An Integrated AI-Driven Framework for Industry 5.0 Sustainability Through Multi-Agent Systems and Distributed Optimization

आधुनिक दुनिया में, कारखाने, शहर और अस्पताल तेजी से एक-दूसरे से जुड़ रहे हैं, जो सेंसरों और मशीनों से भारी मात्रा में डेटा उत्पन्न कर रहे हैं। यह युग, जिसे अक्सर इंडस्ट्री 5.0 कहा जाता है, मानव श्रमिकों और बुद्धिमान मशीनों को इस तरह से एक साथ लाने का लक्ष्य रखता है जो न केवल कुशल हो बल्कि टिकाऊ और लचीला भी हो। हालांकि, एक महत्वपूर्ण बाधा बनी हुई है: वह सॉफ्टवेयर जो इन प्रणालियों को चलाता है, अक्सर खंडित होता है। अलग-अलग प्रोग्राम डेटा से सीखने, निर्णय लेने और विभिन्न मशीनों के बीच समन्वय करने का काम करते हैं, लेकिन वे शायद ही कभी प्रभावी ढंग से एक-दूसरे से बात कर पाते हैं। जब कोई प्रणाली ऊर्जा ग्रिड या यातायात प्रवाह जैसे जटिल नेटवर्क को प्रबंधित करने की कोशिश करती है, तो वह अक्सर बड़े पैमाने पर विस्तार करने, अचानक परिवर्तनों के अनुकूल होने या यह समझाने में संघर्ष करती है कि उसने एक विशिष्ट विकल्प क्यों चुना। वैज्ञानिकों के लिए चुनौती एक एकल, एकीकृत मस्तिष्क बनाने की है जो सूचना की विशाल मात्रा से दबे बिना इन सभी हिस्सों को एक साथ सीख सके, अनुकूलित कर सके और समन्वित कर सके।

इसे हल करने के लिए, लिंकन यूनिवर्सिटी कॉलेज के शोधकर्ता खेद्दारी तेजानी और मिधुन चक्करावर्थी ने UAI-5 नामक एक नया ढांचा प्रस्तावित किया है। इस ढांचे को वास्तविक दुनिया की जटिलता को संभालने वाले बुद्धिमान सिस्टम बनाने के ब्लूप्रिंट के रूप में समझें। सीखने और निर्णय लेने के लिए अलग-अलग उपकरणों पर निर्भर रहने के बजाय, UAI-5 उन्हें एक एकल, स्तरित वास्तुकला (लेयर्ड आर्किटेक्चर) में बुन देता है। सबसे नीचे, यह वातावरण से कच्चे डेटा को एकत्र करता है, जैसे ऊर्जा का उपयोग या यातायात के पैटर्न। अगले स्तर इस जानकारी को संसाधित करते हैं, पैटर्न की पहचान करते हैं, और फिर निर्णय लेने के लिए एक परिष्कृत विधि का उपयोग करते हैं। महत्वपूर्ण रूप से, यह प्रणाली डिजिटल एजेंटों की एक टीम का उपयोग करती है जो एक साथ मिलकर काम करते हैं, बिल्कुल वैसे ही जैसे विशेषज्ञों का एक समूह किसी परियोजना का समन्वय करता है, न कि एक एकल केंद्रीय कंप्यूटर जो अकेले सब कुछ करने की कोशिश करता है। यह दृष्टिकोण सिस्टम को लचीला बनाता है, जिससे यह वास्तविक समय में नई जानकारी के अनुकूल हो जाता है और यह भी सुनिश्चित करता है कि नेटवर्क के सभी हिस्से सर्वोत्तम कार्रवाई पर सहमत हों।

इस शोध का मुख्य नवाचार यह है कि यह प्रणाली निर्णय कैसे लेती है। लेखकों ने दो शक्तिशाली गणितीय विचारों को जोड़ा: एक जो सिस्टम को डेटा से सीखने में मदद करता है और दूसरा जो इसे कई संभावनाओं में से सबसे कुशल समाधान खोजने में मदद करता है। उन्होंने अल्जीरिया के पांच अलग-अलग क्षेत्रों, जिनमें अल्जीयर्स के औद्योगिक क्षेत्र और घारडिया के सोलर-हाइब्रिड स्टेशन शामिल हैं, में एक स्मार्ट ऊर्जा ग्रिड का अनुकरण (सिमुलेशन) करके इसका परीक्षण किया। इस सिमुलेशन में, प्रत्येक क्षेत्र की अलग-अलग ज़रूरतें थीं, जैसे विविध ऊर्जा मांग और ट्रांसमिशन लागत, और वे नवीकरणीय ऊर्जा उत्पादन में उतार-चढ़ाव जैसी अनिश्चितताओं का सामना कर रहे थे। शोधकर्ताओं ने सिस्टम को यह तय करने के लिए कहा कि संसाधनों का आवंटन करने का सबसे अच्छा तरीका क्या है, जबकि उसे उस अप्रासंगिक या शोर वाले डेटा को अनदेखा करना था जो निर्णय को भ्रमित कर सकता था।

उनके सिमुलेशन के परिणाम चौंकाने वाले थे। नए ढांचे ने अनावश्यक कारकों को अनदेखा करना जल्दी ही सीख लिया। उदाहरण के लिए, गणना के पहले कुछ चरणों में, सिस्टम ने पहचाना कि एक विशिष्ट प्रकार का डेटा इतना कमजोर या महत्वहीन था कि उसे निर्णय लेने की प्रक्रिया से पूरी तरह से हटाया जा सकता था, जबकि एक तीसरा कारक बहुत कमजोर प्रभाव के साथ बना रहा। अनावश्यक जानकारी को "छंटनी" (प्रून) करने की यह क्षमता महत्वपूर्ण है क्योंकि यह सिस्टम को तेज़ और समझने में आसान बनाती है। जबकि अन्य सामान्य तरीके हर एक डेटा बिंदु को सक्रिय रखने की कोशिश करते हैं, जिससे परिणाम धीमे और अव्यवस्थित हो जाते हैं, UAI-5 ढांचा सबसे महत्वपूर्ण कारकों पर ध्यान केंद्रित करता है। यह केवल कुछ ही इटरेशन में एक स्थिर समाधान पर पहुँच गया, जहाँ इसने एक ऐसा संतुलन पाया जहाँ ट्रांसमिशन लागत जैसे सबसे महत्वपूर्ण चर हावी थे, जबकि कम महत्वपूर्ण कारकों को स्वाभाविक रूप से दबा दिया गया था।

शोधकर्ताओं ने अपने नए तरीके की तुलना 'स्टोकेस्टिक ग्रेडिएंट डिसेंट' नामक एक मानक, व्यापक रूप से उपयोग किए जाने वाले दृष्टिकोण से की, जो एक पहाड़ी के निचले हिस्से तक पहुँचने के लिए छोटे कदम उठाने जैसा एक बुनियादी उपकरण है। हालांकि मानक विधि अंततः एक समाधान खोज लेती है, लेकिन यह बहुत धीमी थी और यह पहचानने में विफल रही कि कौन से डेटा बिंदु वास्तव में महत्वपूर्ण थे। इसने सभी चरों को सक्रिय रखा, जिसके परिणामस्वरूप एक जटिल और व्याख्या करने में कठिन परिणाम निकला। इसके विपरीत, UAI-5 ढांचे ने न केवल बहुत तेज़ी से एक स्थिर समाधान तक पहुँचा, बल्कि एक स्पष्ट और स्पार्स (sparse) परिणाम भी दिया। इसने प्रभावी रूप से उपयोगकर्ता को बताया, "यहाँ वे दो या तीन चीजें हैं जो वास्तव में मायने रखती हैं; बाकी को अनदेखा करें।" यह स्पष्टता उन उद्योगों के लिए आवश्यक है जिन्हें अपने AI द्वारा लिए गए निर्णयों पर भरोसा करने की आवश्यकता होती है, विशेष रूप से जब वे निर्णय बिजली ग्रिड या स्वास्थ्य सेवा जैसे महत्वपूर्ण बुनियादी ढांचे से जुड़े हों।

आगे देखते हुए, लेखक सुझाव देते हैं कि यह ढांचा अगली पीढ़ी के बुद्धिमान सिस्टमों की नींव बन सकता है। उन्होंने चार प्रमुख क्षेत्रों को रेखांकित किया है जहाँ यह तकनीक विकसित हो सकती है: और भी तेज़ प्रसंस्करण के लिए क्वांटम कंप्यूटिंग के साथ संयोजन, डेटा को स्थानीय रूप से संसाधित करने वाले एज डिवाइसेस (edge devices) के साथ एकीकरण, AI के तर्क को पारदर्शी और विश्वसनीय बनाना, और यह सुधारना कि मनुष्य और मशीनें कैसे सहयोग करते हैं। उनका विश्लेषण बताता है कि जबकि मानव सहयोग सबसे प्रभावशाली दीर्घकालिक लक्ष्य है, तत्काल भविष्य क्वांटम और एज प्रौद्योगिकियों को इन मल्टी-एजेंट सिस्टम के साथ जोड़ने में निहित है। सीखने, अनुकूलित करने और समन्वय करने का एक एकीकृत तरीका प्रदान करके, UAI-5 ढांचा ऐसे औद्योगिक सिस्टमों की ओर मार्ग प्रशस्त करता है जो न केवल स्मार्ट और अधिक कुशल हैं, बल्कि अधिक टिकाऊ और मानवीय आवश्यकताओं के अनुरूप भी हैं।