Şu anda "somutlaşmış AI" olarak adlandırılan farklı bir AI türü geliştiriliyor. Bir vücuda sahip ve akıllı servis robotları, kendi kendine giden arabalar vb. Gibi fiziksel etkileşimi destekleyen ajanları ifade eder.
Somutlaşmış AI robotları çevre ile etkileşime girebilir, planlayabilir, kararlar alabilir, harekete geçebilir ve insanlar gibi görevleri yerine getirebilir. Örneğin, robot ünitesi, istenen yüzey kaplamasını elde etmek için üniteye yerleştirilen bir parçanın üst yüzeyini zımparalamakla görevlendirilir. Somutlaşmış AI, ünitenin durumunu izlemek ve robotun görevleri gerçekleştirmesi için talimatlar oluşturmak için sensörleri kullanabilir.
Dijital yapay zeka ve somutlaşmış yapay zeka bazı benzerlikleri paylaşır ve altta yatan birçok teknolojiyi kullanır. Bununla birlikte, bu iki AI türü arasındaki farkları anlamak, dijital AI yöntemlerini belirli AI uygulamalarına başarılı bir şekilde uygulamak için kritik öneme sahiptir.
Somutlaştırılmış AI uygulamalarının risk profili genellikle dijital AI uygulamalarından farklıdır. Dijital AI araçları yüzde 99 doğruysa, birçok uygulamada insan verimliliğini önemli ölçüde artırabilir.
Buna karşılık, endüstriyel uygulamaların riskleri nedeniyle, belirli AI sistemleri için doğruluk gereksinimleri genellikle değişmektedir.
Ana riskler iki açıdan gelir: hata olasılığı ve hatanın sonuçları. Hata yapmanın sonuçları ciddi olmadığında, daha yüksek bir hata olasılığı tolere edilebilir. Bu nedenle birçok dijital AI uygulamasında% 1 hata olasılığı kabul edilebilir.
Tersine, birçok somutlaştırılmış AI uygulaması, milyonda birinden daha iyi hata olasılıkları gerektirir. Hataların olasılığını azaltmak için tamamen veri odaklı bir yaklaşım kullanmak çok fazla veri gerektirir. Çoğu durumda, veri talebi katlanarak artmaktadır. Ne yazık ki, fiziksel sistemlerden veri alma maliyeti yüksektir. Bu nedenle, somutlaştırılmış AI uygulamaları ile uğraşırken farklı bir yaklaşımın izlenmesi gerekir.
Yukarıdaki gereksinimleri karşılamak için, üretim uygulamaları için somutlaştırılmış yapay zeka aşağıdaki özelliklere sahip olmalıdır:
Sınırlı verilerle eğitim: Somutlaşan AI, önce fizik deneylerinden üretilen sınırlı verilerle eğitilebilir.
Önceden eğitimli modüler bileşenlerden monte edilebilir: Fiziksel sistemler, amaçlanan ihtiyaçlarını desteklemek için birden fazla konfigürasyona sahip olabilir. Örneğin, gerçekleştirilen sürece bağlı olarak (zımparalama veya kumlama gibi), üretim robot ünitesi birçok farklı konfigürasyonda olabilir. Farklı birimler farklı işlevlere sahip robotları (mobil platform montaj robotları veya portal montaj robotları gibi), sensör türlerini (derinlik kameraları veya termal görüntüleyiciler gibi) ve araçları (yörünge kumlar veya kumlama nozulları gibi) içerebilir.
Sonuç olarak, tüm üretim uygulamaları için kutudan çıkan evrensel somutlaşmış yapay zeka geliştirmek çok iyi performans göstermeyebilir. Sistemin AI'sının, belirli sistem ve çalışma ortamının algılama ve sürüş yeteneklerine uyacak şekilde modüler bileşenlerden hızlı bir şekilde sentezlenmesi gerekir.
Yeni verilere veya bağlama uyarlanabilir: Sistem dağıtım sırasında yeni veriler kullanılabilir hale geldikçe, AI performansını artırmak için bu verileri kullanmak mümkün olmalıdır. AI, minimum insan gözetimi ile yeni ortamlara veya görevlere özerk bir şekilde uyum sağlayabilmelidir.
Yükseltilmesi kolay: Zamanla, fiziksel sistemin performansı aşınma ve yıpranma veya fiziksel bileşenlerdeki güncellemeler nedeniyle değişebilir. Bu, sistemin evrimine ayak uydurabilmesini sağlamak için AI'da iyileştirmeler gerektirebilir. Bu nedenle, sistemin operasyonunda minimum bozulma ile yükseltilebilmesini sağlamak için somutlaştırılmış bir AI sistemi tasarlanmalıdır.
Riske dayalı eylem önerileri: Sistem, önerilen eyleme olan güvenini tahmin edebilmelidir. Güven düşük olduğunda, sistem bir risk analizi yapmalı ve başarısızlığın sonuçlarını analiz etmelidir. Risk çok yüksekse, sistem insan uzmanlarından yardım almalıdır.
Yorumlanabilirlik: Sistem kullanıcının beklentilerini karşılamayan bir eylem öneriyorsa, sistem eylemi seçmek için kullanılan nedenleri açıklayabilmelidir.
Kenar ve bulut arasında bilgi işlemin bölümlenmesini destekleyen dağıtılmış mimari: somutlaştırılmış AI uygulama senaryolarında, tüm AI hesaplamalarını bulutta gerçekleştirmek mümkün değildir. Sistemin tasarımı, ağ gecikmesine duyarlı hesaplamaların kenarda yapılabilmesini sağlamalıdır.
Dijital AI alanında, LLM gibi büyük uçtan uca öğrenme modelleriyle büyük başarı görüyoruz. Bu modeller büyük miktarda veri üzerinde gelişir. Bununla birlikte, yukarıda belirtilen somutlaştırılmış AI özelliklerinin çoğuna sahip değildirler.
Somutlaşmış AI, birden fazla AI bileşeni arasındaki etkileşimleri içeren karmaşık bir sistem olarak görülmelidir. Somutlaşmış AI'da doğru sistem mimarisine sahip olmak, başarılı üretim uygulamalarının anahtarlarından biridir. Bu, AI'daki en son gelişmelerden yararlanmanızı ve üretim uygulamalarının zorlu gereksinimlerini karşılamanızı sağlar. Bu nedenle, üretim uygulamaları için somutlaştırılmış AI tasarlamak için modern sistem mühendisliği yöntemlerine ihtiyaç vardır.