Adimen Artifiziala trebatzen industria-ekoizpen adimentsua lortzeko
Zeregin espezifiko eta mugatuetan zentratutako Adimen Arifizial ahul batetik gizakiaren adimena berdindu edo gainditu nahi duen AA indartsu baterako bilakaera gertatzen ari den egungo eszenatokiak simulazio-sistema tradizionalen funtzionamendu-paradigma sistema aurreratuetara aldatzea ahalbidetzen du.
Baina sistema edo eredu aurreratuak eraikitzeko, ikaskuntza- eta doikuntza-prozesuak ere hobetu behar dira. Indargarri bidezko ikaskuntzek agente autonomoak kontrolatzen ikasteko arazoari giro dinamiko ezezagun batekin proba eta akats bidezko interakzioen bidez egiten diete aurre, non egiten duten ekintza bakoitzeko errefortzu-seinaleak jasotzen dituzten. Agentearen helburuak berehala indartzeko seinaleak zehazten baditu, agentearen zeregina kontrol-estrategia (edo politika) ikastera mugatzen da, denboran zehar metatutako saria maximizatzea ahalbidetuko duena. Ikaskuntza-mota horren eta ohiko Machine Learning-aren arteko alderik garrantzitsuena da ez dagoela sarrera/irteera parerik, baizik eta berehalako saria eta ekintza bat egin ondoren lortutako egoera lortzen direla. Erantzun horren aurrean, ez zaio esaten zer egin behar zukeen, baizik eta esperientzia erabilgarria, ekintzak, egoerak eta jarduteko moduak biltzen joateko aukera ematen zaio.
Indartze bidezko ikaskuntza dagoeneko erabili da produkzio-prozesuetan. Hala ere, esperientzia gehienak iragarpenak egitean zentratzen dira, hau da, etorkizuneko denbora-espazio baten balizko egoerak edo puntuak identifikatzean. Planteamendu zuzena bada ere, iragarpen-sistema batek ez dio konponbiderik ematen soluzioak edo ekintza-gomendioak emateari lotutako problematikari.
Erabiltzen den teknologia edo Adimen Artifiziala edozein dela ere, sistema adimendunak jarduerak konpontzeko edo gomendatzeko sistema batekin osatu behar dira. ACM Recommender System konferentzian aurkeztutako lan berrienen azterketa batek erakusten du ikerketa-ikuspegi ugari aplikatu zaizkiola gomendio-sistemen arazoari, metodo estatistikoetatik hasi eta arrazoibide ontologikoetaraino, eta askotariko arazoei heldu zaiela.
Zalantzarik gabe, ikaskuntza sakonak gomendio-arkitekturak irauli ditu eta aukera gehiago ematen ditu gomendatzailearen errendimendua hobetzeko. Retrieval-Augmented Generation (RAG) egiteko datu multimodalen kudeaketari eta datu-base bektorialetan biltegiratzeari lotutako kontzeptuekin batera, posible da informazioa gordetzea, datuen irudikapen bektoriala egitea eta antzekotasuna bilatzea espero diren helburuetan, hartara, gomendio egingarrienak aurkitzeko.
Fabrikazio-prozesu adimendunen garapena ezagutza eremu zirraragarri honetan ikertzen eta berritzen jarraitzen badugu bakarrik izango da posible.
