Systemen zullen een toenemende autonomie verwerven in het zelfstandig nemen van besluiten voor het uitvoeren van informatietransacties.
Het concept van fouttolerante systemen is in de afgelopen decennia essentieel geworden voor het functioneren van systemen zoals vliegtuigen. ‘Fault tolerance’ wordt volgens Wensley en Lamport cs.1 bereikt door zoveel mogelijk gebruik te maken van softwareprogramma’s. Die maken het voor gedistribueerde systemen mogelijk onderling consensus te bereiken en besluitvormingsprocedures uit te voeren die hen in staat stellen zelfstandig informatietransacties te realiseren.
Voor het uitvoeren van deze consensusprocedures zijn zogenaamde voter routines noodzakelijk. Voter routines zorgen voor het efficiënt en effectief verlopen van stemmingen die noodzakelijk zijn voor het bereiken van consensus en besluitvorming. De eenmaal genomen besluiten worden op basis van een protocol vastgelegd in een ‘distributed ledger’. De vastlegging van de besluiten moet consistent en onomkeerbaar als een blok worden opgenomen in de distributed ledgers waardoor het geheel blijvend kan functioneren als een virtuele eenheid en tegelijkertijd een voortdurend overzicht biedt van alle eerder genomen besluiten. Om deze voter routines snel en adequaat uit te voeren zijn volgens Lamport drie rollen essentieel, namelijk de proposer, de acceptor en de learner2. De interessante vraag is of de combinatie van distributed ledgers, consensus en learning ook een rol kan spelen bij de communicatie tussen afzonderlijke en autonome systemen zoals machines, fabrieken of hele supply chains in een zich ontwikkelend Industrial Internet of Things.
Distributed ledgers en IoT
Binnen een zich ontwikkelend Industrial Internet of Things zal een diversiteit aan industriële systemen en componenten van die systemen onderling in netwerken worden verbonden. Denk hierbij bijvoorbeeld aan windturbines die functioneren in een smart grid en communiceren met andere producenten of consumenten van energie in hun omgeving. Of locomotieven die zelfstandig kunnen communiceren met andere (componenten in) locomotieven in hun omgeving. Door het industrial Internet Consortium wordt in hun reference architecture3 gesteld dat dergelijke industriele systemen of componenten hiervan “must be autonomous, and able to act independently based on the plan and information from other independently operating components nearby”. Essentieel voor de communicatie is dat betrokken partijen vertrouwen kunnen hebben in deze communicatie en de informatie die daarin wordt uitgewisseld en gedeeld. De IIC reference architecture stelt dan ook: “Trust is established before it is needed, and is necessarily hard to change with very formal procedures in place for transfer between commands”. De communicatie tussen dergelijke systemen moet in principe fout tolerant zijn wat volgens de IIC reference architecture betekent ‘the ability of the connectivity framework to ensure that redundant connectivity endpoints are properly managed, and appropriate failover mechanisms are in place when an endpoint or a connection is lost’. Zoals eerder geconstateerd zijn voor het bereiken van vertrouwen in de onderlinge communicatie en de informatie die tussen partijen wordt uitgewisseld en gedeeld zaken als consensus, besluitvorming en een consistente en gedistribueerde opslag van beslissingen en daarmee verbonden informatie noodzakelijk. De mogelijkheid voor een dergelijk industrieel fout-tolerant communicatiesysteem wordt onder andere onderzocht door General Electric. Zij stellen in een weblog4 dat: ‘the innovative shared-ledger technology offers transparent, immutable and mathematically verifiable record syncing across organisations with no need for trusted middlemen’.
Machine Learning
Om tot een fouttolerant besluit te kunnen komen over een uit te voeren informatietransactie binnen een Industrial internet of things moet de besluitvormingsprocedure worden uitgevoerd door vier of meer autonome en gedistribueerde systemen. Volgens Lamport zijn voor het verkrijgen van consensus over een dergelijk besluit drie rollen essentieel, namelijk de proposer, de acceptor en de learner. Voor Lamport is het de taak van de proposer om een besluitvormingsvormingsprocedure voor te stellen voor een uit te voeren informatietransactie en zullen acceptors moeten aangeven of zij dit voorstel wel of niet kunnen accepteren. Interessant in dit kader wordt dan de rol van de learner omdat deze volgens Lamport: ‘can learn what value has been chosen’. Volgens Domingos5 is een learner een lerend algoritme wat systemen in staat stelt te leren van data en informatie. Machine Learning is volgens Amir6 een deelterrein van artificial intelligence wat zich specfiek bezighoudt met: ‘computerized automatic learning from data of patterns’. Het doel van machine learning is volgens Amir ‘to use training data to detect patterns, and then to use these learned patterns to automatically answer questions and autonomously make and execute decisions’. Naar de mening van Domingos is in het kader van machine learning de mogelijkheid tot leren van een learner nog beperkt. En hij stelt dan ook: ‘learners can extract some things from data, but nothing you’d confuse with real knowledge’. Het leren van de learner is volgens Domingos zo goed als de data die beschikbaar is voor de learner om van te leren. Hij stelt dan ook: ‘He who controls the data controls the learner’. Naar de mening van Domingos zal de ontwikkeling van machine learning in het komende decennium worden gedomineerd door deep-analogy ofwel: ‘combining in one algoritm the efficiency of the nearest neighbor, the mathematical sophistication of support vector machines, and the power and flexibility of analogical reasoning’. Dergelijke deep-analogy algoritmes zijn op dit moment vooral bekend van aanbevelingen die ze op websites geven over beschikbare content of een product wat past bij een specifiek profiel zoals dit gebeurt bij Netflix, Amazon of bol.com. Ook worden dergelijke algoritmes gebruikt voor het in real-time controleren van robotarmen in de industrie.
Conclusie
Onderlinge verbondenheid van gedistribueerde systemen en de beschikbaarheid van steeds intelligentere algoritmes maakt dat systemen een toenemende autonomie zullen verwerven in het zelfstandig nemen van besluiten voor het uitvoeren van informatietransacties. Om deze informatietransacties goed uit te kunnen voeren moeten de betrokken gedistribueerde systemen intelligenter worden door snel en efficiënt te kunnen leren van beschikbare data en informatie. Terecht constateert Domingos dat ‘the role of data and ownership of the models learned from it is what many of twenty-first century’s battles will be about – between governments, corporations, unions, and individuals’. Het belang van betrouwbaar en fouttolerant uitwisselen en delen van data en informatie tussen een willekeur aan systemen kan daarmee worden gezien als een fundamentele randvoorwaarde in de ontwikkeling van het industrial internet of things.
1 Wensley J.H., Lamport L., Goldberg J., cs. (1978) SIFT: Design and analysis of a fault tolerant computer for aircraft control. Proceddings of the IEEE, Vol. 66, no 10, October 1978.
2 Lamport L. (2006) Lower bounds for Asynchronous consensus. Microsoft research MSR-TR-2004-72
3 Industrial Internet Consortium (2015) Industrial Internet Reference Architecture. Version 1.7 June 2015
4 GE No more stumbling blocks What the blockchain means for supply chains. By GE Look ahead Posted November 24, 2015 – http://gelookahead.economist.com/blockchain/
5 Domingos P. (2015) The master algorithm. How the quest for the ultimate learning machine will remake the world. New York, Basic books ISBN 9780465065707
6 Amir E. (2014) Reasoning and decision making. in: The Cambridge handbook of Artificial Intelligence. Eds. Frankish K. and Ramsey W.M. Cambridge UK, Cambridge University Press ISBN 978521691918 (pp. 191-212)
