В момента се развива различен вид AI, така нареченият „въплътен AI“. Тя се отнася до агенти, които имат тяло и поддържат физическо взаимодействие, като интелигентни роботи за обслужване, самостоятелно управлявани автомобили и т.н.
Въплътените AI роботи могат да взаимодействат с околната среда, да планират, да вземат решения, да изпълняват и изпълняват задачи като хора. Например, на единицата робот е натоварена с шлифоване на горната повърхност на част, поставена в блока, за да се постигне желаното покритие на повърхността. Въплътеният AI е в състояние да използва сензори за наблюдение на състоянието на устройството и генериране на инструкции за робота за изпълнение на задачи.
Digital AI и въплътените AI споделят някои прилики и използват много основни технологии. Въпреки това, разбирането на разликите между тези два типа AI е от решаващо значение за успешното прилагане на цифрови AI методи към специфични AI приложения.
Рисковият профил на въплътените AI приложения често е коренно различен от този на цифровите AI приложения. Ако Digital AI инструментите са 99 процента точни, това може драстично да подобри производителността на човека в много приложения.
За разлика от това, поради рисковете от индустриалните приложения, изискванията за точност на специфични AI системи често варират в голяма степен.
Основните рискове идват от два аспекта: вероятността за грешка и последиците от грешката. Когато последиците от сгрешата не са сериозни, по -голяма вероятност за грешка може да се толерира. Ето защо вероятността за грешка от 1% е приемлива в много цифрови AI приложения.
Обратно, много въплътени AI приложения изискват вероятности за грешки по -добре от един на милион. Използването на чисто базиран на данни подход за намаляване на вероятността от грешки изисква много данни. В повечето случаи търсенето на данни нараства експоненциално. За съжаление, разходите за получаване на данни от физическите системи са високи. Следователно трябва да се спазва различен подход при работа с въплътени AI приложения.
За да отговарят на горните изисквания, въплътеният AI за производствени приложения трябва да има следните характеристики:
Обучение с ограничени данни: Въплътеният AI може да бъде обучен с ограничени данни, генерирани първо от експерименти по физика.
Може да се сглоби от предварително обучени модулни компоненти: Физическите системи могат да имат множество конфигурации, които да поддържат предвидените им нужди. Например, в зависимост от процеса, който се извършва (като шлифоване или пясък), производственият робот може да бъде в много различни конфигурации. Различните единици могат да включват роботи с различни функции (като мобилни платформи за монтиране на роботи или роботи за монтаж на гандове), типове сензори (като дълбочини на камери или термични изображения) и инструменти (като орбитални шлифовъчни устройства или дюзи за пясък).
В резултат на това разработването на универсален въплътен AI, който работи от кутията за всички производствени приложения, може да не се представи много добре. AI на системата трябва да се синтезира бързо от модулни компоненти, за да съответства на възможностите за сензор и шофиране на специфичната система и работна среда.
Може да бъде адаптиран към нови данни или контекст: Тъй като новите данни стават достъпни по време на внедряването на системата, трябва да е възможно да се използват тези данни за подобряване на производителността на AI. AI трябва да може да се адаптира автономно към нови среди или задачи с минимален човешки надзор.
Лесно за надграждане: С течение на времето работата на физическата система може да се промени поради износване или актуализиране на физическите компоненти. Това може да изисква подобрения на AI, за да се гарантира, че може да бъде в крак с еволюцията на системата. Следователно трябва да бъде проектирана въплътена AI система, за да се гарантира, че тя може да бъде модернизирана с минимални прекъсвания на работата на системата.
Препоръки, основани на риска за действие: Системата трябва да може да оцени своята увереност в предложеното действие. Когато увереността е ниска, системата трябва да извърши анализ на риска и да анализира последствията от неуспех. Ако рискът е твърде висок, системата трябва да потърси помощ от човешки експерти.
Тълкуваемост: Ако системата предлага действие, което не отговаря на очакванията на потребителя, системата трябва да може да обясни причините, използвани за избор на действието.
Разпределена архитектура, която поддържа разделяне на изчисленията между Edge и Cloud: Във въплътените сценарии на AI приложения не е възможно да се извършват всички AI изчисления в облака. Дизайнът на системата трябва да гарантира, че изчисленията, чувствителни към латентността на мрежата, могат да се извършват на ръба.
В областта на Digital AI виждаме голям успех с големи модели за обучение от край до край като LLM. Тези модели процъфтяват на огромни количества данни. Те обаче не притежават много от характеристиките на споменатата по -горе ИИ.
Въплътеният AI трябва да се разглежда като сложна система, включваща взаимодействия между множество AI компоненти. Наличието на подходяща системна архитектура във въплътената AI е един от ключовете за успешните производствени приложения. Това ви дава възможност да се възползвате от най -новите постижения в AI и да отговаряте на взискателните изисквания на производствените приложения. Следователно, съвременните методи за инженеринг на системи са необходими за проектиране на въплътени AI за производствени приложения.