Jelenleg másfajta AI-t fejlesztenek ki, az úgynevezett "megtestesített AI". Ez olyan ügynökökre utal, amelyek testtel rendelkeznek és támogatják a fizikai interakciót, például intelligens szerviz robotok, önjáró autók stb.
A megtestesített AI robotok kölcsönhatásba léphetnek a környezettel, megtervezhetnek, döntéseket hozhatnak, cselekedhetnek és olyan feladatokat hajtanak végre, mint az emberek. Például a robot egység feladata az egységbe helyezett alkatrész felső felületének csiszolása a kívánt felület elérése érdekében. A megtestesített AI érzékelők segítségével figyelheti az egység állapotát, és utasításokat generál a robot számára a feladatok elvégzéséhez.
A digitális AI és a megtestesített AI bizonyos hasonlóságokkal rendelkezik, és számos alapvető technológiát alkalmaz. A két típusú AI -típus közötti különbségek megértése azonban kritikus jelentőségű a digitális AI módszerek sikeres alkalmazásához az specifikus AI alkalmazásokra.
A megtestesített AI alkalmazások kockázati profilja gyakran alapvetően különbözik a digitális AI alkalmazásoktól. Ha a digitális AI eszközök 99 százalékos pontosak, akkor sok alkalmazásban drámai módon javíthatja az emberi termelékenységet.
Ezzel szemben az ipari alkalmazások kockázata miatt az egyes AI rendszerek pontossági követelményei gyakran nagymértékben eltérnek.
A fő kockázatok két szempontból származnak: a hiba valószínűsége és a hiba következményei. Ha a hiba elkövetésének következményei nem súlyosak, akkor a nagyobb hiba valószínűsége tolerálható. Ez az oka annak, hogy sok digitális AI alkalmazásban elfogadható az 1% -os hiba valószínűsége.
Ezzel szemben sok megtestesített AI -alkalmazásnál jobb, mint egy millió esetben. A tisztán adatközpontú megközelítés felhasználása a hibák valószínűségének csökkentésére sok adatot igényel. A legtöbb esetben az adatok iránti kereslet exponenciálisan növekszik. Sajnos a fizikai rendszerekből származó adatok beszerzésének költsége magas. Ezért a megtestesített AI -alkalmazásokkal való foglalkozáskor eltérő megközelítést kell követni.
A fenti követelmények teljesítése érdekében a gyártási alkalmazásokhoz szükséges AI -nek a következő jellemzőkkel kell rendelkeznie:
Korábban korlátozott adatokkal történő képzés: A megtestesített AI -t először a fizikai kísérletekből generált korlátozott adatokkal lehet képezni.
Összeállítható az előre kiképzett moduláris alkatrészekből: A fizikai rendszerek több konfigurációval rendelkezhetnek a tervezett igényeik alátámasztására. Például, az elvégzendő folyamattól (például csiszolás vagy homokfúvás) függően a gyártó robot egység sokféle konfigurációban lehet. Különböző egységek lehetnek a különféle funkciókkal rendelkező robotok (például a mobil platformon szerelő robotok vagy a portál rögzítő robotok), az érzékelőtípusok (például a mélységkamerák vagy a termikus képalkotók), valamint az eszközök (például orbitális csiszolók vagy homokfúvókák).
Ennek eredményeként az univerzális megtestesített AI kidolgozása, amely minden gyártási alkalmazáshoz a dobozból működik, előfordulhat, hogy nem teljesít nagyon jól. A rendszer AI -jét gyorsan szintetizálni kell a moduláris alkatrészekből, hogy megfeleljenek az adott rendszer és a munkakörnyezet érzékelési és vezetési képességeinek.
Adaptálható az új adatokhoz vagy kontextushoz: Mivel az új adatok elérhetővé válnak a rendszer telepítése során, lehetővé kell tenni ezeket az adatokat az AI teljesítmény javítására. Az AI -nek képesnek kell lennie arra, hogy önállóan alkalmazkodjon az új környezethez vagy a minimális emberi felügyelet mellett.
Könnyen frissíthető: Az idő múlásával a fizikai rendszer teljesítménye megváltozhat a fizikai alkatrészek kopása vagy frissítései miatt. Ehhez az AI javítása szükséges, hogy biztosítsa, hogy lépést tartson a rendszer fejlődésével. Ezért egy megtestesített AI -rendszert úgy kell megtervezni, hogy biztosítsa, hogy a rendszer működésének minimális megszakításával frissíthető legyen.
Kockázat-alapú cselekvési ajánlások: A rendszernek képesnek kell lennie arra, hogy becsülje meg a javasolt intézkedésbe vetett bizalmát. Ha alacsony a bizalom, a rendszernek kockázatelemzést kell végeznie, és elemeznie kell a kudarc következményeit. Ha a kockázat túl magas, akkor a rendszernek segítséget kell kérnie az emberi szakértőktől.
Értelmezettség: Ha a rendszer olyan műveletet javasol, amely nem felel meg a felhasználó elvárásainak, akkor a rendszernek képesnek kell lennie megmagyarázni a művelet kiválasztásához használt okokat.
Elosztott architektúra, amely támogatja a számítás particionálását az él és a felhő között: A megtestesített AI alkalmazás forgatókönyveiben a felhőben nem lehet elvégezni az összes AI számítástechnikát. A rendszer kialakításának gondoskodnia kell arról, hogy a hálózati késés-érzékeny számításokat a szélén lehet elvégezni.
A digitális AI területén nagy sikert találunk olyan nagy végpontok közötti tanulási modellekkel, mint például az LLM. Ezek a modellek óriási mennyiségű adaton keresztül virágzik. Ugyanakkor nem rendelkeznek a fent említett megtestesített AI sok jellemzőjével.
A megtestesített AI -t komplex rendszernek kell tekinteni, amely magában foglalja a több AI komponens közötti interakciókat. A megfelelő rendszer -architektúra a megtestesített AI -ben az egyik kulcsa a sikeres gyártási alkalmazásokhoz. Ez lehetővé teszi, hogy kihasználhassa az AI legfrissebb előrelépéseit, és megfeleljen a gyártási alkalmazások igényes követelményeinek. Ezért a modern rendszermérnöki módszerekre van szükség a megtestesített AI tervezéséhez a gyártási alkalmazásokhoz.