V súčasnosti sa vyvíja iný druh AI, takzvaná „stelesnená AI“. Vzťahuje sa na agentov, ktorí majú telo a podporujú fyzickú interakciu, ako sú roboty inteligentných služieb, autá s vlastným riadením atď.
Stelesnené roboty AI môžu interagovať s prostredím, plánovať, robiť rozhodnutia, konať a vykonávať úlohy ako ľudia. Napríklad jednotka robotov je poverená brúsením horného povrchu časti umiestnenej v jednotke, aby sa dosiahol požadovaný povrchový povrch. Ebpodovaná AI je schopná použiť senzory na monitorovanie stavu jednotky a generovanie pokynov pre robota na vykonávanie úloh.
Digital AI a stelesnené AI zdieľajú niektoré podobnosti a využívajú mnoho základných technológií. Pochopenie rozdielov medzi týmito dvoma typmi AI je však rozhodujúce pre úspešné použitie digitálnych metód AI na konkrétne aplikácie AI.
Rizikový profil stelesnených aplikácií AI sa často zásadne líši od profilu digitálnych aplikácií AI. Ak sú nástroje digitálnej AI 99 percent presné, v mnohých aplikáciách by mohlo dramaticky zlepšiť produktivitu ľudí.
Naopak, z dôvodu rizík priemyselných aplikácií sa požiadavky na presnosť konkrétnych systémov AI často často líšia.
Hlavné riziká pochádzajú z dvoch aspektov: pravdepodobnosť chýb a dôsledky chýb. Ak následky chyby nie sú vážne, môže sa tolerovať vyššia pravdepodobnosť chýb. Z tohto dôvodu je pravdepodobnosť 1% chyby prijateľná v mnohých aplikáciách Digital AI.
Naopak, mnoho stelesnených aplikácií AI vyžaduje pravdepodobnosti chýb lepšie ako jedna z miliónov. Použitie prístupu založeného na čisto údajom na zníženie pravdepodobnosti chýb si vyžaduje veľa údajov. Vo väčšine prípadov dopyt po údajoch exponenciálne rastie. Nanešťastie náklady na získanie údajov z fyzických systémov sú vysoké. Preto je potrebné pri riešení aplikácií stelesnených aplikácií AI dodržať iný prístup.
Na splnenie vyššie uvedených požiadaviek by ste vložili stelesnené AI pre výrobné aplikácie nasledujúce charakteristiky:
Výcvik s obmedzenými údajmi: Ebpodobná AI môže byť vyškolená s obmedzenými údajmi generovanými z fyzikálnych experimentov ako prvé.
Môže sa zostaviť z vopred trénovaných modulárnych komponentov: Fyzikálne systémy môžu mať viac konfigurácií na podporu ich zamýšľaných potrieb. Napríklad v závislosti od vykonaného procesu (ako je brúsenie alebo pieskovanie) môže byť jednotka výroby robotov v mnohých rôznych konfiguráciách. Rôzne jednotky môžu zahŕňať roboty s rôznymi funkciami (napríklad roboty montážnej mobilnej platformy alebo roboty v portáli), typy senzorov (ako sú hĺbkové kamery alebo tepelné snímače) a nástroje (ako napríklad orbitálne brúsky alebo dýzy pieskovcov).
Výsledkom je, že vývoj univerzálnej stelesnenej AI, ktorá funguje mimo krabice pre všetky výrobné aplikácie, nemusí fungovať veľmi dobre. AI systému musí byť rýchlo syntetizovaná z modulárnych komponentov, aby zodpovedala schopnostiam snímania a jazdy konkrétneho systému a pracovného prostredia.
Môže byť prispôsobený novým údajom alebo kontextom: Keďže nové údaje sú k dispozícii počas nasadenia systému, malo by byť možné použiť tieto údaje na zlepšenie výkonu AI. AI by mala byť schopná autonómne prispôsobiť nové prostredie alebo úlohy s minimálnym ľudským dohľadom.
Ľahko sa aktualizuje: V priebehu času sa môže výkon fyzického systému zmeniť v dôsledku opotrebenia alebo aktualizácií fyzických komponentov. To môže vyžadovať vylepšenia AI, aby sa zabezpečilo, že dokáže udržať krok s vývojom systému. Preto je potrebné navrhnúť systém AI, ktorý sa má navrhnúť s minimálnym narušením prevádzky systému.
Odporúčania založené na rizikách pre konanie: Systém by mal byť schopný odhadnúť svoju dôveru v navrhovanú akciu. Ak je dôvera nízka, systém by mal vykonať analýzu rizika a analyzovať dôsledky zlyhania. Ak je riziko príliš vysoké, systém by mal hľadať pomoc od ľudských odborníkov.
Interpretabilita: Ak systém navrhuje akciu, ktorá nespĺňa očakávania používateľa, systém by mal byť schopný vysvetliť dôvody použité na výber akcie.
Distribuovaná architektúra, ktorá podporuje rozdelenie výpočtu medzi Edge a Cloud: V stelesnených scenároch aplikácií AI nie je možné vykonávať všetky výpočty AI v cloude. Návrh systému by mal zabezpečiť, aby sa výpočty citlivé na latenciu siete mohli vykonať na okraji.
V oblasti digitálnej AI vidíme veľký úspech s veľkými modelmi výučby, ako je LLM. Tieto modely prosperujú na obrovskom množstve údajov. Nemá však veľa charakteristík stelesnenej AI uvedenej vyššie.
Stelesnená AI by sa mala považovať za komplexný systém zahŕňajúci interakcie medzi viacerými komponentmi AI. Správna architektúra systému v stelesnenej AI je jedným z kľúčov k úspešným výrobným aplikáciám. To vám umožňuje využiť najnovšie pokroky v AI a splniť náročné požiadavky na výrobné aplikácie. Preto sú potrebné moderné systémové inžinierske metódy na navrhnutie stelesnenej AI pre výrobné aplikácie.