Tällä hetkellä kehitetään erilaista AI: tä, ns. "Rehutettua AI: n". Se viittaa edustajiin, joilla on vartalo ja tukee fyysistä vuorovaikutusta, kuten älykkäitä palveluproboteja, itse ajavia autoja jne.
Rehuttetut AI -robotit voivat olla vuorovaikutuksessa ympäristön kanssa, suunnitella, tehdä päätöksiä, toimia ja suorittaa tehtäviä kuten ihmiset. Esimerkiksi robottiyksikölle on annettu tehtäväksi hionta yksikköön sijoitetun osan yläpinta halutun pinnan saavuttamiseksi. Rehutettu AI pystyy käyttämään antureita yksikön tilan seuraamiseen ja robotin ohjeiden luomiseen tehtävien suorittamiseksi.
Digitaali AI ja ruumiillistettu AI jakavat joitain yhtäläisyyksiä ja hyödyntävät monia taustalla olevia tekniikoita. Näiden kahden AI -tyypin erojen ymmärtäminen on kuitenkin kriittistä digitaalisten AI -menetelmien soveltamiseksi onnistuneesti tiettyihin AI -sovelluksiin.
Kehittyneiden AI -sovellusten riskiprofiili on usein pohjimmiltaan erilainen kuin digitaalisten AI -sovellusten profiili. Jos digitaaliset AI -työkalut ovat 99 prosenttia tarkkoja, se voi parantaa dramaattisesti ihmisen tuottavuutta monissa sovelluksissa.
Sitä vastoin teollisuussovellusten riskien vuoksi tiettyjen AI -järjestelmien tarkkuusvaatimukset vaihtelevat usein suuresti.
Tärkeimmät riskit tulevat kahdesta näkökulmasta: virheen todennäköisyys ja virheen seuraukset. Kun virheen tekemisen seuraukset eivät ole vakavia, virheen todennäköisyys voidaan sietää suurempi. Siksi 1%: n virheen todennäköisyys on hyväksyttävä monissa digitaalisissa AI -sovelluksissa.
Sitä vastoin monet ruumiillistuneet AI -sovellukset vaativat virhehodennäköisyyksiä paremmin kuin yksi miljoonasta. Puhtaasti tietopohjaisen lähestymistavan käyttäminen virheiden todennäköisyyden vähentämiseksi vaatii paljon tietoja. Useimmissa tapauksissa tietojen kysyntä kasvaa eksponentiaalisesti. Valitettavasti tietojen saamisen kustannukset fyysisistä järjestelmistä ovat korkeat. Siksi on noudatettava erilaista lähestymistapaa käsitellessään ruumiillistettuja AI -sovelluksia.
Yllä olevien vaatimusten täyttämiseksi valmistussovellusten ruumiillistuneilla AI: lla tulisi olla seuraavat ominaisuudet:
Koulutus rajoitetulla tiedoilla: Kehittynyt AI voidaan kouluttaa ensin fysiikan kokeista tuotettujen rajoitetun tiedon kanssa.
Voidaan koota esikoulutuksista modulaarisista komponenteista: Fyysisissä järjestelmissä voi olla useita kokoonpanoja niiden tarkoitettujen tarpeiden tukemiseksi. Esimerkiksi suoritetusta prosessista riippuen (kuten hionta tai hiekkapuhallus), valmistusrobottiyksikkö voi olla monissa eri kokoonpanoissa. Eri yksiköt voivat sisältää robotteja, joilla on erilaiset toiminnot (kuten mobiililaitteiden asennusrobotit tai porttien kiinnitysrobotit), anturityypit (kuten syvyyskamerat tai lämpökuvat) ja työkalut (kuten kiertoradan hiomakondersit tai hiekkapuhallussuut).
Seurauksena on, että yleisen ruumiillistuneen AI: n kehittäminen, joka toimii laatikosta kaikille valmistussovelluksille, ei välttämättä toimi kovin hyvin. Järjestelmän AI on syntetisoitava nopeasti modulaarisista komponenteista vastaamaan tietyn järjestelmän ja työympäristön tunnistus- ja ajoominaisuuksia.
Voidaan mukauttaa uuteen tietoon tai kontekstiin: Kun uutta tietoa tulee saataville järjestelmän käyttöönoton aikana, näiden tietojen pitäisi olla mahdollista käyttää AI -suorituskyvyn parantamiseksi. AI: n tulisi pystyä sopeutumaan itsenäisesti uusiin ympäristöihin tai tehtäviin, joilla on vähän ihmisen valvontaa.
Helppo päivittää: Ajan myötä fyysisen järjestelmän suorituskyky voi muuttua kulumisen tai fyysisten komponenttien päivitysten vuoksi. Tämä voi vaatia AI: n parannuksia sen varmistamiseksi, että se pystyy pysymään järjestelmän kehityksen kanssa. Siksi ruumiillistettu AI -järjestelmä on suunniteltava sen varmistamiseksi, että sitä voidaan päivittää minimaalisesti järjestelmän toimintaan.
Riskipohjaiset toimenpiteet: Järjestelmän tulisi pystyä arvioimaan sen luottamus ehdotettuun toimintaan. Kun luottamus on alhainen, järjestelmän tulisi suorittaa riskianalyysi ja analysoida epäonnistumisen seurauksia. Jos riski on liian korkea, järjestelmän tulisi hakea apua ihmisen asiantuntijoilta.
Tulkittavuus: Jos järjestelmä ehdottaa toimintaa, joka ei täytä käyttäjän odotuksia, järjestelmän tulisi pystyä selittämään syyt toiminnan valitsemiseen.
Hajautettu arkkitehtuuri, joka tukee tietojenkäsittelyn jakamista reunan ja pilven välillä: Kolmodoiduissa AI -sovellusskenaarioissa ei ole mahdollista suorittaa kaikkia pilvessä olevia AI -tietojenkäsittelyjä. Järjestelmän suunnittelun tulisi varmistaa, että verkon latenssiherkät laskelmat voidaan suorittaa reunalla.
Digitaalisen AI: n alalla näemme suurta menestystä suurilla pääsykäytännöllisillä oppimismalleilla, kuten LLM. Nämä mallit menestyvät valtavissa määrissä tietoa. Heillä ei kuitenkaan ole monia yllä mainitun AI: n ominaisuuksia.
Rohkeaa AI: tä tulisi pitää monimutkaisena järjestelmänä, joka sisältää vuorovaikutukset useiden AI -komponenttien välillä. Oikean järjestelmän arkkitehtuurin saaminen ruumiillistuneessa AI: ssa on yksi avaimista onnistuneille valmistussovelluksille. Tämän avulla voit hyödyntää AI: n viimeisimpiä kehitystä ja täyttää valmistussovellusten vaativat vaatimukset. Siksi tarvitaan nykyaikaisia järjestelmäsuunnittelumenetelmiä, jotka suunnittelevat AI: n valmistussovelluksia varten.