In de moderne wereld van kunstmatige intelligentie wordt van machines steeds vaker gevraagd om problemen op te lossen door enorme hoeveelheden informatie te lezen. Stel je een bibliothecaris voor die een specifieke vraag moet beantwoorden over een bibliotheek die miljoenen boeken bevat. Eén benadering is om elk boek van voor tot achter te lezen voordat men een antwoord probeert te geven. Een andere benadering is om de bibliothecaris een reeks eenvoudige hulpmiddelen te geven—een manier om een catalogus op te zoeken, naar een specifieke plank te lopen en alleen de relevante pagina's te lezen. Deze tweede methode berust op het idee dat een machine kan leren navigeren door een complexe structuur zonder alles vooraf te hoeven onthouden. Dit is de kernuitdaging bij het bouwen van agenten die kunnen redeneren over kennisgrafen, wat digitale kaarten zijn die feiten, concepten en datatabellen met elkaar verbinden. Het doel is om een systeem te creëren dat de juiste informatie kan vinden in een enorme, veranderende netwerk van gegevens, net zoals een menselijke expert dat zou doen, in plaats van te proberen het gehele netwerk in één overweldigende geheugenslot te dwingen.

Onderzoekers bij Oplit hebben een nieuw systeem ontwikkeld genaamd GRA, een Graph Reasoning Agent, om deze navigatiebenadering te testen tegenover een meer traditionele methode. Ze bouwden een gesimuleerde fabrieksomgeving, compleet met een digitale tweeling van de operaties, inclusief regels over hoe producten worden gemaakt, gegevens over bestellingen en verslagen van de prestaties van machines. Deze omgeving, bekend als het Unified Factory Knowledge Model, bevat honderden analytische vragen die van het systeem vereisen dat het specifieke antwoorden vindt door verschillende stukjes informatie met elkaar te verbinden. Sommige vragen vragen om eenvoudige getallen, terwijl andere van het systeem vereisen dat het complexe regels begrijpt, zoals of een nieuw productieplan mogelijk is, gegeven de huidige staat van de fabriek. De onderzoekers wilden zien of een agent die deze digitale fabriek stap voor stap verkent, gebruikmakend van een kleine set generieke hulpmiddelen om informatie op te zoeken, beter kan presteren dan een agent die simpelweg de volledige fabriekshandleiding en databaseschema in één keer wordt gevoerd.

Het team testte drie verschillende manieren om deze taak aan te pakken. De eerste methode, die ze de full-context benadering noemen, dumpt de volledige beschrijving van de fabriek, inclusief elke tabel en regel, in het geheugen van de kunstmatige intelligentie voordat deze begint. Dit is alsof je de bibliothecaris de volledige catalogus van de bibliotheek en elk boek in het gebouw overhandigt voordat er één vraag wordt gesteld. De tweede methode verwijdert de kaart volledig en geeft de agent alleen een lijst met tekstdocumenten en tabellen om door te zoeken, zonder enige verbindingen tussen hen. De derde methode, GRA, geeft de agent een set van zeven eenvoudige hulpmiddelen: de agent kan opsommen wat er in de buurt is, de details van een specifiek item lezen, zoeken naar woorden, zoeken naar betekenissen, een databasequery uitvoeren, een plan bedenken en tot slot een antwoord geven. Cruciaal is dat de agent de namen van de tabellen en de regels niet van tevoren kent; de agent moet deze ontdekken door deze hulpmiddelen te gebruiken om de graaf te verkennen.

De resultaten toonden aan dat de agent die de graaf stap voor stap navigeerde, nauwkeuriger was dan de agent die alles in één keer probeerde te lezen. Op een testset van 258 vragen beantwoordde de navigerende agent de vragen in 88,4 procent van de gevallen correct, terwijl de agent die de volledige context las in 83,3 procent van de gevallen correct antwoordde. Belangrijker nog was dat de navigerende agent deze hogere nauwkeurigheid bereikte terwijl hij minder dan een derde van de informatie las die de full-context agent moest verwerken. Dit suggereert dat het voor complexe taken beter is om minder te zien, maar het wel selectiever te zien. De agent die alles las, werd vaak overweldigd door de enorme hoeveelheid tekst, terwijl de navigerende agent zich alleen concentreerde op de specifieke stukjes gegevens die nodig waren om het probleem op te lossen.

De onderzoekers ontdekten ook dat het succes van deze navigatiemethode sterk afhing van de betrouwbaarheid van de hulpmiddelen die de agent gebruikte. Wanneer het kunstmatige intelligentie-model goed was in het opvolgen van instructies en het gebruiken van zijn hulpmiddelen zonder fouten te maken, werkte de navigatiebenadering zeer goed. Echter, wanneer het model moeite had om de hulpmiddelen correct te gebruiken, verdween het voordeel en presteerde de methode die alles in één keer las beter. Dit geeft aan dat het voordeel van het navigeren door een graaf voortkomt uit het vermogen om precies op te halen wat nodig is, maar dit werkt alleen als de agent erop vertrouwd kan worden dat hij het correct ophaalt. De studie vond dat de structuur van de graaf zelf niet de belangrijkste reden was voor de verbetering; de verbetering kwam eerder door de handeling van het selectief toegankelijk maken van informatie. Zelfs toen de graaf werd verwijderd en de agent door platte tekst zocht, presteerde het nog steeds beter dan de full-context methode, wat bewees dat de sleutel de strategie van het zoeken naar informatie was, in plaats van het lezen van alles.

Om te demonstreren hoe dit werkt in een real-world scenario, lieten de onderzoekers zien hoe de agent een verzoek van een fabrieksoperator afhandelde. De operator vroeg of een specifieke regel kon worden nageleefd: dat aluminium frames op een maandag bij een van de twee specifieke stations moeten worden gelast. De agent wist het antwoord niet onmiddellijk. De agent begon de lasstations in de digitale kaart op te zoeken. Het vond dat één station eigenlijk beperkt was tot het lassen van alleen koolstofframes, een regel die niet direct duidelijk was uit het verzoek van de operator, maar die in de graaf was opgeslagen. Dit sloot onmiddellijk één optie uit. De agent controleerde vervolgens het andere station en berekende of het genoeg tijd had om de werklast aan te kunnen. Het vergeleek standaard tijdschattingen met werkelijke historische gegevens en stelde vast dat het werkelijke werk langer duurde dan verwacht, waardoor het verzoek op die dag onmogelijk te vervullen was. De agent gaf een duidelijk weigeringsantwoord, waarbij werd uitgelegd waarom de regel niet nageleefd kon worden, en suggereerde zelfs twee manieren om het schema te herstellen.

In een tweede voorbeeld vroeg een operator of het mogelijk was om het aantal kleurveranderingen op een assemblagelijn te beperken tot drie per dienst. De agent navigeerde opnieuw door de graaf om de definitie van een dienst en de verslagen van de eerdere productie te vinden. Het speelde tien maanden aan geschiedenis na om te zien hoe vaak deze limiet zou zijn overschreden. Het vond dat op een klein aantal dagen de limiet zou zijn overschreden, maar niet zo vaak dat de regel onmogelijk te adopteren was. De agent concludeerde dat de regel haalbaar was, maar een kleine seizoensgebonden risico met zich meebracht. Zodra de operator dit bevestigde, vertaalde het systeem de regel automatisch naar een wiskundig formaat dat een computeroplosser kan gebruiken om het fabrieksschema te beheren, en legde deze nieuwe regel vervolgens terug in de digitale kaart voor toekomstig gebruik.

Dit werk demonstreert dat kunstmatige intelligentie effectief complexe industriële kennis kan beheren door te fungeren als een bekwame onderzoeker in plaats van een passieve lezer. Door een paar eenvoudige hulpmiddelen te gebruiken om een gestructureerd netwerk van feiten te verkennen, kan het systeem moeilijke vragen nauwkeuriger en efficiënter beantwoorden dan door te proberen alles in één keer te verwerken. De studie laat zien dat minder zien, maar het met een doel te zien, de agent in staat stelt om beter te antwoorden. Deze benadering is bijzonder waardevol naarmate datasets groter en complexer worden, en uiteindelijk te groot worden om in een enkel geheugenprompt te passen. In dergelijke situaties wordt het vermogen om te navigeren en specifieke informatie op te halen de enige levensvatbare weg naar intelligente besluitvorming. De onderzoekers concluderen dat de volgende stap is om het systeem te verfijnen zodat het niet alleen kan beoordelen of een regel mogelijk is, maar ook automatisch de computercode kan schrijven die nodig is om deze af te dwingen, waardoor de cirkel tussen menselijke instructie en machine-executie wordt gesloten.