Trenutno se razvija drugačija vrsta AI, takozvani "utjelovljeni AI". Odnosi se na agente koji imaju tijelo i podržavaju fizičku interakciju, poput inteligentnih robota, auto-vožnje automobila itd.
Emodirani AI roboti mogu komunicirati sa okolinom, planirati, donositi odluke, djelovati i obavljati zadatke poput ljudi. Na primjer, jedinica robota ima zadatak sa brušenjem gornje površine dijela stavljenog u jedinicu kako bi se postigla željena površinska obrada. Elomatska AI može koristiti senzore za nadgledanje stanja jedinice i generirati upute za robota za obavljanje zadataka.
Digital AI i EmoodIed AI dijeli neke sličnosti i koristi mnoge temeljne tehnologije. Međutim, razumijevanje razlika između ove dvije vrste AI presudno je za uspješno primjenu digitalnih AI metoda na specifične aplikacije AI.
Profil rizika utjelovljenih AI aplikacija često se temeljno razlikuje od digitalnih AI aplikacija. Ako su digitalni AI alati 99 posto tačni, mogao bi dramatično poboljšati ljudsku produktivnost u mnogim aplikacijama.
Suprotno tome, zbog rizika industrijskih primjena, zahtjevi za tačnost za određene AI sustave često se široko variraju.
Glavni rizici dolaze iz dva aspekta: vjerojatnost pogreške i posljedica greške. Kada posljedice pogreške nisu ozbiljne, može se tolerirati veća vjerojatnost greške. Zbog toga je vjerojatnost pogreške u 1% prihvatljiva u mnogim digitalnim AI aplikacijama.
Suprotno tome, mnoge utjelovljene AI aplikacije zahtijevaju vjerojatnost pogreške bolje od jednog u milion. Korištenje čistog pristupa vođenom podacima za smanjenje vjerojatnosti grešaka zahtijeva puno podataka. U većini slučajeva potražnja za podacima eksponencijalno raste. Nažalost, trošak dobivanja podataka iz fizičkih sistema su visoki. Stoga se treba slijediti drugačiji pristup kada se bavi utjelovljenim AI aplikacijama.
Za ispunjavanje gore navedenih zahtjeva, utjelovljeni AI za proizvodne aplikacije treba imati sljedeće karakteristike:
Obuka sa ograničenim podacima: Emodovani AI može se osposobiti sa ograničenim podacima koji su prvi generirani iz eksperimenata fizike.
Može se sastaviti iz unapred obučenih modularnih komponenti: fizički sustavi mogu imati više konfiguracija za podršku njihovim namjeravanim potrebama. Na primjer, ovisno o postupku koji se izvodi (poput brušenja ili peska), jedinica za proizvodnju robota može biti u mnogim različitim konfiguracijama. Različite jedinice mogu uključivati robote s različitim funkcijama (kao što su mobilne platforme ugradbene robote ili roboti za ugradnju Gantry), tipovi senzora (kao što su dubinske kamere ili toplotne slike) i alate (poput orbitalnih brusilica ili mlaznice).
Kao rezultat toga, razvijanje univerzalnog utjelovljenog AI-ja koji radi izvan okvira za sve aplikacije za proizvodnju možda ne bi se baš dobro izvršio. AI sustava treba brzo sintetizirati iz modularnih komponenti koje odgovaraju osjetljivim i pokretačkim mogućnostima specifičnog sustava i radnog okruženja.
Može se prilagoditi novim podacima ili kontekstom: jer novi podaci postanu dostupni tijekom implementacije sistema, trebao bi biti moguće koristiti ove podatke za poboljšanje performansi AI. AI bi trebao biti u mogućnosti da se autonomno prilagođava novim okruženjima ili zadacima sa minimalnim ljudskim nadzorom.
Jednostavan za nadogradnju: Vremenom se vrši izvedba fizičkog sistema može promijeniti zbog habanja ili ažuriranja na fizičke komponente. To može zahtijevati poboljšanja AI-a kako bi se osiguralo da može nastaviti s evolucijom sistema. Stoga je utjelovljen AI sustav mora biti dizajniran kako bi se osiguralo da se može nadograditi uz minimalne poremećaje u operaciji sistema.
Preporuke zasnovane na riziku za akciju: Sustav bi trebao biti u mogućnosti procijeniti svoje povjerenje u predloženu radnju. Kada je samopouzdanje malo, sustav bi trebao provesti analizu rizika i analizirati posljedice neuspjeha. Ako je rizik previsok, sistem bi trebao potražiti pomoć ljudskih stručnjaka.
Tumačenje: Ako sistem predlaže radnju koja ne ispunjava očekivanja korisnika, sustav bi trebao biti u mogućnosti objasniti razloge koji se koriste za odabir akcije.
Distribuirana arhitektura koja podržava particioniranje računanja između ivice i oblaka: u utjelovljenim ai aplikacijskim scenarijima, nije moguće izvesti sve AI računarstvo u oblaku. Dizajn sustava treba osigurati da se izračuni osetljivi na mrežu mogu izvesti na ivici.
U oblasti digitalnog AI-ja vidimo veliki uspjeh s velikim modelima za učenje krajnjih do kraja, poput LLM-a. Ovi modeli napreduju po ogromnim količinama podataka. Međutim, oni ne posjeduju mnoge karakteristike utjelovljene AI spomenute gore.
Emodirani AI treba posmatrati kao složeni sistem koji uključuje interakcije između više AI komponenti. Imati pravu arhitekturu sistema u utjelovljenom AI jedan je od ključeva uspješnih proizvodnih aplikacija. To vam omogućava da iskoristite najnoviji predujmovi u AI i ispunite zahtjevne zahtjeve za proizvodnim aplikacijama. Stoga su potrebne moderne metode inženjeringa sistema za dizajn utjelovljenih AI za proizvodnju aplikacija.