Trenutno se razvija drugačna vrsta AI, tako imenovani "utelešeni AI". Nanaša se na povzročitelje, ki imajo telo in podpirajo fizično interakcijo, kot so inteligentni servisni roboti, samovozeči avtomobili itd.
Utelešeni AI roboti lahko komunicirajo z okoljem, načrtujejo, sprejemajo odločitve, delujejo in opravljajo naloge, kot so ljudje. Na primer, robotska enota ima zadolžena za brušenje zgornje površine dela, nameščenega v enoti, da doseže želeno površinsko obdelavo. Osebna AI lahko uporabi senzorje za spremljanje stanja enote in ustvarjanje navodil za izvajanje nalog.
Digital AI in Eleried AI imata nekaj podobnosti in uporabljata številne osnovne tehnologije. Vendar je razumevanje razlik med tema dvema vrstama AI ključnega pomena za uspešno uporabo digitalnih AI metod za posebne aplikacije AI.
Profil tveganja utelešenih aplikacij AI se pogosto bistveno razlikuje od prodaje digitalnih aplikacij AI. Če so digitalna orodja AI 99 odstotkov natančna, bi lahko v mnogih aplikacijah drastično izboljšali človeško produktivnost.
Nasprotno pa se zaradi tveganj industrijskih aplikacij zahteve glede natančnosti za določene sisteme AI pogosto zelo razlikujejo.
Glavna tveganja izhajajo iz dveh vidikov: verjetnost napak in posledice napake. Kadar posledice napake niso resne, je mogoče tolerirati večjo verjetnost napake. Zato je 1 -odstotna verjetnost napake sprejemljiva v mnogih digitalnih aplikacijah AI.
Nasprotno pa številne utelešene aplikacije AI zahtevajo verjetnosti napak, ki so boljše kot ena na milijon. Uporaba čisto podatkovnega pristopa za zmanjšanje verjetnosti napak zahteva veliko podatkov. V večini primerov povpraševanje po podatkih narašča eksponentno. Na žalost so stroški pridobivanja podatkov iz fizičnih sistemov visoki. Zato je treba pri obravnavanju utemeljenih aplikacij AI upoštevati drugačen pristop.
Za izpolnjevanje zgornjih zahtev bi moralo imeti utelešenje AI za proizvodne aplikacije naslednje značilnosti:
Usposabljanje z omejenimi podatki: utelešeni AI je mogoče usposobiti z omejenimi podatki, pridobljenimi iz fizičnih poskusov.
Lahko se sestavi iz predhodno usposobljenih modularnih komponent: Fizični sistemi imajo lahko več konfiguracij za podporo njihovim predvidenim potrebam. Na primer, odvisno od postopka, ki se izvaja (na primer brušenje ali peskanje), je lahko proizvodna robotska enota v različnih konfiguracijah. Različne enote lahko vključujejo robote z različnimi funkcijami (na primer roboti za namestitev mobilne platforme ali roboti za pritrditev na gantry), vrste senzorjev (na primer globinske kamere ali toplotni slikarji) in orodja (na primer orbitalne peščenja ali peščene šobe).
Kot rezultat, razvoj univerzalnega utelešenega AI, ki deluje iz škatle za vse proizvodne aplikacije, morda ne bo deloval zelo dobro. AI sistema je treba hitro sintetizirati iz modularnih komponent, da se ujemajo z zmogljivostmi zaznavanja in vožnje določenega sistema in delovnega okolja.
Lahko se prilagodimo novim podatkom ali kontekstu: Ker so novi podatki na voljo med uvajanjem sistema, bi morali te podatke uporabiti za izboljšanje zmogljivosti AI. AI bi se moral z minimalnim človeškim nadzorom samostojno prilagoditi novim okoljem ali nalogam.
Enostavna nadgradnja: Sčasoma se lahko zmogljivost fizičnega sistema spremeni zaradi obrabe ali posodobitev fizičnih komponent. To lahko zahteva izboljšave AI, da se zagotovi, da lahko sledi evoluciji sistema. Zato mora biti utelešen sistem AI zasnovan tako, da ga lahko nadgradimo z minimalno motnjo na delovanje sistema.
Priporočila za ukrepanje na podlagi tveganja: Sistem bi moral biti sposoben oceniti njegovo zaupanje v predlagano dejanje. Kadar je zaupanje nizko, bi moral sistem izvesti analizo tveganja in analizirati posledice neuspeha. Če je tveganje previsoko, bi moral sistem poiskati pomoč pri človeških strokovnjakih.
Interpretabilnost: Če sistem predlaga dejanje, ki ne ustreza pričakovanjem uporabnika, bi moral sistem razložiti razloge, ki se uporabljajo za izbiro dejanja.
Razdeljena arhitektura, ki podpira razdelitev računalništva med rob in oblak: V utelešenih scenarijih aplikacij AI ni mogoče izvajati vse AI računalništva v oblaku. Zasnova sistema bi morala zagotoviti, da se na robu izvajajo izračuni, ki so občutljivi na omrežje.
Na področju digitalnega AI opažamo velik uspeh z velikimi učnimi modeli od konca do konca, kot je LLM. Ti modeli uspevajo na ogromnih količinah podatkov. Vendar nimajo veliko značilnosti zgoraj omenjenih AI.
Utelešeni AI je treba obravnavati kot zapleten sistem, ki vključuje interakcije med več komponentami AI. Imeti pravo sistemsko arhitekturo v utelešenem AI je eden od ključev za uspešne proizvodne aplikacije. To vam omogoča, da izkoristite najnovejši napredek v AI in izpolnjujete zahtevne zahteve proizvodnih aplikacij. Zato so potrebne sodobne sistemske inženirske metode za oblikovanje utelešenih AI za proizvodne aplikacije.