Beyond Rag: Bagaimana model rantai pasokan Articul8 mencapai akurasi 92% di mana AI umum gagal

Dalam perlombaan untuk mengimplementasikan AI di seluruh operasi bisnis, banyak perusahaan menemukan bahwa model tujuan umum sering berjuang dengan tugas-tugas industri khusus yang membutuhkan pengetahuan domain yang mendalam dan penalaran berurutan.

Sementara penyesuaian dan pengambilan generasi augmented (RAG) dapat membantu, itu seringkali tidak cukup untuk kasus penggunaan yang kompleks seperti rantai pasokan. Ini adalah tantangan yang ingin dipecahkan oleh Startup Articul8. Saat ini, perusahaan memulai serangkaian model AI khusus domain untuk rantai pasokan manufaktur yang disebut A8-Supplychain. Model baru disertai dengan ModelMesh Articul8, yang merupakan agen Bertenaga ai Lapisan orkestrasi dinamis yang membuat keputusan real-time tentang model AI mana yang akan digunakan untuk tugas-tugas tertentu.

Articul8 mengklaim bahwa modelnya mencapai akurasi 92% pada alur kerja industri, mengungguli model AI tujuan umum pada tugas penalaran sekuensial yang kompleks.

Articul8 dimulai sebagai tim pengembangan internal di dalam Intel dan diputar sebagai bisnis independen pada tahun 2024. Teknologi ini muncul dari pekerjaan di Intel, di mana tim membangun dan menggunakan model AI multimodal untuk klien, termasuk Boston Consulting Group, sebelum ChatGPT bahkan diluncurkan.

Perusahaan ini dibangun di atas filosofi inti yang bertentangan dengan sebagian besar pendekatan pasar saat ini ke perusahaan AI.

“Kami dibangun di atas keyakinan inti bahwa tidak ada model tunggal yang akan membawa Anda ke hasil usaha, Anda benar -benar membutuhkan kombinasi model,” Arun Subramaniyan, CEO dan pendiri Articul8 mengatakan kepada VentureBeat dalam sebuah wawancara eksklusif. “Anda membutuhkan model khusus domain untuk benar-benar mengejar kasus penggunaan yang kompleks di industri yang diatur seperti kedirgantaraan, pertahanan, manufaktur, semikonduktor atau rantai pasokan.”

Tantangan AI Rantai Pasokan: Ketika urutan dan konteks menentukan keberhasilan atau kegagalan

Rantai manufaktur dan pasokan industri menghadirkan tantangan AI unik yang diharuskan oleh model tujuan umum untuk ditangani secara efektif. Lingkungan ini melibatkan proses multi-langkah yang kompleks di mana urutan, logika bercabang dan saling ketergantungan antara langkah-langkah sangat penting.

“Di dunia rantai pasokan, prinsip inti yang mendasari adalah segalanya adalah banyak langkah,” Subramaniyan menjelaskan. “Semuanya adalah banyak langkah terkait, dan langkah -langkah terkadang memiliki koneksi dan kadang -kadang memiliki rekursi.”

Misalnya, katakanlah pengguna sedang mencoba merakit mesin jet, sering ada banyak manual. Masing -masing manual memiliki setidaknya beberapa ratus, jika tidak beberapa ribu, langkah -langkah yang perlu diikuti secara berurutan. Dokumen -dokumen ini bukan hanya informasi statis – mereka secara efektif menentukan waktu data seri yang mewakili proses berurutan yang harus diikuti secara tepat. Subramaniyan berpendapat bahwa model AI umum, bahkan ketika ditambah dengan teknik pengambilan, sering gagal untuk memahami hubungan temporal ini.

Jenis penalaran kompleks ini – berlakar mundur melalui prosedur untuk mengidentifikasi di mana kesalahan terjadi – mewakili tantangan mendasar yang belum dibangun oleh model umum.

ModelMesh: Lapisan Kecerdasan Dinamis, bukan hanya orkestrator lain

Di jantung teknologi Articul8 adalah ModelMesh, yang melampaui kerangka kerja orkestrasi model khas untuk menciptakan apa yang digambarkan perusahaan sebagai “agen agen” untuk aplikasi industri.

“ModelMesh sebenarnya adalah lapisan intelijen yang menghubungkan dan terus memutuskan dan menilai hal -hal saat mereka melewati satu langkah pada satu waktu,” jelas Subramaniyan. “Itu adalah sesuatu yang harus kami bangun sepenuhnya dari awal, karena tidak ada alat di luar sana yang benar -benar mendekati melakukan apa yang harus kami lakukan, yang membuat ratusan, kadang -kadang bahkan ribuan, keputusan saat runtime.”

Tidak seperti kerangka kerja yang ada seperti langchain atau llamaindex yang menyediakan alur kerja yang telah ditentukan, ModelMesh menggabungkan sistem Bayesian dengan model bahasa khusus untuk secara dinamis menentukan apakah output benar, tindakan apa yang harus diambil selanjutnya dan bagaimana mempertahankan konsistensi di seluruh proses industri yang kompleks.

Arsitektur ini memungkinkan apa yang Articul8 gambarkan sebagai AI agen kelas industri-sistem yang tidak hanya dapat beralasan tentang proses industri tetapi juga secara aktif mengendarainya.

Beyond Rag: Pendekatan Ground-Up untuk Intelijen Industri

Sementara banyak implementasi AI perusahaan bergantung pada pengambilan generasi (RAG) untuk menghubungkan model umum dengan data perusahaan, Articul8 mengambil pendekatan yang berbeda untuk membangun keahlian domain.

“Kami benar -benar mengambil data yang mendasarinya dan memecahnya menjadi elemen konstituen mereka,” jelas Subramaniyan. “Kami memecah PDF menjadi teks, gambar, dan tabel. Jika itu audio atau video, kami memecahnya menjadi elemen konstituen yang mendasarinya, dan kemudian kami menggambarkan elemen -elemen itu menggunakan kombinasi model yang berbeda.”

Perusahaan dimulai dengan Llama 3.2 sebagai yayasan, yang dipilih terutama untuk lisensi permisifnya, tetapi kemudian mengubahnya melalui proses multi-tahap yang canggih. Pendekatan berlapis-lapis ini memungkinkan model mereka untuk mengembangkan pemahaman yang jauh lebih kaya tentang proses industri daripada sekadar mengambil potongan data yang relevan.

Model SupplyChain menjalani beberapa tahap penyempurnaan yang dirancang khusus untuk konteks industri. Untuk tugas yang jelas, mereka menggunakan penyesuaian yang diawasi. Untuk skenario yang lebih kompleks yang membutuhkan pengetahuan ahli, mereka menerapkan loop umpan balik di mana para ahli domain mengevaluasi respons dan memberikan koreksi.

Bagaimana perusahaan menggunakan Articul8

Meskipun masih lebih awal untuk model baru, perusahaan sudah mengklaim sejumlah pelanggan dan mitra termasuk IBASE-T, Itochu Techno-Solutions Corporation, Accenture dan Intel.

Seperti banyak organisasi, Intel memulai perjalanan Gen AI dengan mengevaluasi model tujuan umum untuk mengeksplorasi bagaimana mereka dapat mendukung operasi desain dan manufaktur.

“Sementara model-model ini mengesankan dalam tugas-tugas terbuka, kami dengan cepat menemukan keterbatasan mereka ketika diterapkan pada lingkungan semikonduktor kami yang sangat khusus,” Srinivas Lingam, wakil presiden perusahaan dan manajer umum jaringan, Edge dan AI Group di Intel, mengatakan kepada VentureBeat. “Mereka berjuang dengan menafsirkan terminologi spesifik semikonduktor, memahami konteks dari log peralatan, atau penalaran melalui skenario downtime multi-variabel yang kompleks.”

Intel menggunakan platform Articul8 untuk membangun apa yang disebut Lingam-Asisten Insiden Manufaktur-sistem yang cerdas dan berbasis bahasa alami yang membantu para insinyur dan teknisi mendiagnosis dan menyelesaikan acara downtime peralatan di Intel's Fabs. Dia menjelaskan bahwa model platform dan domain khusus mencerna data manufaktur historis dan real-time, termasuk log terstruktur, artikel wiki yang tidak terstruktur dan repositori pengetahuan internal. Ini membantu tim Intel melakukan analisis akar penyebab root (RCA), merekomendasikan tindakan korektif dan bahkan mengotomatiskan bagian -bagian dari pembuatan perintah kerja.

Apa artinya ini untuk strategi AI perusahaan

Pendekatan Articul8 menantang asumsi bahwa model tujuan umum dengan RAG akan cukup untuk semua kasus penggunaan untuk perusahaan yang menerapkan AI dalam konteks manufaktur dan industri. Kesenjangan kinerja antara model khusus dan umum menunjukkan pembuat keputusan teknis harus mempertimbangkan pendekatan khusus domain untuk aplikasi misi-kritis di mana presisi adalah yang terpenting.

Ketika AI beralih dari eksperimen ke produksi di lingkungan industri, pendekatan khusus ini dapat memberikan ROI yang lebih cepat untuk kasus penggunaan bernilai tinggi tertentu sementara model umum terus melayani kebutuhan yang lebih luas dan kurang khusus.