Nú er verið að þróa annars konar AI, svokallaða „útfærða AI.“ Það vísar til umboðsmanna sem hafa líkama og styðja líkamleg samskipti, svo sem greindur þjónustu vélmenni, sjálfkeyrandi bíla osfrv.
Útfærðir AI vélmenni geta haft samskipti við umhverfið, skipulagt, tekið ákvarðanir, leikið og framkvæmt verkefni eins og menn. Til dæmis er vélmenni einingunni falið að slípa efri yfirborð hluta sem er settur í eininguna til að ná tilætluðum yfirborðsáferð. Embodied AI er fær um að nota skynjara til að fylgjast með stöðu einingarinnar og búa til leiðbeiningar fyrir vélmennið til að framkvæma verkefni.
Stafræn AI og Embodied AI deila nokkrum líkt og nýta margar undirliggjandi tækni. Hins vegar er það að skilja muninn á þessum tveimur gerðum AI sköpum til að beita stafrænum AI aðferðum með góðum árangri á sérstök AI forrit.
Áhættusniðið á AI forritum er oft í grundvallaratriðum frábrugðin stafrænum AI forritum. Ef stafræn AI verkfæri eru 99 prósent nákvæm gæti það bætt framleiðni manna verulega í mörgum forritum.
Aftur á móti, vegna áhættu iðnaðarnota, eru nákvæmni kröfur fyrir sérstök AI -kerfi oft mismunandi.
Helsta áhætta kemur frá tveimur þáttum: líkurnar á villu og afleiðingum villu. Þegar afleiðingar þess að gera mistök eru ekki alvarlegar er hægt að þola meiri líkur á villu. Þetta er ástæðan fyrir því að 1% villu líkur eru ásættanlegar í mörgum stafrænum AI forritum.
Aftur á móti þurfa mörg útfærð AI forrit villu líkur betur en eitt í milljón. Að nota eingöngu gagndrifna nálgun til að draga úr líkum á villum þarf mikið af gögnum. Í flestum tilvikum eykst eftirspurn eftir gögnum veldishraða. Því miður er kostnaðurinn við að fá gögn frá líkamlegum kerfum mikill. Þess vegna þarf að fylgja annarri nálgun þegar fjallað er um AI forrit.
Til að uppfylla ofangreindar kröfur ætti að fella AI fyrir framleiðsluforrit að hafa eftirfarandi einkenni:
Þjálfun með takmörkuðum gögnum: Hægt er að þjálfa útfellda AI með takmörkuðum gögnum sem eru búin til úr eðlisfræðitilraunum fyrst.
Hægt að setja saman frá fyrirfram þjálfuðum mát íhlutum: Líkamleg kerfi geta haft margar stillingar til að styðja við fyrirhugaðar þarfir þeirra. Til dæmis, allt eftir því að ferlið er framkvæmt (svo sem slípun eða sandblásun), getur framleiðslu vélmenni einingin verið í mörgum mismunandi stillingum. Mismunandi einingar geta innihaldið vélmenni með mismunandi aðgerðir (svo sem farsímapallur sem eru að festa vélmenni eða festingar vélmenni), skynjarategundir (svo sem dýptarmyndavélar eða hitauppstreymi) og verkfæri (svo sem svigrúm Sanders eða sandblásandi stút).
Fyrir vikið er ef til vill ekki mjög vel að þróa Universal Embodied AI sem vinnur úr kassanum fyrir öll framleiðsluforrit. Það þarf að samstilla AI kerfisins fljótt frá mát íhlutum til að passa við skynjun og akstursgetu tiltekins kerfis og vinnuumhverfis.
Er hægt að laga að nýjum gögnum eða samhengi: Þegar ný gögn verða tiltæk við dreifingu kerfisins ætti að vera mögulegt að nota þessi gögn til að bæta árangur AI. AI ætti að geta aðlagast sjálfstætt að nýju umhverfi eða verkefnum með lágmarks eftirliti manna.
Auðvelt að uppfæra: Með tímanum getur afköst líkamlega kerfisins breyst vegna slits eða uppfærslna á líkamlegu íhlutunum. Þetta gæti krafist endurbóta á AI til að tryggja að það geti fylgst með þróun kerfisins. Þess vegna þarf að hanna AI kerfi til að tryggja að hægt sé að uppfæra það með lágmarks röskun á notkun kerfisins.
Ráðleggingar sem byggðar eru á áhættu: Kerfið ætti að geta metið traust þess á fyrirhuguðum aðgerðum. Þegar sjálfstraust er lítið ætti kerfið að gera áhættugreiningu og greina afleiðingar bilunar. Ef áhættan er of mikil ætti kerfið að leita sér aðstoðar frá sérfræðingum manna.
Túlkun: Ef kerfið bendir til aðgerðar sem uppfyllir ekki væntingar notandans ætti kerfið að geta útskýrt ástæðurnar sem notaðar eru til að velja aðgerðina.
Dreifð arkitektúr sem styður skipting tölvu á milli Edge og Cloud: Í útfærðum AI forritssviðsmyndum er ekki mögulegt að framkvæma alla AI tölvunarfræði í skýinu. Hönnun kerfisins ætti að tryggja að hægt sé að framkvæma nettengdar útreikninga við brúnina.
Á sviði stafræns AI sjáum við mikinn árangur með stórum námslíkönum frá enda til enda eins og LLM. Þessi líkön dafna á gríðarlegu magni gagna. Samt sem áður hafa þeir ekki mörg af einkennum sem felst í AI sem getið er hér að ofan.
Líta skal út AI sem flókið kerfi sem felur í sér samspil margra AI íhluta. Að hafa réttan kerfisarkitektúr í Embodied AI er einn af lyklunum að árangursríkum framleiðsluforritum. Þetta gerir þér kleift að nýta nýjustu framfarir í AI og uppfylla kröfur um framleiðsluforrit. Þess vegna er þörf á nútíma kerfisverkfræðiaðferðum til að hanna AI fyrir framleiðsluforrit.