+86-315-6196865

La diferència entre IA encarnada i IA digital per a aplicacions de fabricació

Nov 22, 2024

Actualment s’està desenvolupant un tipus d’IA diferent, l’anomenada “IA encarnada”. Es refereix a agents que tenen un cos i donen suport a la interacció física, com ara robots de servei intel·ligent, cotxes autònoms, etc.

Els robots AI encarnats poden interactuar amb el medi ambient, planificar, prendre decisions, actuar i realitzar tasques com els humans. Per exemple, la unitat de robot té l’encàrrec de polir la superfície superior d’una part col·locada a la unitat per aconseguir l’acabat superficial desitjat. L’AI encarnat és capaç d’utilitzar sensors per controlar l’estat de la unitat i generar instruccions per al robot per realitzar tasques.

La IA digital i la IA encarnada comparteixen algunes similituds i utilitzen moltes tecnologies subjacents. Tanmateix, comprendre les diferències entre aquests dos tipus d’IA és fonamental per aplicar amb èxit mètodes d’IA digitals a aplicacions específiques d’AI.

El perfil de risc de les aplicacions de IA encarnades sovint és fonamentalment diferent del de les aplicacions IA digitals. Si les eines d’IA digitals són del 99 per cent exactes, podria millorar notablement la productivitat humana en moltes aplicacions.

En canvi, a causa dels riscos de les aplicacions industrials, els requisits de precisió dels sistemes de IA específics sovint varien àmpliament.

Els principals riscos provenen de dos aspectes: la probabilitat d’error i les conseqüències de l’error. Quan les conseqüències d’equivocar -se no són greus, es pot tolerar una probabilitat d’error més elevada. És per això que una probabilitat d’error de l’1% és acceptable en moltes aplicacions d’IA digitals.

Per la seva banda, moltes aplicacions de IA encarnades requereixen probabilitats d’error més que una en un milió. L'ús d'un enfocament purament basat en dades per reduir la probabilitat d'errors requereix moltes dades. En la majoria dels casos, la demanda de dades creix exponencialment. Malauradament, el cost d’obtenir dades de sistemes físics és elevat. Per tant, cal seguir un enfocament diferent quan es tracti amb aplicacions de IA encarnades.

 

Per complir els requisits anteriors, la IA encarnada per a les aplicacions de fabricació hauria de tenir les característiques següents:

Formació amb dades limitades: la IA encarnada es pot formar amb dades limitades generades a partir d’experiments de física primer.

Es pot muntar a partir de components modulars pre-entrenats: els sistemes físics poden tenir diverses configuracions per donar suport a les seves necessitats previstes. Per exemple, depenent del procés que es realitzi (com ara el poliment o el sandblasting), la unitat de robot de fabricació pot estar en moltes configuracions diferents. Diferents unitats poden incloure robots amb diferents funcions (com ara robots de muntatge de plataformes mòbils o robots de muntatge de gantry), tipus de sensors (com ara càmeres de profunditat o imatges tèrmiques) i eines (com ara sorres orbitals o broquets de sandblasting).

Com a resultat, és possible que el desenvolupament de la IA encarnada universal que funcioni fora de la caixa per a totes les aplicacions de fabricació no funcioni gaire bé. L’IA del sistema s’ha de sintetitzar ràpidament a partir de components modulars per adaptar -se a les capacitats de detecció i conducció del sistema i l’entorn de treball específics.

Es pot adaptar a noves dades o context: a mesura que les dades noves estiguin disponibles durant el desplegament del sistema, hauria de ser possible utilitzar aquestes dades per millorar el rendiment de l'AI. L’AI hauria de ser capaç d’adaptar -se de forma autònoma a nous entorns o tasques amb una supervisió humana mínima.

Fàcil d’actualitzar: amb el pas del temps, el rendiment del sistema físic pot canviar a causa del desgast o les actualitzacions dels components físics. Això pot requerir millores a la IA per assegurar -se que pot estar al dia de l'evolució del sistema. Per tant, cal dissenyar un sistema de IA encarnat per assegurar -se que es pot actualitzar amb una disrupció mínima al funcionament del sistema.

Recomanacions basades en el risc d’acció: el sistema hauria de ser capaç d’estimar la seva confiança en l’acció proposada. Quan la confiança és baixa, el sistema hauria de realitzar una anàlisi del risc i analitzar les conseqüències del fracàs. Si el risc és massa elevat, el sistema hauria de sol·licitar ajuda per als experts humans.

Interpretabilitat: si el sistema suggereix una acció que no compleix les expectatives de l’usuari, el sistema hauria de poder explicar els motius que s’utilitzen per seleccionar l’acció.

Arquitectura distribuïda que admet la partició de la computació entre Edge i Cloud: en escenaris d'aplicacions AI encarnades, no és possible realitzar tota la informàtica d'AI al núvol. El disseny del sistema ha de garantir que es puguin realitzar càlculs sensibles a la latència de xarxa a la vora.

En el camp de la IA digital, estem veient un gran èxit amb grans models d’aprenentatge final a extrem com LLM. Aquests models prosperen en grans quantitats de dades. Tot i això, no posseeixen moltes de les característiques de la IA encarnada esmentada anteriorment.

La IA encarnada s’ha de veure com un sistema complex que impliqui interaccions entre diversos components de l’IA. Tenir l’arquitectura del sistema adequat en IA encarnada és una de les claus de les aplicacions de fabricació amb èxit. Això us permet aprofitar els darrers avenços en IA i complir els exigents requisits de les aplicacions de fabricació. Per tant, es necessiten mètodes d’enginyeria de sistemes moderns per dissenyar IA encarnada per a aplicacions de fabricació.

 

Potser també t'agrada

Enviar la consulta