Pašlaik tiek izstrādāts cita veida AI, tā sauktais "iemiesots AI". Tas attiecas uz aģentiem, kuriem ir ķermenis un kas atbalsta fizisku mijiedarbību, piemēram, inteliģentus robotus, pašbraucošas automašīnas utt.
Iemiesotie AI roboti var mijiedarboties ar vidi, plānot, pieņemt lēmumus, rīkoties un veikt tādus uzdevumus kā cilvēki. Piemēram, robota vienībai ir uzdots slīpēt ierīcē ievietotās daļas augšējo virsmu, lai sasniegtu vēlamo virsmas apdari. Iemiesotais AI spēj izmantot sensorus, lai uzraudzītu vienības stāvokli un ģenerētu norādījumus robotam, lai veiktu uzdevumus.
Digital AI un iemiesotajam AI ir dažas līdzības un tiek izmantotas daudzas pamatā esošās tehnoloģijas. Tomēr izpratne par atšķirībām starp šiem diviem AI veidiem ir kritiska, lai veiksmīgi piemērotu digitālās AI metodes īpašām AI lietojumprogrammām.
Iemiesoto AI lietojumprogrammu riska profils bieži būtiski atšķiras no digitālo AI lietojumprogrammām. Ja digitālie AI rīki ir 99 procenti precīzi, tas varētu dramatiski uzlabot cilvēku produktivitāti daudzās lietojumprogrammās.
Turpretī rūpniecisko pielietojumu risku dēļ precizitātes prasības konkrētām AI sistēmām bieži ir ļoti atšķirīgas.
Galvenie riski rodas no diviem aspektiem: kļūdas varbūtība un kļūdas sekas. Ja kļūdas pieļaušanas sekas nav nopietnas, var pieļaut lielāku kļūdas varbūtību. Tāpēc daudzās digitālās AI lietojumprogrammās ir pieņemama 1% kļūdas varbūtība.
Un otrādi, daudzām iemiesotām AI lietojumprogrammām ir vajadzīgas kļūdu varbūtības labāk nekā vienam no miljona. Lai samazinātu kļūdu varbūtību, izmantojot tikai uz datiem balstītu pieeju, ir nepieciešams daudz datu. Vairumā gadījumu pieprasījums pēc datiem pieaug eksponenciāli. Diemžēl datu iegūšanas izmaksas no fiziskajām sistēmām ir augstas. Tāpēc, strādājot ar iemiesotām AI lietojumprogrammām, ir jāievēro atšķirīga pieeja.
Lai izpildītu iepriekšminētās prasības, iemiesotai AI ražošanas lietojumprogrammām jābūt šādām īpašībām:
Apmācība ar ierobežotiem datiem: iemiesoto AI vispirms var apmācīt ar ierobežotiem datiem, kas iegūti no fizikas eksperimentiem.
Var salikt no iepriekš apmācītiem modulāriem komponentiem: fiziskajām sistēmām var būt vairākas konfigurācijas, lai atbalstītu viņu paredzētās vajadzības. Piemēram, atkarībā no tā, kas tiek veikts (piemēram, slīpēšana vai smilšu strūkla), ražošanas robota vienība var būt daudzās dažādās konfigurācijās. Dažādās vienībās var ietilpt roboti ar dažādām funkcijām (piemēram, mobilo platformu montāžas robotiem vai portāla montāžas robotiem), sensoru tipus (piemēram, dziļuma kameras vai termiskos attēlus) un instrumentus (piemēram, orbitāles slīpmašīnas vai smilšu strūklas sprauslas).
Rezultātā universāla izstrāde, kas iemiesota AI, kas darbojas ārpus kastes visām ražošanas lietojumprogrammām, var nedarboties ļoti labi. Sistēmas AI ir ātri jāsintezē no modulāriem komponentiem, lai atbilstu īpašās sistēmas un darba vides sensoru un braukšanas iespējām.
Var pielāgot jauniem datiem vai kontekstam: tā kā sistēmas izvietošanas laikā kļūst pieejami jauni dati, vajadzētu būt iespējai izmantot šos datus, lai uzlabotu AI veiktspēju. AI jāspēj autonomi pielāgoties jaunai videi vai uzdevumiem ar minimālu cilvēka uzraudzību.
Viegli jaunināt: Laika gaitā fiziskās sistēmas veiktspēja var mainīties nodiluma un asarošanas dēļ vai fizisko komponentu atjauninājumi. Tam var būt nepieciešami AI uzlabojumi, lai nodrošinātu, ka tā var sekot līdzi sistēmas attīstībai. Tāpēc iemiesota AI sistēma ir jāizstrādā, lai nodrošinātu, ka to var uzlabot ar minimāliem traucējumiem sistēmas darbībā.
Uz risku balstīti ieteikumi darbībai: Sistēmai jāspēj novērtēt tā uzticēšanos ierosinātajai darbībai. Ja ticamība ir zema, sistēmai jāveic riska analīze un jāanalizē neveiksmes sekas. Ja risks ir pārāk augsts, sistēmai jāmeklē cilvēku ekspertu palīdzība.
Interpretācija: ja sistēma ierosina darbību, kas neatbilst lietotāja cerībām, sistēmai jāspēj izskaidrot iemeslus, kas izmantoti, lai atlasītu darbību.
Izplatīta arhitektūra, kas atbalsta skaitļošanas sadalīšanu starp malu un mākoni: iemiesotos AI lietojumprogrammu scenārijos nav iespējams veikt visu AI skaitļošanu mākonī. Sistēmas projektēšanai būtu jānodrošina, ka malā var veikt tīkla latentuma jutīgus aprēķinus.
Digitālās AI jomā mēs redzam lielus panākumus ar lieliem visaptverošiem mācību modeļiem, piemēram, LLM. Šie modeļi plaukst par milzīgu datu daudzumu. Tomēr viņiem nav daudz iepriekš minēto AI raksturīgo īpašību.
Iemācītā AI jāuzskata par sarežģītu sistēmu, kas saistīta ar mijiedarbību starp vairākiem AI komponentiem. Pareiza sistēmas arhitektūra iemiesotā AI ir viena no veiksmīgu ražošanas lietojumprogrammu atslēgām. Tas ļauj jums izmantot jaunākos sasniegumus AI un izpildīt prasības par ražošanas lietojumprogrammām. Tāpēc ir vajadzīgas modernas sistēmu inženierijas metodes, lai izstrādātu AI ražošanas lietojumiem.