Obecnie opracowywany jest inny rodzaj sztucznej inteligencji, tak zwana „wcielona AI”. Odnosi się do agentów, którzy mają ciało i wspierają fizyczną interakcję, takich jak inteligentne roboty serwisowe, samochody samojezdne itp.
Wcielone roboty AI mogą wchodzić w interakcje ze środowiskiem, planować, podejmować decyzje, działać i wykonywać zadania takie jak ludzie. Na przykład jednostka robota ma za zadanie szlifować górną powierzchnię części umieszczonej w urządzeniu w celu osiągnięcia pożądanego wykończenia powierzchni. Wcielona AI jest w stanie użyć czujników do monitorowania stanu urządzenia i generowania instrukcji dla robota do wykonywania zadań.
Cyfrowa sztuczna inteligencja i ucieleśniona AI dzielą pewne podobieństwa i wykorzystują wiele podstawowych technologii. Jednak zrozumienie różnic między tymi dwoma rodzajami AI ma kluczowe znaczenie dla pomyślnego zastosowania cyfrowych metod AI do określonych aplikacji AI.
Profil ryzyka wcielonych aplikacji AI jest często zasadniczo różny od profilu cyfrowych aplikacji AI. Jeśli cyfrowe narzędzia AI są dokładne w 99 procentach, może to znacznie poprawić ludzką wydajność w wielu aplikacjach.
Natomiast, ze względu na ryzyko zastosowań przemysłowych, wymagania dokładności dla określonych systemów AI często się znacznie różnią.
Główne ryzyko wynika z dwóch aspektów: prawdopodobieństwa błędu i konsekwencji błędu. Gdy konsekwencje popełnienia błędu nie są poważne, można tolerować wyższe prawdopodobieństwo błędu. Dlatego 1% prawdopodobieństwo błędu jest dopuszczalne w wielu cyfrowych aplikacjach AI.
I odwrotnie, wiele wcielonych aplikacji AI wymaga prawdopodobieństwa błędu lepiej niż jedna na milion. Zastosowanie podejścia wyłącznie opartego na danych w celu zmniejszenia prawdopodobieństwa błędów wymaga dużo danych. W większości przypadków popyt na dane rośnie wykładniczo. Niestety koszt uzyskania danych z systemów fizycznych jest wysoki. Dlatego należy zastosować inne podejście w przypadku wcielonych aplikacji AI.
Aby spełnić powyższe wymagania, ucieleśniona sztuczna inteligencja do zastosowań produkcyjnych powinna mieć następujące cechy:
Szkolenie z ograniczonymi danymi: Wcielona sztuczna inteligencja można najpierw przeszkolić z ograniczonymi danymi wygenerowanymi z eksperymentów fizyki.
Można montować z wcześniej wyszkolonych komponentów modułowych: Systemy fizyczne mogą mieć wiele konfiguracji, aby obsługiwać ich zamierzone potrzeby. Na przykład, w zależności od wykonywanego procesu (takiego jak szlifowanie lub piaskownica), jednostka robota produkcyjna może znajdować się w wielu różnych konfiguracjach. Różne jednostki mogą obejmować roboty z różnymi funkcjami (takimi jak roboty montażowe na platformę mobilną lub roboty montowane w branży), typy czujników (takie jak kamery głębokości lub obrazy termiczne) oraz narzędzia (takie jak orbitalne sandery lub dyszę piaskową).
W rezultacie opracowanie uniwersalnej zawartej AI, która działa po wyjęciu z pudełka dla wszystkich aplikacji produkcyjnych, może nie działać zbyt dobrze. AI systemu musi być szybko zsyntetyzowana z modułowych komponentów, aby pasować do możliwości wykrywania i jazdy określonego systemu i środowiska pracy.
Można dostosować do nowych danych lub kontekstu: ponieważ nowe dane stają się dostępne podczas wdrażania systemu, powinno być możliwe wykorzystanie tych danych w celu poprawy wydajności sztucznej inteligencji. AI powinna być w stanie autonomicznie dostosowywać się do nowych środowisk lub zadań z minimalnym nadzorem ludzkim.
Łatwy do aktualizacji: z czasem wydajność systemu fizycznego może się zmienić z powodu zużycia lub aktualizacji komponentów fizycznych. Może to wymagać ulepszeń sztucznej inteligencji, aby zapewnić jej ewolucję systemu. Dlatego należy zaprojektować wcielony system AI, aby zapewnić, że można go zaktualizować przy minimalnym zakłóceniu działania systemu.
Zalecenia dotyczące działań oparte na ryzyku: System powinien być w stanie oszacować swoje zaufanie do proponowanego działania. Gdy zaufanie jest niskie, system powinien przeprowadzić analizę ryzyka i analizować konsekwencje awarii. Jeśli ryzyko jest zbyt wysokie, system powinien szukać pomocy u ludzi.
Interpretabilność: Jeśli system sugeruje działanie, które nie spełnia oczekiwań użytkownika, system powinien być w stanie wyjaśnić przyczyny wybrania akcji.
Architektura rozproszona, która obsługuje partycjonowanie obliczeń między krawędzią a chmurą: w scenariuszach aplikacji wcielonych AI nie jest możliwe wykonywanie wszystkich obliczeń AI w chmurze. Projekt systemu powinien zapewnić, że na krawędzi można przeprowadzić obliczenia wrażliwe na sieć wrażliwe na opóźnienie.
W dziedzinie cyfrowej sztucznej inteligencji odnotowujemy wielki sukces dzięki dużym kompleksowym modele uczenia się, takim jak LLM. Modele te rozwijają się na ogromnych ilości danych. Nie mają jednak wielu cech wcielonej AI wspomnianych powyżej.
Wcielona AI powinna być postrzegana jako złożony system obejmujący interakcje między wieloma komponentami AI. Posiadanie odpowiedniej architektury systemu w ucieczkowej AI jest jednym z kluczy do udanych aplikacji produkcyjnych. Umożliwia to skorzystanie z najnowszych postępów w sztucznej inteligencji i spełnianie wymagających wymagań aplikacji produkcyjnych. Dlatego potrzebne są nowoczesne metody inżynierii systemów do zaprojektowania wcielonej sztucznej inteligencji do zastosowań produkcyjnych.