Praegu arendatakse erinevat tüüpi AI, nn kehastatud AI. See viitab agentidele, kellel on keha ja toetab füüsilist suhtlust, näiteks intelligentsed teenindusrobotid, isesõitvad autod jne.
Kehastatud AI -robotid saavad suhelda keskkonnaga, kavandada, otsuseid teha, tegutseda ja täita selliseid ülesandeid nagu inimestel. Näiteks on robotiüksuse ülesandeks soovitud pinnaviimistluse saavutamiseks seadmesse asetatud osa ülemise pinna lihvimine. Enastatud AI on võimeline kasutama andureid seadme oleku jälgimiseks ja roboti juhiste genereerimiseks ülesannete täitmiseks.
Digitaalne AI ja kehastatud AI -l on mõned sarnasused ja kasutavad paljusid tehnoloogiaid. Nende kahte tüüpi AI -tüüpi erinevuste mõistmine on digitaalsete AI -meetodite edukaks rakendamiseks konkreetsete AI -rakenduste jaoks kriitilise tähtsusega.
Kehastatud AI -rakenduste riskiprofiil erineb sageli põhimõtteliselt digitaalsete AI -rakendustest. Kui digitaalsed AI -tööriistad on 99 protsenti täpsed, võib see paljudes rakendustes dramaatiliselt parandada inimeste tootlikkust.
Seevastu tööstuslike rakenduste riskide tõttu varieeruvad konkreetsete AI -süsteemide täpsusnõuded sageli suuresti.
Peamised riskid pärinevad kahest aspektist: vea tõenäosus ja vigade tagajärjed. Kui vea tegemise tagajärjed pole tõsised, võib kõrgemat vea tõenäosust taluda. Seetõttu on paljudes digitaalsetes AI -rakendustes vastuvõetav 1% vea tõenäosus.
Seevastu paljud kehastatud AI -rakendused vajavad veatõenäosusi paremini kui miljonist. Puhtalt andmepõhise lähenemisviisi kasutamine vigade tõenäosuse vähendamiseks nõuab palju andmeid. Enamikul juhtudel kasvab nõudlus andmete järele hüppeliselt. Kahjuks on füüsilistest süsteemidest andmete saamise kulud kõrge. Seetõttu tuleb kehastatud AI -rakendustega tegelemisel järgida teistsugust lähenemist.
Ülaltoodud nõuete täitmiseks peaksid rakenduste tootmiseks kehastatud AI olema järgmised omadused:
Piiratud andmetega koolitus: kehastatud AI saab koolitada kõigepealt füüsikakatsetest genereeritud piiratud andmetega.
Saab kokku tõmmata eelnevalt koolitatud moodulkomponentidest: füüsilistel süsteemidel võib olla nende kavandatud vajaduste toetamiseks mitu konfiguratsiooni. Näiteks sõltuvalt teostatavast protsessist (näiteks lihvimine või liivapritsimine) võib tootmisrobotüksus olla paljudes erinevates konfiguratsioonides. Erinevad üksused võivad hõlmata erinevate funktsioonidega roboteid (näiteks mobiilne platvormi paigaldamise robotid või pukkide paigaldamise robotid), anduritüüpe (näiteks sügavuskaameraid või termilisi kujutisi) ja tööriistu (näiteks orbitaalseid lihvreid või liivapritsid).
Selle tulemusel ei pruugi kõigi tootmisrakenduste jaoks kastist välja töötav universaalse kehastatud AI arendamine eriti hästi toimida. Süsteemi AI tuleb kiiresti sünteesida moodulkomponentidest, et see vastaks konkreetse süsteemi ja töökeskkonna anduri- ja sõiduvõimalustele.
Saab kohandada uute andmete või kontekstiga: kuna uued andmed on süsteemi juurutamise ajal kättesaadavad, peaks neid andmeid olema võimalik kasutada AI jõudluse parandamiseks. AI peaks olema võimeline kohanema autonoomselt uute keskkondade või ülesannetega inimese minimaalse järelevalvega.
Lihtne uuendada: aja jooksul võib füüsilise süsteemi jõudlus muutuda kulumise või füüsiliste komponentide värskenduste tõttu. See võib nõuda AI täiustamist, et tagada, et see suudab süsteemi arenguga sammu pidada. Seetõttu tuleb kehastatud AI -süsteem olla kavandatud tagamaks, et seda saab süsteemi toimimisel minimaalsete häiretega täiendada.
Riskipõhised soovitused tegutsemiseks: süsteem peaks suutma hinnata oma usaldust kavandatud toimingu suhtes. Kui usaldus on madal, peaks süsteem läbi viima riskianalüüsi ja analüüsima rikkeid. Kui risk on liiga kõrge, peaks süsteem otsima abi inimekspertidelt.
Tõlgendatavus: kui süsteem soovitab toimingut, mis ei vasta kasutaja ootustele, peaks süsteem suutma selgitada toimingu valimiseks kasutatud põhjuseid.
Hajutatud arhitektuur, mis toetab arvutamise jagunemist serva ja pilve vahel: kehastatud AI rakenduse stsenaariumide korral pole võimalik kõiki pilves AI -arvustust teostada. Süsteemi disain peaks tagama, et võrgu latentsusaja tundlikke arvutusi saab teha servas.
Digitaalse AI valdkonnas näeme suurt edu suurte otsast lõpuni õppimismudelitega nagu LLM. Need mudelid arenevad tohutul hulgal andmeid. Kuid neil pole paljusid eespool nimetatud kehastatud AI omadusi.
Kehastatud AI -d tuleks vaadelda keeruka süsteemina, mis hõlmab mitme AI komponendi koostoimeid. Õige süsteemiarhitektuur kehastatud AI -s on üks edukate tootmisrakenduste võtmeid. See võimaldab teil kasutada ära AI uusimaid edusamme ja täita tootmisrakenduste nõudlikke nõudeid. Seetõttu on tootmisrakenduste jaoks kehastatud AI kavandamiseks vaja kaasaegseid süsteemide insenerimeetodeid.