الاصطناعي لتعزيز التعاون بين البشر والذكاء الاصطناعي من خلال النمذجة الحسابية المعتمدة على الرسوم البيانية المعرفية. يقدم المؤلفون مفاهيم التشكيل المبكر والمتأخر، مستكشفين كيف يمكن أن تسهل المساهمات البشرية تكيف أنظمة الذكاء الاصطناعي مع ظروف التشغيل في الوقت الحقيقي. يقترحون أن البحث المستقبلي سيطور نهجهم في KG ويشمل استراتيجيات الذكاء الاصطناعي التوليدي لتحسين كفاءة ملء الرسوم البيانية المعرفية من مصادر البيانات شبه المنظمة، كما اقترح بان وآخرون (2024).
مقدمة
تؤكد مقدمة الورقة على ضرورة مشاركة البشر في النشر الفعال لتقنيات الذكاء الاصطناعي (AI)، خاصة في السياقات الصناعية حيث تزداد الأتمتة ولكن لا تزال تتطلب إشرافًا بشريًا. تبرز قيود أنظمة الذكاء الاصطناعي الحالية، خاصة في السيناريوهات التي تفتقر إلى البيانات الكافية أو الحاجة إلى التكيف في الوقت الحقيقي. يشير المؤلفون إلى مساهمات مجتمع التفاعل بين الإنسان والكمبيوتر (HCI) على مدى الـ 25 عامًا الماضية، والتي قدمت إرشادات لتعزيز التعاون بين البشر والذكاء الاصطناعي. تواجه هذه الإرشادات، على الرغم من كونها أساسية، تحديات في الانتقال من المبادئ عالية المستوى إلى النماذج التشغيلية التي يمكن أن تسهل بشكل فعال العمل الجماعي بين البشر والذكاء الاصطناعي.
تحدد الورقة عدة مشاكل نمذجة أساسية للتفاعل الفعال بين الإنسان والآلة، بما في ذلك الحاجة إلى مفردات مشتركة، وفهم المهام، ونماذج الاتصال. تقدم نموذجًا معياريًا لمعالجة الاعتبارات القانونية والأخلاقية، مثل اللائحة العامة لحماية البيانات الأوروبية (GDPR) واللوائح القادمة المتعلقة بالذكاء الاصطناعي. يجادل المؤلفون بأن الطبيعة الديناميكية للتفاعلات بين البشر والذكاء الاصطناعي تتطلب تحديثات مستمرة لهذه النماذج للحفاظ على فعالية الفريق. تختتم المقدمة بتحديد هيكل الورقة، الذي سيحلل ديناميات التعاون بين البشر والذكاء الاصطناعي في عمليات التصنيع، مع التركيز على التحديات والمنهجيات لدمج المدخلات البشرية في أنظمة الذكاء الاصطناعي تحت ظروف متغيرة.
طرق
تستعرض هذه القسم المنهجيات لنمذجة الرسوم البيانية المعرفية (KG) وملئها، مع التأكيد على دورها في توفير رؤية شاملة ومترابطة للمعرفة. تميز KGs عن قواعد البيانات التقليدية بقدرتها على تمثيل العلاقات الدلالية المعقدة بشكل ديناميكي. يبرز المؤلفون مجموعة متنوعة من المنهجيات المقتبسة من هندسة الأنطولوجيا، خاصة تلك التي تسهل التطوير السريع مع خبراء المجال الصناعي، والتي تعتبر أساسية في البيئات سريعة التغير. يمكن أن يكون بناء الرسوم البيانية المعرفية يدويًا أو آليًا، حيث يستخدم الأخير مصادر شبه منظمة أو يستخرج المعرفة من نصوص غير منظمة، على الرغم من أن ذلك قد يؤثر على الدقة والجودة.
بالإضافة إلى ذلك، يناقش القسم طرق نمذجة العمليات، والمراقبة، والتنظيم، مشيرًا إلى أهمية التعريفات الرسمية للعمليات التجارية من خلال نماذج تعين المهام على الوكلاء. يقارن بين نماذج البرمجة الإلزامية والإعلانية، حيث تتطلب الأولى تعريفات خطوات واضحة بينما تسمح الثانية بتنفيذ مرن بناءً على القيود. يجد المؤلفون أنه بينما تكون النمذجة الإلزامية مفيدة من حيث الوضوح والإيجاز، فإن النمذجة الإعلانية تكون مفيدة في البيئات المتقلبة. أخيرًا، يتناول القسم إمكانيات تضمين KG في التعلم الآلي العلاقي، مؤكدًا على دورها في تعزيز تعبيرية بيانات الرسوم البيانية وتطبيقها في مهام مختلفة لاحقة. يعتبر دمج تضمين KG أمرًا حيويًا للتحقق من اتساق البيانات واستنباط معرفة جديدة في السياقات الصناعية.
مناقشة
في سياق الصناعة 4.0 والنموذج الناشئ للصناعة 5.0، تبرز هذه البحث الدور الحاسم للتعاون بين البشر والذكاء الاصطناعي (H-AI) ضمن أنظمة الإنتاج السيبرانية الفيزيائية المعقدة (CPPSs). تحدد الورقة ثلاثة سيناريوهات رئيسية حيث تكون مشاركة البشر ضرورية: ضمان الإشراف البشري في الحالات الحساسة حيث يفتقر الذكاء الاصطناعي إلى الثقة الكافية (حالة الاستخدام 1)، ضبط معلمات الآلة أثناء الإنتاج التي تتطلب تفكيرًا خبيرًا (حالة الاستخدام 2)، وتقديم تقييمات مريحة شخصية التي تكافح أنظمة الذكاء الاصطناعي لتخصيصها (حالة الاستخدام 3). تؤكد هذه السيناريوهات على ضرورة الفهم السياقي والخبرة البشرية، خاصة في المهام التي يصعب أتمتتها بسبب اعتمادها على تجارب بشرية دقيقة ومدخلات حسية.
تتوسع المناقشة أكثر في تحديات نمذجة المعرفة ودمجها اللازمة للتعاون الفعال بين H-AI. تؤكد على الحاجة إلى نموذج تصميم “متأخر”، والذي يسمح بتكيف أنظمة الذكاء الاصطناعي بعد النشر للاستجابة للتغيرات غير المتوقعة. يدعو هذا النهج إلى نظام هجين يجمع بين التعلم الآلي والذكاء البشري، مما يعزز الوعي بالوضع وقدرات اتخاذ القرار. بالإضافة إلى ذلك، تحدد الورقة أهمية نموذج تنظيم هيكلي يستوعب الطبيعة الديناميكية لتفاعلات H-AI، مما يضمن أن يتم الاستفادة من نقاط القوة لكل من البشر والذكاء الاصطناعي بشكل فعال في البيئات الصناعية المعقدة. يُقترح دمج رسم بياني معرفي معياري، متماشيًا مع الهيكل الطبقي للأنظمة الصناعية، كوسيلة لتسهيل هذا التعاون، مما يمكّن من اتخاذ قرارات أفضل وكفاءة تشغيلية أعلى.
DOI: https://doi.org/10.3389/frai.2024.1247712
PMID: https://pubmed.ncbi.nlm.nih.gov/39588293
Publication Date: 2024-11-11
Author(s): Franz Krause et al.
Primary Topic: Data Quality and Management
Overview
In this paper, the authors examine the application of Knowledge Graphs (KGs) in managing inline human interventions within AI-assisted manufacturing processes, particularly under varying conditions. They highlight the limitations of traditional KG systems, which are typically static and designed at the outset. Instead, they advocate for a late shaping design principle that allows for greater adaptability and integration of human intelligence during runtime, contrasting it with early shaping that rigidly defines system behavior at design time. The discussion draws on insights from the European project Teaming.AI, focusing on challenges such as modeling domain expertise and the dynamic population of KGs, which are essential for effective relational machine learning.
The conclusions emphasize the potential of AI to enhance human-AI collaboration through knowledge graph-based computational modeling. The authors introduce the concepts of early and late shaping, exploring how human contributions can facilitate the adaptation of AI systems to real-time operational conditions. They propose that future research will further develop their KG approach and incorporate generative AI strategies to improve the efficiency of populating knowledge graphs from semi-structured data sources, as suggested by Pan et al. (2024).
Introduction
The introduction of the paper emphasizes the necessity of human involvement in the effective deployment of Artificial Intelligence (AI) technologies, particularly in industrial contexts where automation is increasing but still requires human oversight. It highlights the limitations of current AI systems, especially in scenarios with insufficient data or the need for real-time adaptations. The authors reference the human-computer interaction (HCI) community’s contributions over the past 25 years, which have provided guidelines for enhancing collaboration between humans and AI. These guidelines, while foundational, face challenges in transitioning from high-level principles to operational models that can effectively facilitate human-AI teamwork.
The paper identifies several modeling problems essential for effective human-machine interaction, including the need for shared vocabularies, task understanding, and communication models. It introduces a normative model to address legal and ethical considerations, such as the European General Data Protection Regulation (GDPR) and upcoming AI regulations. The authors argue that the dynamic nature of human and AI interactions necessitates continuous updates to these models to maintain team effectiveness. The introduction concludes by outlining the paper’s structure, which will analyze the dynamics of human-AI collaboration in manufacturing processes, focusing on the challenges and methodologies for integrating human input into AI systems under changing conditions.
Methods
The section outlines methodologies for knowledge graph (KG) modeling and population, emphasizing their role in providing a comprehensive and interconnected view of knowledge. KGs are distinguished from traditional databases by their ability to represent complex semantic relationships dynamically. The authors highlight various methodologies adapted from ontology engineering, particularly those that facilitate agile development with industrial domain experts, which are essential in rapidly changing environments. Knowledge graph construction can be manual or automated, with the latter utilizing semi-structured sources or extracting knowledge from unstructured text, though this may compromise precision and quality.
Additionally, the section discusses methods for process modeling, monitoring, and orchestration, noting the importance of formal definitions of business processes through models that assign tasks to agents. It contrasts imperative and declarative modeling paradigms, with the former requiring explicit step definitions and the latter allowing for flexible execution based on constraints. The authors find that while imperative modeling is beneficial for clarity and brevity, declarative modeling is advantageous in volatile environments. Lastly, the section addresses the potential of KG embeddings in relational machine learning, emphasizing their role in enhancing the expressivity of graph data and their application in various downstream tasks. The integration of KG embeddings is deemed crucial for validating data consistency and deriving new knowledge in industrial contexts.
Discussion
In the context of Industry 4.0 and the emerging paradigm of Industry 5.0, this research highlights the critical role of human-AI (H-AI) collaboration within complex, self-organizing Cyber-physical Production Systems (CPPSs). The paper identifies three key scenarios where human involvement is essential: ensuring human oversight in sensitive situations where AI lacks sufficient trust (Use Case 1), adjusting machine parameters during production that require expert reasoning (Use Case 2), and providing personalized ergonomic assessments that AI systems struggle to tailor (Use Case 3). These scenarios underscore the necessity of human contextual understanding and expertise, particularly in tasks that are challenging to automate due to their reliance on nuanced human experiences and sensory inputs.
The discussion further elaborates on the challenges of knowledge modeling and integration necessary for effective H-AI collaboration. It emphasizes the need for a “late shaping” design paradigm, which allows for the adaptation of AI systems post-deployment to respond to unforeseen changes. This approach advocates for a hybrid system that combines machine learning with human intelligence, enhancing situational awareness and decision-making capabilities. Additionally, the paper outlines the importance of a structured orchestration model that accommodates the dynamic nature of H-AI interactions, ensuring that both human and AI strengths are leveraged effectively in complex manufacturing environments. The integration of a modular knowledge graph, aligned with the layered structure of manufacturing systems, is proposed as a means to facilitate this collaboration, enabling better decision-making and operational efficiency.