पिछले एक दशक से, तकनीकी जगत बड़े पैमाने पर स्थैतिक डेटासेट को बड़े और बड़े मॉडलों में फीड करने के प्रति जुनूनी रहा है। इसने छवियों को वर्गीकृत करने और पाठ उत्पन्न करने के लिए शानदार ढंग से काम किया। लेकिन जब आप औद्योगिक अनुसंधान एवं विकास के क्षेत्र में कदम रखते हैं, तो शुद्ध, डेटा-संचालित एआई की सीमाएं स्पष्ट रूप से स्पष्ट हो जाती हैं।
हम स्थिर डेटासेट की दुनिया में काम नहीं करते हैं। चाहे हम उपयोगिता-पैमाने की बैटरी ऊर्जा भंडारण प्रणाली के अस्थिर चार्ज/डिस्चार्ज चक्र को संतुलित कर रहे हों या गतिशील ग्रिड लोड का प्रबंधन कर रहे हों, भौतिक वातावरण अराजक और अक्षम्य है। आइए स्पष्ट करें: इन डोमेन में, भविष्यवाणी पर्याप्त नहीं है। हमें नियंत्रण की जरूरत है.
यहीं पर उद्योग अब अपना पैसा लगा रहा है। पिछले कुछ वर्षों से, इंजीनियर और वैज्ञानिक मशीन लर्निंग के प्रचार को नियंत्रण इंजीनियरिंग के कठोर, समय-परीक्षणित सिद्धांतों के साथ जोड़ रहे हैं और औद्योगिक साइबरनेटिक्स विषय को पुनर्जीवित कर रहे हैं। मशीन लर्निंग पैटर्न पहचान और उस तरह के अव्यवस्थित, गैर-रेखीय सिस्टम व्यवहारों की मैपिंग में शानदार है, जिन्हें पकड़ने के लिए पारंपरिक भौतिकी-आधारित मॉडल संघर्ष करते हैं। लेकिन आप एक अप्रतिबंधित तंत्रिका नेटवर्क को मेगावाट बिजली प्रवाह या एयरोस्पेस एक्चुएटर्स का प्रबंधन नहीं करने दे सकते। नियंत्रण सिद्धांत-राज्य मशीनें, फीडबैक लूप और स्थिरता मानदंड-आवश्यक रेलिंग प्रदान करता है। हम एक हाइब्रिड इंटेलिजेंस की ओर बढ़ रहे हैं जहां एमएल पैटर्न की पहचान करता है, लेकिन नियंत्रण इंजीनियरिंग यह सुनिश्चित करती है कि सिस्टम खुद को अलग न करे।
यह आवश्यक अभिसरण ही है जिसके कारण डिजिटल जुड़वाँ अंततः एक विपणन मूलमंत्र से इंजीनियरिंग बुनियादी ढांचे के एक महत्वपूर्ण हिस्से में परिवर्तित हो गए हैं। और मैं एक सुंदर 3D डैशबोर्ड के बारे में बात नहीं कर रहा हूँ। मेरा मतलब कठोर सिस्टम पहचान के माध्यम से निर्मित उच्च-निष्ठा, कम्प्यूटेशनल सरोगेट मॉडल से है। लाइव सेंसर डेटा को अंतर्निहित भौतिकी के साथ लगातार जोड़कर, हम किसी परिसंपत्ति के पूरे जीवनचक्र में उसके व्यवहार का अनुकरण कर सकते हैं। हम किसी सिस्टम को उसकी सैद्धांतिक सीमा तक सुरक्षित रूप से धकेल सकते हैं, हार्डवेयर द्वारा फ़ील्ड देखे जाने से बहुत पहले वर्चुअल स्पेस में थर्मल रनवे या यांत्रिक विफलताओं का अनुकरण कर सकते हैं।
लेकिन यहां एक ऐसी पकड़ है जिसे केवल सॉफ्टवेयर वाले लोग अक्सर भूल जाते हैं: इस बुद्धिमत्ता को भौतिक दुनिया में एम्बेड करना कम्प्यूटेशनल रूप से एक पूर्ण जानवर है। स्वायत्त प्रणालियाँ सख्त, मिलीसेकंड-स्तर की समय बाधाओं के तहत काम करती हैं। आप एक साथ बड़े पैमाने पर सेंसर स्ट्रीम संसाधित कर रहे हैं, पूर्वानुमानित सिमुलेशन चला रहे हैं, और वास्तविक समय नियंत्रण क्रियाएं निष्पादित कर रहे हैं। इसके लिए गंभीर आयरन की आवश्यकता होती है। उन्नत, त्वरित कंप्यूटिंग अवसंरचना अब केवल एक आईटी चिंता का विषय नहीं है; यह अनुसंधान एवं विकास नवाचार के लिए मूलभूत बाधा है।
यही कारण है कि हार्डवेयर-इन-द-लूप (एचआईएल) सत्यापन और परीक्षण अभी भी आधुनिक परीक्षण और सत्यापन ढांचे की रीढ़ हैं। एचआईएल सिमुलेटर वास्तविक भौतिक नियंत्रक लेते हैं, उन्हें उच्च-निष्ठा सिमुलेशन मॉडल के निम्न-रैंक सन्निकटन के आधार पर डिजिटल ट्विन का उपयोग करके यह सोचने में धोखा देते हैं कि वे वास्तविक दुनिया की संपत्ति से जुड़े हुए हैं, और उन्हें चरम किनारे-मामले परिदृश्यों से प्रभावित करते हैं। यह लाखों डॉलर के उपकरणों को जोखिम में डाले बिना सैद्धांतिक एआई व्यवहार को तैनात, सुरक्षित औद्योगिक प्रणालियों में बदलने का एकमात्र तरीका है।
अंततः, एआई में अगली सीमा सर्वर फ़ार्म में एकल एल्गोरिथम सफलता नहीं होगी। इसे हमारे द्वारा बनाए गए इंजीनियरिंग इकोसिस्टम द्वारा परिभाषित किया जाएगा – उच्च-प्रदर्शन कंप्यूटिंग, एचआईएल रिग्स, एज, ऑन-प्रिमाइसेस, फॉग और क्लाउड कंप्यूटिंग संसाधनों के साथ-साथ सरोगेट मॉडल, डिजिटल ट्विन्स – जो हमें स्टील के साथ कोड को सहजता से मर्ज करने की अनुमति देते हैं। हमें अलग-अलग स्क्रिप्ट लिखने वाले सॉफ़्टवेयर डेवलपर्स की तरह सोचना बंद करना चाहिए, और स्वायत्त, भौतिक मशीनें बनाने वाले सिस्टम इंजीनियरों की तरह सोचना शुरू करना चाहिए।
(व्यक्त विचार निजी हैं)
यह लेख ऋषि रेलन, सीमेंस एनर्जी इंडिया लिमिटेड, गुड़गांव और मनीषा सैनी, बीएमएल मुंजाल यूनिवर्सिटी, गुड़गांव, भारत द्वारा लिखा गया है।
(टैग्सटूट्रांसलेट)1. मशीन लर्निंग 2. नियंत्रण इंजीनियरिंग 3. डिजिटल जुड़वाँ 4. औद्योगिक अनुसंधान एवं विकास 5. भविष्य कहनेवाला सिमुलेशन
