Гибридный агентный искусственный интеллект и мультиагентные системы в интеллектуальном производстве

Конвергенция агентного искусственного интеллекта (ИИ) и мультиагентных систем (MAS) открывает новую парадигму интеллектуального принятия решений в системах интеллектуального производства (SMS). Традиционные архитектуры MAS делают акцент на распределённой координации и специализированной автономности, тогда как современные достижения в области агентного ИИ на основе больших языковых моделей (LLM) обеспечивают возможности рассуждения более высокого порядка, планирования и оркестрации инструментов. В статье представлен гибридный агентный ИИ и мультиагентный фреймворк для сценария предписывающего технического обслуживания (RxM), в котором агенты на основе LLM обеспечивают стратегическую оркестрацию и адаптивное рассуждение, дополняемые агентами на основе правил и малых языковых моделей (SLM), выполняющими эффективные специализированные задачи на периферии сети. Предлагаемый фреймворк использует многоуровневую архитектуру, включающую уровни восприятия, предварительной обработки, аналитики и оптимизации, координируемые агентом-планировщиком на основе LLM, который управляет решениями о выполнении рабочих процессов и сохранением контекста. Специализированные агенты автономно выполняют обнаружение схемы данных, интеллектуальный анализ признаков, выбор моделей и предписывающую оптимизацию, тогда как интерфейс с участием человека обеспечивает прозрачность и возможность аудита сформированных рекомендаций по техническому обслуживанию. Такой гибридный подход обеспечивает динамическую адаптацию моделей, прозрачное принятие решений и планирование технического обслуживания с учётом затрат на основе аналитических выводов, полученных из данных. Первоначальная реализация в качестве доказательства концепции проверена на двух наборах данных промышленного производства. Разработанный фреймворк является модульным и расширяемым, что позволяет беспрепятственно интегрировать новые агенты или предметно-ориентированные модули по мере развития возможностей системы. Результаты демонстрируют способность системы автоматически обнаруживать схему данных, адаптировать конвейеры предварительной обработки, оптимизировать производительность моделей с помощью адаптивного интеллекта и формировать практически применимые, приоритизированные рекомендации по техническому обслуживанию. Фреймворк демонстрирует потенциал для повышения робастности, масштабируемости и объяснимости RxM в интеллектуальном производстве, обеспечивая связь...