Sistemas de inteligência híbrida para automação confiável: avançando o trabalho do conhecimento e operações autônomas com arquiteturas de IA escaláveis

A automação crítica para missões exige uma tomada de decisão que seja explicável, adaptativa e escalável - atributos difíceis de alcançar com abordagens puramente simbólicas ou baseadas em dados. Introduzimos um sistema de inteligência híbrida (H-I) que funde raciocínio simbólico com aprendizado de máquina avançado através de uma arquitetura hierárquica, inspirada em estruturas cognitivas como a Teoria do Espaço Global (Baars, A Cognitive Theory of Consciousness, 1988). Esta arquitetura opera em três níveis para alcançar fluxos de trabalho autônomos de ponta a ponta: Navegação: Usando Transformadores de Visão e redes neurais baseadas em grafos, o sistema navega por sistemas de arquivos, bancos de dados e interfaces de software com precisão. Ações Discretas: Aprendizado de máquina automatizado multi-framework (AutoML) treina agentes para executar decisões discretas, ampliadas por Transformadores e Arquiteturas Preditoras de Incorporação Conjunta (JEPA) (Assran et al., 2023, 15619-15629) para análise complexa de séries temporais, como detecção de anomalias. Planejamento: Aprendizado por reforço, aprendizado por reforço baseado em modelos de mundo e controle preditivo por modelos orquestram fluxos de trabalho adaptativos adaptados às solicitações do usuário ou às exigências do sistema em tempo real. As capacidades do sistema são demonstradas em duas aplicações críticas para missões: Consciência do Domínio Espacial, Detecção de Comportamento de Satélites: Um JEPA baseado em grafos emparelhado com aprendizado por reforço multi-agente permite a detecção de anomalias quase em tempo real em 15.000 objetos em órbita, alcançando uma pontuação de precisão-recobrimento de 0,98. Configuração de Simulação Impulsionada de Forma Autônoma: O sistema configura autonomamente configurações de Dinâmica de Fluidos Computacional (CFD), com um otimizador impulsionado por AutoML aprimorando a etapa de malhagem, aumentando a propagação de captura da camada limite (BL-CP) de 8% para 98% e reduzindo as taxas de falha de geometria de 88% para 2% em novas geometrias de aeronaves. A escalabilidade é uma pedra angular, com o pipeline de treinamento distribuído alcançando escalonamento linear em 2.000 nós de computação para treinamento de modelos de IA, enquanto a agregação segura de modelos incide menos de 4% de latência em configurações de domínio cruzado. Ao mesclar precisão simbólica com adaptabilidade baseada em dados, este sistema de inteligência híbrida oferece uma estrutura robusta e transferível para automatizar trabalhos complexos de conhecimento em domínios como operações espaciais e simulações de engenharia - e aplicações adjacentes, como operações autônomas de energia e instalações industriais, abrindo caminho para sistemas industriais de IA de próxima geração.