Một loại AI khác hiện đang được phát triển, cái gọi là "AI hiện thân". Nó đề cập đến các tác nhân có cơ thể và hỗ trợ tương tác vật lý, chẳng hạn như robot dịch vụ thông minh, xe tự lái, v.v.
Các robot AI thể hiện có thể tương tác với môi trường, kế hoạch, đưa ra quyết định, hành động và thực hiện các nhiệm vụ như con người. Ví dụ, đơn vị robot được giao nhiệm vụ chà nhám bề mặt trên của một phần được đặt trong thiết bị để đạt được kết thúc bề mặt mong muốn. AI được thể hiện có thể sử dụng các cảm biến để giám sát trạng thái của thiết bị và tạo hướng dẫn cho robot thực hiện các tác vụ.
AI kỹ thuật số và thể hiện AI chia sẻ một số điểm tương đồng và sử dụng nhiều công nghệ cơ bản. Tuy nhiên, việc hiểu được sự khác biệt giữa hai loại AI này là rất quan trọng để áp dụng thành công các phương thức AI kỹ thuật số cho các ứng dụng AI cụ thể.
Hồ sơ rủi ro của các ứng dụng AI được thể hiện về cơ bản khác với các ứng dụng AI kỹ thuật số. Nếu các công cụ AI kỹ thuật số chính xác 99 %, nó có thể cải thiện đáng kể năng suất của con người trong nhiều ứng dụng.
Ngược lại, do rủi ro của các ứng dụng công nghiệp, các yêu cầu chính xác đối với các hệ thống AI cụ thể thường rất khác nhau.
Rủi ro chính đến từ hai khía cạnh: xác suất lỗi và hậu quả của lỗi. Khi hậu quả của việc mắc lỗi không nghiêm trọng, xác suất lỗi cao hơn có thể được dung thứ. Đây là lý do tại sao xác suất lỗi 1% được chấp nhận trong nhiều ứng dụng AI kỹ thuật số.
Ngược lại, nhiều ứng dụng AI được thể hiện yêu cầu xác suất lỗi tốt hơn một trong một triệu. Sử dụng cách tiếp cận hoàn toàn dựa trên dữ liệu để giảm xác suất lỗi đòi hỏi rất nhiều dữ liệu. Trong hầu hết các trường hợp, nhu cầu dữ liệu đang tăng theo cấp số nhân. Thật không may, chi phí nhận dữ liệu từ các hệ thống vật lý là cao. Do đó, một cách tiếp cận khác cần phải được tuân thủ khi xử lý các ứng dụng AI được thể hiện.
Để đáp ứng các yêu cầu trên, AI được thể hiện cho các ứng dụng sản xuất nên có các đặc điểm sau:
Đào tạo với dữ liệu hạn chế: AI được thể hiện có thể được đào tạo với dữ liệu hạn chế được tạo từ các thí nghiệm vật lý trước tiên.
Có thể được lắp ráp từ các thành phần mô-đun được đào tạo trước: các hệ thống vật lý có thể có nhiều cấu hình để hỗ trợ nhu cầu dự định của chúng. Ví dụ, tùy thuộc vào quá trình được thực hiện (như chà nhám hoặc phun cát), đơn vị robot sản xuất có thể nằm trong nhiều cấu hình khác nhau. Các đơn vị khác nhau có thể bao gồm robot với các chức năng khác nhau (như robot lắp nền tảng di động hoặc robot lắp giàn), các loại cảm biến (như camera độ sâu hoặc hình ảnh nhiệt) và các công cụ (như máy sanders quỹ đạo hoặc vòi phun cát).
Do đó, việc phát triển AI thể hiện phổ quát hoạt động ngoài hộp cho tất cả các ứng dụng sản xuất có thể không hoạt động tốt. AI của hệ thống cần được tổng hợp nhanh chóng từ các thành phần mô -đun để phù hợp với khả năng cảm biến và lái xe của hệ thống cụ thể và môi trường làm việc.
Có thể được điều chỉnh theo dữ liệu hoặc bối cảnh mới: Khi dữ liệu mới có sẵn trong quá trình triển khai hệ thống, có thể sử dụng dữ liệu này để cải thiện hiệu suất AI. AI sẽ có thể thích nghi tự chủ với môi trường hoặc nhiệm vụ mới với sự giám sát tối thiểu của con người.
Dễ dàng nâng cấp: Theo thời gian, hiệu suất của hệ thống vật lý có thể thay đổi do hao mòn hoặc rách hoặc cập nhật cho các thành phần vật lý. Điều này có thể yêu cầu cải thiện AI để đảm bảo nó có thể theo kịp sự phát triển của hệ thống. Do đó, một hệ thống AI được thể hiện cần được thiết kế để đảm bảo rằng nó có thể được nâng cấp với sự gián đoạn tối thiểu đối với hoạt động của hệ thống.
Các khuyến nghị dựa trên rủi ro cho hành động: Hệ thống sẽ có thể ước tính niềm tin của nó trong hành động được đề xuất. Khi sự tự tin thấp, hệ thống sẽ tiến hành phân tích rủi ro và phân tích hậu quả của sự thất bại. Nếu rủi ro quá cao, hệ thống sẽ tìm kiếm sự giúp đỡ từ các chuyên gia của con người.
Khả năng diễn giải: Nếu hệ thống đề xuất một hành động không đáp ứng mong đợi của người dùng, hệ thống sẽ có thể giải thích các lý do được sử dụng để chọn hành động.
Kiến trúc phân tán hỗ trợ phân vùng điện toán giữa Edge và Cloud: Trong các kịch bản ứng dụng AI được thể hiện, không thể thực hiện tất cả các điện toán AI trong đám mây. Thiết kế của hệ thống phải đảm bảo rằng các tính toán nhạy cảm với độ trễ mạng có thể được thực hiện ở rìa.
Trong lĩnh vực AI kỹ thuật số, chúng ta đang chứng kiến thành công lớn với các mô hình học tập từ đầu đến cuối lớn như LLM. Những mô hình này phát triển mạnh trên một lượng lớn dữ liệu. Tuy nhiên, họ không sở hữu nhiều đặc điểm của AI được thể hiện ở trên.
AI được thể hiện nên được xem như một hệ thống phức tạp liên quan đến các tương tác giữa nhiều thành phần AI. Có kiến trúc hệ thống phù hợp trong AI được thể hiện là một trong những chìa khóa cho các ứng dụng sản xuất thành công. Điều này cho phép bạn tận dụng những tiến bộ mới nhất trong AI và đáp ứng các yêu cầu đòi hỏi của các ứng dụng sản xuất. Do đó, các phương pháp kỹ thuật hệ thống hiện đại là cần thiết để thiết kế AI thể hiện cho các ứng dụng sản xuất.