Ένα διαφορετικό είδος AI αναπτύσσεται επί του παρόντος, το λεγόμενο "ενσωματωμένο AI". Αναφέρεται σε πράκτορες που έχουν σώμα και υποστηρίζουν φυσική αλληλεπίδραση, όπως έξυπνα ρομπότ υπηρεσιών, αυτοκίνητα αυτο-οδήγησης κ.λπ.
Τα ενσωματωμένα ρομπότ AI μπορούν να αλληλεπιδρούν με το περιβάλλον, να σχεδιάσουν, να λαμβάνουν αποφάσεις, να ενεργούν και να εκτελούν καθήκοντα όπως οι άνθρωποι. Για παράδειγμα, η μονάδα ρομπότ είναι επιφορτισμένη με την λείανση της επάνω επιφάνειας ενός τμήματος που τοποθετείται στη μονάδα για να επιτευχθεί το επιθυμητό επιφάνεια. Το ενσωματωμένο AI είναι σε θέση να χρησιμοποιήσει αισθητήρες για να παρακολουθεί την κατάσταση της μονάδας και να δημιουργήσει οδηγίες για το ρομπότ για να εκτελέσει εργασίες.
Το ψηφιακό AI και το ενσωματωμένο AI μοιράζονται κάποιες ομοιότητες και χρησιμοποιούν πολλές υποκείμενες τεχνολογίες. Ωστόσο, η κατανόηση των διαφορών μεταξύ αυτών των δύο τύπων AI είναι κρίσιμη για την επιτυχή εφαρμογή των ψηφιακών μεθόδων AI σε συγκεκριμένες εφαρμογές AI.
Το προφίλ κινδύνου των ενσωματωμένων εφαρμογών AI είναι συχνά θεμελιωδώς διαφορετικό από αυτό των ψηφιακών εφαρμογών AI. Εάν τα ψηφιακά εργαλεία AI είναι 99 % ακριβή, θα μπορούσε να βελτιώσει δραματικά την ανθρώπινη παραγωγικότητα σε πολλές εφαρμογές.
Αντίθετα, λόγω των κινδύνων των βιομηχανικών εφαρμογών, οι απαιτήσεις ακρίβειας για συγκεκριμένα συστήματα AI συχνά ποικίλλουν ευρέως.
Οι κύριοι κίνδυνοι προέρχονται από δύο πτυχές: την πιθανότητα σφάλματος και τις συνέπειες του σφάλματος. Όταν οι συνέπειες της λήψης ενός λάθους δεν είναι σοβαρές, μπορεί να γίνει ανεκτή μεγαλύτερη πιθανότητα σφάλματος. Αυτός είναι ο λόγος για τον οποίο η πιθανότητα σφάλματος 1% είναι αποδεκτή σε πολλές ψηφιακές εφαρμογές AI.
Αντίθετα, πολλές ενσωματωμένες εφαρμογές AI απαιτούν πιθανότητες σφάλματος καλύτερες από ένα σε ένα εκατομμύριο. Η χρήση μιας καθαρά προσέγγισης που βασίζεται σε δεδομένα για τη μείωση της πιθανότητας σφαλμάτων απαιτεί πολλά δεδομένα. Στις περισσότερες περιπτώσεις, η ζήτηση για δεδομένα αυξάνεται εκθετικά. Δυστυχώς, το κόστος λήψης δεδομένων από φυσικά συστήματα είναι υψηλό. Επομένως, πρέπει να ακολουθηθεί μια διαφορετική προσέγγιση όταν ασχολείται με ενσωματωμένες εφαρμογές AI.
Για να ικανοποιηθούν οι παραπάνω απαιτήσεις, το ενσωματωμένο AI για τις εφαρμογές κατασκευής θα πρέπει να έχει τα ακόλουθα χαρακτηριστικά:
Εκπαίδευση με περιορισμένα δεδομένα: Το ενσωματωμένο AI μπορεί να εκπαιδευτεί με περιορισμένα δεδομένα που παράγονται από τα πειράματα φυσικής πρώτα.
Μπορεί να συναρμολογηθεί από προ-εκπαιδευμένα αρθρωτά συστατικά: τα φυσικά συστήματα μπορούν να έχουν πολλαπλές διαμορφώσεις για να υποστηρίξουν τις προβλεπόμενες ανάγκες τους. Για παράδειγμα, ανάλογα με τη διαδικασία που εκτελείται (όπως λείανση ή αμμοβολή), η μονάδα ρομπότ κατασκευής μπορεί να είναι σε πολλές διαφορετικές διαμορφώσεις. Διαφορετικές μονάδες μπορεί να περιλαμβάνουν ρομπότ με διαφορετικές λειτουργίες (όπως ρομπότ στήριξης κινητής πλατφόρμας ή ρομπότ στήριξης γεμίσματος), τύπους αισθητήρων (όπως κάμερες βάθους ή θερμικές απεικονιστές) και εργαλεία (όπως τροχιακά άμμο ή ακροφύσια αμμοβολής).
Ως αποτέλεσμα, η ανάπτυξη της καθολικής ενσωματωμένης AI που λειτουργεί από το κουτί για όλες τις εφαρμογές κατασκευής ενδέχεται να μην έχει πολύ καλά. Το AI του συστήματος πρέπει να συντεθεί γρήγορα από τα αρθρωτά συστατικά για να ταιριάζει με τις δυνατότητες ανίχνευσης και οδήγησης του συγκεκριμένου συστήματος και του εργασιακού περιβάλλοντος.
Μπορεί να προσαρμοστεί σε νέα δεδομένα ή πλαίσιο: Καθώς τα νέα δεδομένα διατίθενται κατά τη διάρκεια της ανάπτυξης του συστήματος, θα πρέπει να είναι δυνατή η χρήση αυτών των δεδομένων για τη βελτίωση της απόδοσης του AI. Το AI θα πρέπει να είναι σε θέση να προσαρμόσει αυτόνομα σε νέα περιβάλλοντα ή εργασίες με ελάχιστη ανθρώπινη εποπτεία.
Εύκολο στην αναβάθμιση: Με την πάροδο του χρόνου, η απόδοση του φυσικού συστήματος μπορεί να αλλάξει λόγω φθοράς ή ενημερώσεων στα φυσικά εξαρτήματα. Αυτό μπορεί να απαιτεί βελτιώσεις στο AI για να εξασφαλιστεί ότι μπορεί να συμβαδίσει με την εξέλιξη του συστήματος. Ως εκ τούτου, ένα ενσωματωμένο σύστημα AI πρέπει να σχεδιαστεί για να διασφαλιστεί ότι μπορεί να αναβαθμιστεί με ελάχιστη διαταραχή της λειτουργίας του συστήματος.
Συστάσεις βασισμένες σε κίνδυνο για δράση: Το σύστημα θα πρέπει να είναι σε θέση να εκτιμήσει την εμπιστοσύνη του στην προτεινόμενη δράση. Όταν η εμπιστοσύνη είναι χαμηλή, το σύστημα θα πρέπει να διεξάγει ανάλυση κινδύνου και να αναλύει τις συνέπειες της αποτυχίας. Εάν ο κίνδυνος είναι υπερβολικά υψηλός, το σύστημα θα πρέπει να ζητήσει βοήθεια από ανθρώπινους εμπειρογνώμονες.
Ερμηνεία: Εάν το σύστημα προτείνει μια ενέργεια που δεν ανταποκρίνεται στις προσδοκίες του χρήστη, το σύστημα θα πρέπει να είναι σε θέση να εξηγήσει τους λόγους που χρησιμοποιούνται για την επιλογή της ενέργειας.
Κατανεμημένη αρχιτεκτονική που υποστηρίζει τον διαχωρισμό υπολογιστών μεταξύ Edge και Cloud: Σε ενσωματωμένα σενάρια εφαρμογής AI, δεν είναι δυνατόν να εκτελεστούν όλα τα υπολογιστικά AI στο σύννεφο. Ο σχεδιασμός του συστήματος θα πρέπει να διασφαλίζει ότι οι υπολογισμοί που είναι ευαίσθητοι στο δίκτυο μπορούν να πραγματοποιηθούν στην άκρη.
Στον τομέα του ψηφιακού AI, βλέπουμε μεγάλη επιτυχία με μεγάλα μοντέλα μάθησης από άκρο σε άκρο όπως η LLM. Αυτά τα μοντέλα ευδοκιμούν σε τεράστιες ποσότητες δεδομένων. Ωστόσο, δεν διαθέτουν πολλά από τα χαρακτηριστικά του ενσωματωμένου AI που αναφέρθηκε παραπάνω.
Το ενσωματωμένο AI πρέπει να θεωρείται ως ένα σύνθετο σύστημα που περιλαμβάνει αλληλεπιδράσεις μεταξύ πολλαπλών συστατικών AI. Έχοντας τη σωστή αρχιτεκτονική συστήματος στο ενσωματωμένο AI είναι ένα από τα κλειδιά για επιτυχημένες εφαρμογές κατασκευής. Αυτό σας δίνει τη δυνατότητα να επωφεληθείτε από τις τελευταίες εξελίξεις στο AI και να ικανοποιήσετε τις απαιτητικές απαιτήσεις των εφαρμογών κατασκευής. Επομένως, απαιτούνται σύγχρονες μέθοδοι μηχανικής συστημάτων για το σχεδιασμό ενσωματωμένων AI για εφαρμογές κατασκευής.