U prethodnom članku „Strukturna inteligencija – sledeći korak u razvoju veštačke inteligencije“ predstavio sam ideju da razvoj veštačke inteligencije ulazi u novu fazu. Nakon perioda dominacije statističkih modela i velikih jezičkih modela (LLM), sve više se nameće potreba za sistemima koji ne samo da prepoznaju obrasce u podacima, već razumeju strukturu sveta u kojem donose odluke.
To prirodno vodi do sledećeg pitanja:
Ako su veliki jezički modeli toliko uspešni, zašto nam je uopšte potrebna Strukturna inteligencija?
Odgovor nije u tome da će jedan pristup zameniti drugi. Naprotiv. Njihove uloge su različite, jer rešavaju različite vrste problema. Upravo zbog toga njihov najveći potencijal leži u međusobnoj saradnji.
Inteligencija zasnovana na obrascima
Veliki jezički modeli predstavljaju jedan od najvećih tehnoloških iskoraka u oblasti veštačke inteligencije. Njihova snaga leži u sposobnosti da analiziraju ogromne količine podataka, prepoznaju obrasce i generišu odgovore koji često deluju kao rezultat ljudskog razmišljanja.
U elektroenergetici takav model može analizirati:
- SCADA zapise,
- istoriju kvarova,
- meteorološke podatke,
- izveštaje o održavanju,
- alarmne poruke,
- tehničku dokumentaciju.
Na osnovu prethodnih događaja model može proceniti da određena kombinacija uslova često prethodi kvaru i izračunati verovatnoću njegovog nastanka.
Takva sposobnost ima veliku praktičnu vrednost. Ona omogućava ranije upozorenje, bolje planiranje održavanja i efikasnije korišćenje raspoloživih resursa.
Međutim, postoji jedno važno ograničenje koje se često zanemaruje.
LLM veoma uspešno odgovara na pitanje:
„Šta će se najverovatnije dogoditi?“
Ali kada je potrebno objasniti zašto će do određenog događaja doći, njegova objašnjenja zasnivaju se na obrascima naučenim iz podataka, a ne na eksplicitnom modelu konkretnog fizičkog sistema. Zbog toga takva objašnjenja mogu biti veoma korisna, ali ne predstavljaju dokaz uzročno-posledične veze.
Fizički sistemi imaju svoju logiku
Elektroenergetska mreža nije skup nepovezanih podataka.
To je složen fizički sistem u kojem je svaki element povezan sa drugim preko jasno definisanih zakonitosti.
Promena opterećenja jednog voda utiče na tokove snaga u drugim delovima mreže.
Promena regulacije transformatora menja naponske prilike u više čvorova.
Ispad jedne komponente može izazvati kaskadne promene u čitavom sistemu.
Takve promene nisu rezultat statistike. One proizlaze iz fizičke strukture sistema i zakona koji njime upravljaju.
Drugim rečima, elektroenergetska mreža se ne ponaša onako kako se ponašala juče, već onako kako joj to nalažu fizički uslovi u datom trenutku.
Upravo zato sistemi koji upravljaju kritičnom infrastrukturom moraju razumeti više od istorijskih obrazaca.
Moraju razumeti uzroke.
Strukturna inteligencija polazi od modela sistema
Za razliku od LLM-a, Strukturna inteligencija ne pokušava da predvidi budućnost isključivo na osnovu sličnosti sa prošlošću.
Ona polazi od modela sistema.
Poznaje topologiju mreže, karakteristike opreme, međusobne veze između elemenata i fizičke zakone koji određuju njihovo ponašanje.
Na osnovu tih informacija može rekonstruisati uzročno-posledični lanac koji vodi do određenog događaja.
Na primer:
- povećanje opterećenja izaziva rast struje,
- veća struja dovodi do intenzivnijeg zagrevanja provodnika,
- zagrevanje povećava ugib dalekovoda,
- smanjuje se bezbedno rastojanje od vegetacije,
- dolazi do kratkog spoja,
- zaštitni sistemi automatski isključuju vod.
Ovde kvar nije procenjen zato što se nešto slično dogodilo u prošlosti.
On je izveden kao logična posledica fizičkih procesa koji se odvijaju u realnom vremenu.
Predviđanje i razumevanje nisu isto
Ovo je možda najvažnija razlika između statističke i Strukturne inteligencije.
LLM može reći:
„Verovatnoća ispada voda iznosi 87%.“
Strukturna inteligencija može objasniti:
„Ako se postojeći trend opterećenja nastavi, temperatura provodnika će za nekoliko minuta premašiti dozvoljenu vrednost. To će povećati ugib dalekovoda, smanjiti bezbedno rastojanje i aktivirati zaštitni sistem koji će preventivno isključiti vod.“
Prvi odgovor govori o verovatnoći.
Drugi govori o uzroku.
U kritičnim sistemima upravo razumevanje uzroka omogućava donošenje kvalitetnih odluka.
Operator ne želi samo da zna da će se nešto dogoditi.
On želi da zna zašto, kada i šta može učiniti da to spreči.
Budući inteligentni sistemi
Najveći potencijal verovatno neće imati pojedinačne tehnologije, već njihova integracija.
Zamislimo budući sistem u kojem operater postavlja pitanje:
„Zašto raste opterećenje ovog voda i kakve posledice možemo očekivati?“
Veliki jezički model može trenutno pronaći relevantnu dokumentaciju, analizirati istoriju sličnih događaja, protumačiti procedure i objediniti informacije iz različitih izvora.
Strukturna inteligencija može analizirati topologiju mreže, tokove snaga, stanje opreme i fizičke modele sistema kako bi objasnila uzrok problema i simulirala posledice različitih scenarija.
Zajednički odgovor tada više nije samo procena verovatnoće.
On sadrži:
- objašnjenje uzroka,
- procenu posledica,
- predlog optimalnih korektivnih mera.
Upravo u tome mnogi istraživači vide budućnost naprednih inteligentnih sistema.
Nova generacija digitalnih blizanaca
Digitalni blizanci predstavljaju jedan od najznačajnijih pravaca razvoja savremene industrije.
Međutim, veliki broj današnjih digitalnih blizanaca prvenstveno simulira ponašanje sistema.
Sledeći korak mogao bi biti razvoj digitalnih blizanaca koji će, pored simulacije, razumeti i unutrašnju strukturu sistema kojim upravljaju.
Takvi sistemi neće samo prikazivati trenutno stanje mreže.
Moći će da objasne zašto dolazi do određenog poremećaja, procene posledice različitih scenarija i predlože optimalne korektivne akcije pre nego što problem eskalira.
Upravo u tome vidim jedan od najznačajnijih potencijala Strukturne inteligencije.
Zaključak
Veliki jezički modeli predstavljaju jednu od najznačajnijih tehnoloških inovacija našeg vremena. Njihova sposobnost analize podataka i komunikacije sa ljudima promenila je način na koji koristimo informacije.
Međutim, kada govorimo o upravljanju složenim fizičkim sistemima, sama statistika često nije dovoljna.
Sledeća generacija inteligentnih sistema moraće da razume kako svet funkcioniše, a ne samo kako su se podaci ponašali u prošlosti.
Zbog toga verujem da Strukturna inteligencija nije alternativa velikim jezičkim modelima, već jedan od mogućih narednih pravaca razvoja inteligentnih sistema koji mogu objediniti predviđanje, razumevanje uzroka i podršku donošenju odluka.
Možda će najveći napredak veštačke inteligencije nastati onog trenutka kada sistemi počnu da razumeju ne samo podatke koje obrađuju, već i svet koji ti podaci predstavljaju.
Preporučena literatura, standardi i relevantni izvori
- Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
- European Parliament. (2024). Regulation (EU) 2024/1689 – Artificial Intelligence Act (EU AI Act).
- Aksman, M. I. (2026). The Rigorous Mathematical Theory of Structural Intelligence (SI).
- Russell, S. (2019). Human Compatible: Artificial Intelligence and the Problem of Control. Viking.
- Gunning, D., & Aha, D. (2019). DARPA’s Explainable Artificial Intelligence (XAI) Program. AI Magazine.
- Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM.
- Schölkopf, B., Locatello, F., Bauer, S., et al. (2021). Toward Causal Representation Learning. Proceedings of the IEEE.
- European Commission. (2020). White Paper on Artificial Intelligence: A European Approach to Excellence and Trust.
- ISO/IEC 42001:2023. Information Technology — Artificial Intelligence — Management System.
- NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0).
Autor
Slobodan Krstić
Predsednik Udruženja e-Razvoj
https://erazvoj.com