Un diverso tipo di intelligenza artificiale è attualmente in fase di sviluppo, la cosiddetta "AI incarnata". Si riferisce agli agenti che hanno un corpo e supportano l'interazione fisica, come robot di servizio intelligenti, auto a guida autonoma, ecc.
I robot di intelligenza artificiale incorporati possono interagire con l'ambiente, pianificare, prendere decisioni, agire ed svolgere compiti come gli umani. Ad esempio, l'unità robot è incaricata di levigare la superficie superiore di una parte collocata nell'unità per ottenere la finitura superficiale desiderata. L'intelligenza artificiale incorporata è in grado di utilizzare i sensori per monitorare lo stato dell'unità e generare istruzioni per il robot per eseguire attività.
L'intelligenza artificiale digitale e l'intelligenza artificiale incorporate condividono alcune somiglianze e utilizzano molte tecnologie sottostanti. Tuttavia, comprendere le differenze tra questi due tipi di AI è fondamentale per applicare con successo i metodi Digital AI a specifiche applicazioni di intelligenza artificiale.
Il profilo di rischio delle applicazioni di intelligenza artificiale incorporate è spesso fondamentalmente diverso da quello delle applicazioni Digital AI. Se gli strumenti di intelligenza artificiale digitale sono accurati del 99 percento, potrebbero migliorare notevolmente la produttività umana in molte applicazioni.
Al contrario, a causa dei rischi di applicazioni industriali, i requisiti di accuratezza per specifici sistemi di intelligenza artificiale spesso variano ampiamente.
I principali rischi provengono da due aspetti: la probabilità di errore e le conseguenze dell'errore. Quando le conseguenze del commettere un errore non sono gravi, una maggiore probabilità di errore può essere tollerata. Questo è il motivo per cui una probabilità di errore dell'1% è accettabile in molte applicazioni Digital AI.
Al contrario, molte applicazioni di intelligenza artificiale incarnate richiedono probabilità di errore meglio di una su un milione. L'uso di un approccio puramente basato sui dati per ridurre la probabilità di errori richiede molti dati. Nella maggior parte dei casi, la domanda di dati sta crescendo esponenzialmente. Sfortunatamente, il costo per ottenere dati dai sistemi fisici è elevato. Pertanto, è necessario seguire un approccio diverso quando si tratta di applicazioni di intelligenza artificiale incarnate.
Per soddisfare i requisiti di cui sopra, l'intelligenza artificiale incorporata per le applicazioni di produzione dovrebbe avere le seguenti caratteristiche:
Formazione con dati limitati: l'intelligenza artificiale incorporata può essere formata prima con dati limitati generati da esperimenti di fisica.
Può essere assemblato da componenti modulari pre-addestrati: i sistemi fisici possono avere più configurazioni per supportare le loro esigenze previste. Ad esempio, a seconda del processo eseguito (come sabbia o sabbia), l'unità di robot di produzione può essere in molte configurazioni diverse. Diverse unità possono includere robot con funzioni diverse (come robot di montaggio della piattaforma mobile o robot di montaggio a cavalli), tipi di sensori (come telecamere di profondità o immagini termiche) e strumenti (come le Sanders orbitali o ugelli di sabbiatura).
Di conseguenza, lo sviluppo di un'intelligenza artificiale universale che funziona fuori dalla scatola per tutte le applicazioni di produzione potrebbe non funzionare molto bene. L'intelligenza artificiale del sistema deve essere sintetizzata rapidamente da componenti modulari per abbinare le capacità di rilevamento e guida del sistema specifico e dell'ambiente di lavoro.
Può essere adattato a nuovi dati o contesto: man mano che nuovi dati diventano disponibili durante la distribuzione del sistema, dovrebbe essere possibile utilizzare questi dati per migliorare le prestazioni di intelligenza artificiale. L'intelligenza artificiale dovrebbe essere in grado di adattarsi autonomamente a nuovi ambienti o compiti con una supervisione umana minima.
Facile da aggiornare: nel tempo, le prestazioni del sistema fisico possono cambiare a causa di usura o aggiornamenti ai componenti fisici. Ciò può richiedere miglioramenti all'intelligenza artificiale per garantire che possa tenere il passo con l'evoluzione del sistema. Pertanto, un sistema di intelligenza artificiale incarnato deve essere progettato per garantire che possa essere aggiornato con un minimo interruzione del funzionamento del sistema.
Raccomandazioni basate sul rischio per l'azione: il sistema dovrebbe essere in grado di stimare la propria fiducia nell'azione proposta. Quando la fiducia è bassa, il sistema dovrebbe condurre un'analisi del rischio e analizzare le conseguenze del fallimento. Se il rischio è troppo elevato, il sistema dovrebbe chiedere aiuto agli esperti umani.
Interpretabilità: se il sistema suggerisce un'azione che non soddisfa le aspettative dell'utente, il sistema dovrebbe essere in grado di spiegare i motivi utilizzati per selezionare l'azione.
Architettura distribuita che supporta il partizionamento del calcolo tra Edge e Cloud: in scenari di applicazione AI incorporati, non è possibile eseguire tutto il calcolo AI nel cloud. La progettazione del sistema dovrebbe garantire che i calcoli sensibili alla latenza della rete possano essere eseguiti al limite.
Nel campo dell'intelligenza artificiale digitale, stiamo assistendo a un grande successo con grandi modelli di apprendimento end-to-end come LLM. Questi modelli prosperano su enormi quantità di dati. Tuttavia, non possiedono molte delle caratteristiche dell'IA incarnata sopra.
L'intelligenza artificiale incarnata dovrebbe essere vista come un sistema complesso che coinvolge interazioni tra più componenti di AI. Avere l'architettura di sistema giusta nell'intelligenza artificiale incarnata è una delle chiavi per applicazioni di produzione di successo. Ciò consente di sfruttare gli ultimi progressi nell'intelligenza artificiale e soddisfare i requisiti impegnativi delle applicazioni di produzione. Pertanto, sono necessari metodi di ingegneria dei sistemi moderni per progettare AI incarnato per applicazioni di produzione.