Trenutno se razvija drugačija AI, takozvani "utjelovljeni AI". Odnosi se na agente koji imaju tijelo i podržavaju fizičku interakciju, kao što su inteligentni roboti za usluge, automobili koji se samo mogu voziti itd.
Utjelovljeni AI roboti mogu komunicirati s okolinom, planirati, donositi odluke, djelovati i obavljati zadatke poput ljudi. Na primjer, robotska jedinica ima zadatak da brusi gornju površinu dijela postavljenog u jedinicu kako bi se postigla željena površinska završna obrada. Utjelovljeni AI može koristiti senzore za nadgledanje stanja jedinice i generiranje uputa za robota za obavljanje zadataka.
Digitalni AI i utjelovljeni AI dijele neke sličnosti i koriste mnoge temeljne tehnologije. Međutim, razumijevanje razlika između ove dvije vrste AI presudno je za uspješno primjenu digitalnih AI metoda na određene AI aplikacije.
Profil rizika utjelovljenih AI aplikacija često se u osnovi razlikuje od onog digitalnih AI aplikacija. Ako su digitalni AI alati 99 posto točni, to bi moglo dramatično poboljšati ljudsku produktivnost u mnogim aplikacijama.
Suprotno tome, zbog rizika od industrijskih primjena, zahtjevi za točnost za određene AI sustave često se uvelike razlikuju.
Glavni rizici dolaze iz dva aspekta: vjerojatnost pogreške i posljedice pogreške. Kad posljedice pogreške nisu ozbiljne, može se tolerirati veća vjerojatnost pogreške. Zbog toga je vjerojatnost pogreške od 1% prihvatljiva u mnogim digitalnim AI aplikacijama.
Suprotno tome, mnoge utjelovljene AI aplikacije zahtijevaju vjerojatnost pogreške bolje od jedne na milijun. Korištenje isključivo pristupa temeljenog na podacima za smanjenje vjerojatnosti pogrešaka zahtijeva puno podataka. U većini slučajeva potražnja za podacima raste eksponencijalno. Nažalost, troškovi dobivanja podataka iz fizičkih sustava su visoki. Stoga je potrebno slijediti drugačiji pristup kada se bavi utjelovljenim AI aplikacijama.
Da bi se ispunili gore navedeni zahtjevi, utjelovljeni AI za proizvodnju aplikacija trebali bi imati sljedeće karakteristike:
Obuka s ograničenim podacima: Utjelovljeni AI može se osposobiti s ograničenim podacima generiranim iz eksperimenata fizike.
Može se sastaviti iz unaprijed obučenih modularnih komponenti: Fizički sustavi mogu imati više konfiguracija za podršku njihovih namjeravanih potreba. Na primjer, ovisno o procesu koji se provodi (poput brušenja ili pješčanika), proizvodna robotska jedinica može biti u mnogim različitim konfiguracijama. Različite jedinice mogu uključivati robote s različitim funkcijama (kao što su roboti za montiranje mobilnih platformi ili roboti za ugradnju), vrste senzora (poput kamera dubine ili termičkih slika) i alate (poput orbitalnih brusilica ili mlaznica za pješčane mlaznice).
Kao rezultat toga, razvijanje univerzalnog utjelovljenog AI koji radi izvan okvira za sve proizvodne aplikacije možda neće biti dobro. AI sustava treba brzo sintetizirati iz modularnih komponenti kako bi odgovarao osjetljivim i vožnji sposobnosti određenog sustava i radnog okruženja.
Može se prilagoditi novim podacima ili kontekstu: Kako novi podaci postaju dostupni tijekom implementacije sustava, ove podatke trebalo bi koristiti za poboljšanje performansi AI. AI bi se trebao autonomno prilagoditi novim okruženjima ili zadacima s minimalnim ljudskim nadzorom.
Jednostavno nadograditi: S vremenom se performanse fizičkog sustava mogu promijeniti zbog habanja ili ažuriranja fizičkih komponenti. Ovo može zahtijevati poboljšanja AI kako bi se osiguralo da može biti u toku s evolucijom sustava. Stoga je utjelovljeni AI sustav mora biti dizajniran kako bi se osiguralo da se može nadograditi uz minimalni poremećaj u radu sustava.
Preporuke za djelovanje na temelju rizika: Sustav bi trebao biti u mogućnosti procijeniti svoje povjerenje u predloženu radnju. Kad je povjerenje nisko, sustav bi trebao provesti analizu rizika i analizirati posljedice neuspjeha. Ako je rizik previsok, sustav bi trebao potražiti pomoć od ljudskih stručnjaka.
Tumačenje: Ako sustav sugerira radnju koja ne ispunjava očekivanja korisnika, sustav bi trebao biti u mogućnosti objasniti razloge koji se koriste za odabir radnje.
Distribuirana arhitektura koja podržava podjelu računanja između ruba i oblaka: U utjelovljenim scenarijima AI aplikacije nije moguće izvesti sve AI računanje u oblaku. Dizajn sustava trebao bi osigurati da se na rubu mogu izvesti proračuni osjetljivih na mrežu.
Na području digitalnog AI-ja, veliki uspjeh doživljavamo s velikim cjelovitim modelima učenja kao što je LLM. Ovi modeli uspijevaju u ogromnim količinama podataka. Međutim, oni ne posjeduju mnoge karakteristike gore spomenutih AI.
Utjelovljeni AI treba promatrati kao složen sustav koji uključuje interakcije između više AI komponenti. Imati pravu arhitekturu sustava u utjelovljenom AI -u jedan je od ključeva uspješnih proizvodnih aplikacija. To vam omogućuje da iskoristite najnoviji napredak u AI i ispunite zahtjevne zahtjeve proizvodnih aplikacija. Stoga su potrebne suvremene metode inženjerskog sustava za dizajniranje utjelovljenog AI za proizvodnju.