כעת מפותח סוג אחר של AI, מה שמכונה "AI מגולם". זה מתייחס לסוכנים שיש להם גוף ותומכים באינטראקציה פיזית, כמו רובוטים של שירותים חכמים, מכוניות בנהיגה עצמית וכו '.
רובוטים AI מגולמים יכולים לקיים אינטראקציה עם הסביבה, לתכנן, לקבל החלטות, לפעול ולבצע משימות כמו בני אדם. לדוגמה, יחידת הרובוט מוטלת על מלטש את המשטח העליון של חלק המונח ביחידה כדי להשיג את גימור פני השטח הרצוי. AI מגולם מסוגל להשתמש בחיישנים כדי לפקח על מצב היחידה ולייצר הוראות לרובוט לביצוע משימות.
AI דיגיטלי ו- AI מגולם חולקים כמה קווי דמיון ומנצלים טכנולוגיות בסיסיות רבות. עם זאת, הבנת ההבדלים בין שני סוגים אלה של AI היא קריטית ליישום בהצלחה של שיטות AI דיגיטליות על יישומי AI ספציפיים.
פרופיל הסיכון של יישומי AI מגולמים לרוב שונה באופן מהותי מזה של יישומי AI דיגיטליים. אם כלי AI דיגיטליים מדויקים ב 99 אחוזים, זה יכול לשפר באופן דרמטי את הפרודוקטיביות האנושית ביישומים רבים.
לעומת זאת, בגלל הסיכונים של יישומים תעשייתיים, דרישות הדיוק למערכות AI ספציפיות לרוב משתנות באופן נרחב.
הסיכונים העיקריים מגיעים משני היבטים: ההסתברות לטעות ותוצאות הטעות. כאשר ההשלכות של טעות אינן חמורות, ניתן לסבול הסתברות גבוהה יותר לטעות. זו הסיבה שהסתברות שגיאה של 1% מקובלת ביישומי AI דיגיטליים רבים.
לעומת זאת, יישומי AI מגולמים רבים דורשים הסתברות שגיאה טובה יותר מאחת למיליון. שימוש בגישה מונעת נתונים גרידא להפחתת ההסתברות לטעויות דורש נתונים רבים. ברוב המקרים, הביקוש לנתונים צומח באופן אקספוננציאלי. לרוע המזל, עלות קבלת נתונים ממערכות פיזיות גבוהה. לפיכך, יש לעקוב אחר גישה שונה בעת התמודדות עם יישומי AI מגולמים.
כדי לעמוד בדרישות לעיל, AI מגולם עבור יישומי ייצור צריכים להיות בעלי המאפיינים הבאים:
אימונים עם נתונים מוגבלים: ניתן להכשיר את ה- AI המגולם עם נתונים מוגבלים שנוצרו מניסויים בפיזיקה תחילה.
ניתן להרכיב מרכיבים מודולריים מאומנים מראש: למערכות פיזיות יכולות להיות תצורות מרובות לתמיכה בצרכים המיועדים שלהן. לדוגמה, תלוי בתהליך המתבצע (כגון מלטש או פיצוץ חול), יחידת הרובוט הייצור יכולה להיות בתצורות רבות ושונות. יחידות שונות עשויות לכלול רובוטים עם פונקציות שונות (כגון רובוטים הרכבה לפלטפורמה ניידת או רובוטים הרכבה על גנטיות), סוגי חיישנים (כגון מצלמות עומק או תמונות תרמיות) וכלים (כגון סנדרים מסלול או חרירי תזת חול).
כתוצאה מכך, פיתוח AI מגולם אוניברסלי שעובד מחוץ לקופסה עבור כל יישומי הייצור עשוי לא להתפקד היטב. יש לסנתז את ה- AI של המערכת במהירות מרכיבים מודולריים כדי להתאים ליכולות החישה והנהיגה של המערכת הספציפית וסביבת העבודה.
ניתן להתאים לנתונים או להקשר חדשים: ככל שהנתונים החדשים הופכים לזמינים במהלך פריסת המערכת, צריך להיות אפשרי להשתמש בנתונים אלה כדי לשפר את ביצועי ה- AI. AI אמור להיות מסוגל להסתגל באופן אוטונומי לסביבות או משימות חדשות עם פיקוח אנושי מינימלי.
קל לשדרוג: לאורך זמן ביצועי המערכת הפיזית עשויים להשתנות בגלל בלאי או עדכונים לרכיבים הפיזיים. זה עשוי לדרוש שיפורים ב- AI כדי להבטיח שהוא יכול להתעדכן בהתפתחות המערכת. לפיכך, יש לתכנן מערכת AI מגולמת כדי להבטיח שניתן יהיה לשדרג אותה תוך הפרעה מינימלית לפעולת המערכת.
המלצות מבוססות סיכון לפעולה: המערכת צריכה להיות מסוגלת להעריך את אמונתה בפעולה המוצעת. כאשר הביטחון נמוך, המערכת צריכה לערוך ניתוח סיכונים ולנתח את השלכות הכישלון. אם הסיכון גבוה מדי, המערכת צריכה לפנות לעזרה ממומחים אנושיים.
פרשנות: אם המערכת מציעה פעולה שאינה עומדת בציפיות המשתמש, המערכת צריכה להיות מסוגלת להסביר את הסיבות המשמשות לבחירת הפעולה.
ארכיטקטורה מבוזרת התומכת בחלוקת המחשוב בין Edge לענן: בתרחישים יישומים AI מגולמים, לא ניתן לבצע את כל מחשוב ה- AI בענן. על תכנון המערכת להבטיח שניתן לבצע חישובים רגישים לחביון ברשת בקצה.
בתחום ה- AI הדיגיטלי אנו רואים הצלחה רבה עם מודלים גדולים של למידה מקצה לקצה כמו LLM. דגמים אלה משגשגים על כמויות עצומות של נתונים. עם זאת, אין להם רבים מהמאפיינים של AI מגולם שהוזכר לעיל.
יש לראות ב- AI מגולם כמערכת מורכבת הכוללת אינטראקציות בין מרכיבי AI מרובים. קיום ארכיטקטורת המערכת הנכונה ב- AI מגולם הוא אחד המפתחות ליישומי ייצור מצליחים. זה מאפשר לך לנצל את ההתקדמות האחרונה ב- AI ולעמוד בדרישות התובעניות של יישומי ייצור. לפיכך, יש צורך בשיטות הנדסיות של מערכות מודרניות כדי לתכנן AI מגולם ליישומי ייצור.