Превзойдя RAG: как модели цепочки поставок Articul8 достигают 92% точности там, где ИИ бессилен

A8-SupplyChain и ModelMesh: специализированные решения для цепочек поставок

Компания Articul8 разработала серию специализированных моделей ИИ, A8-SupplyChain, для решения сложных задач в производственных цепочках поставок. Эти модели работают в связке с ModelMesh – динамической системой оркестровки на основе агентивного ИИ. ModelMesh в режиме реального времени выбирает оптимальную модель для каждой конкретной задачи. Articul8 заявляет о достижении 92% точности в промышленных процессах, что превосходит результаты универсальных моделей ИИ в задачах, требующих сложного последовательного рассуждения. Компания, основанная в 2024 году, выделилась из Intel, где её разработчики создавали и внедряли мультимодальные модели ИИ для таких клиентов, как Boston Consulting Group, ещё до появления ChatGPT.

Философия Articul8 кардинально отличается от многих современных подходов к корпоративному ИИ. По словам Аруна Субраманийана, генерального директора и основателя Articul8, «Мы убеждены, что ни одна модель не решит все корпоративные задачи сама по себе; необходима комбинация моделей».

Проблемы ИИ в цепочках поставок: последовательность и контекст

Производственные цепочки поставок представляют собой сложную среду с многоэтапными процессами, где последовательность действий и взаимозависимости между этапами критически важны. Универсальные модели ИИ часто оказываются неэффективными в таких условиях. Как объясняет Субраманийан: «В мире цепочек поставок все сводится к набору шагов, связанных между собой, иногда с рекурсиями».

Рассмотрим пример сборки реактивного двигателя. Процесс включает в себя множество руководств, каждое из которых содержит сотни или тысячи последовательных шагов. Эти руководства – это не просто статическая информация, а временные ряды, требующие точного выполнения. Универсальные модели ИИ, даже с использованием методов поиска информации, часто не способны уловить эти временные связи и проследить процедуру назад для выявления ошибки. Это является фундаментальной проблемой, с которой универсальные модели не справляются.

ModelMesh: динамический уровень интеллекта

Технология Articul8 основана на ModelMesh, который превосходит обычные фреймворки оркестровки моделей. Субраманийан описывает его как «агента агентов» для промышленных приложений: «ModelMesh – это уровень интеллекта, который непрерывно принимает решения и оценивает ситуацию шаг за шагом. Мы создавали его с нуля, так как существующие инструменты не позволяют принимать сотни и тысячи решений во время выполнения».

В отличие от LangChain или LlamaIndex, ModelMesh сочетает байесовские системы со специализированными языковыми моделями для динамической проверки результатов, определения последующих действий и поддержания согласованности в сложных процессах. Эта архитектура обеспечивает агентивный ИИ промышленного класса – системы, способные не только рассуждать о промышленных процессах, но и активно управлять ими.

Альтернатива RAG: промышленный интеллект с нуля

В отличие от многих корпоративных решений, полагающихся на RAG (Retrieval Augmented Generation) для связи универсальных моделей с корпоративными данными, Articul8 использует другой подход. Как объясняет Субраманийан: «Мы разбиваем исходные данные на составляющие: текст, изображения, таблицы из PDF-файлов, а также составляющие элементов аудио и видео. Затем описываем эти элементы, используя комбинацию различных моделей». Компания использует Llama 3.2 в качестве основы (из-за разрешительной лицензии), но затем преобразует её с помощью сложного многоэтапного процесса. Этот подход позволяет моделям SupplyChain развить более глубокое понимание промышленных процессов, чем простое извлечение релевантных фрагментов данных. Модели проходят несколько этапов уточнения, включающих контролируемую тонкую настройку и циклы обратной связи с экспертами в предметной области.

Среди клиентов и партнеров Articul8 – iBase-t, Itochu Techno-Solutions Corporation, Accenture и Intel. Опыт Intel демонстрирует ограничения универсальных моделей в высокоспециализированных промышленных средах. Сринивас Лингам, корпоративный вице-президент и генеральный менеджер группы Network, Edge и AI в Intel, отмечает, что универсальные модели испытывали трудности с интерпретацией специфической терминологии, пониманием контекста и рассуждением в сложных сценариях. Intel внедряет платформу Articul8 для создания «Помощника по производственным инцидентам» – системы, которая помогает диагностировать и устранять простои оборудования, используя исторические и данные в режиме реального времени из различных источников.

Подход Articul8 ставит под сомнение достаточность универсальных моделей с RAG для всех случаев использования в промышленности. Разница в производительности между специализированными и универсальными моделями указывает на необходимость предметно-ориентированных подходов для критически важных приложений, где точность имеет первостепенное значение. Специализированный подход может обеспечить более быстрый возврат инвестиций для высокоценных задач, в то время как универсальные модели продолжают удовлетворять более широкие потребности.