يتم تطوير نوع مختلف من الذكاء الاصطناعي حاليًا ، وهو ما يسمى "AI المجسدة". إنه يشير إلى الوكلاء الذين لديهم جسم ويدعمون التفاعل البدني ، مثل روبوتات الخدمة الذكية ، والسيارات ذاتية القيادة ، إلخ.
يمكن أن تتفاعل روبوتات الذكاء الاصطناعي المجسدة مع البيئة ، وتخطط ، واتخاذ القرارات ، والتصرف ، وأداء مهام مثل البشر. على سبيل المثال ، يتم تكليف وحدة الروبوت بصنفلة السطح العلوي للجزء الموضوعة في الوحدة لتحقيق الانتهاء من السطح المطلوب. يمكن تجسيد الذكاء الاصطناعي استخدام أجهزة الاستشعار لمراقبة حالة الوحدة وإنشاء إرشادات للروبوت لأداء المهام.
تشترك AI الرقمي و AI المجسّد في بعض أوجه التشابه والاستفادة من العديد من التقنيات الأساسية. ومع ذلك ، فإن فهم الاختلافات بين هذين النوعين من الذكاء الاصطناعى أمر بالغ الأهمية لتطبيق أساليب الذكاء الاصطناعى الرقمي بنجاح على تطبيقات AI المحددة.
غالبًا ما يختلف ملف تعريف مخاطر تطبيقات الذكاء الاصطناعي بشكل أساسي عن تطبيقات الذكاء الاصطناعى الرقمي. إذا كانت أدوات AI الرقمية دقيقة بنسبة 99 في المائة ، فقد تعمل بشكل كبير على تحسين إنتاجية الإنسان في العديد من التطبيقات.
في المقابل ، نظرًا لمخاطر التطبيقات الصناعية ، غالبًا ما تختلف متطلبات الدقة لأنظمة الذكاء الاصطناعى المحددة على نطاق واسع.
تأتي المخاطر الرئيسية من جانبين: احتمال الخطأ وعواقب الخطأ. عندما لا تكون عواقب ارتكاب خطأ خطيرة ، يمكن التسامح مع احتمال الخطأ. هذا هو السبب في أن احتمال خطأ 1 ٪ مقبول في العديد من تطبيقات الذكاء الاصطناعى الرقمية.
على العكس ، تتطلب العديد من تطبيقات الذكاء الاصطناعى تجسيد احتمالات الخطأ أفضل من واحد من كل مليون. يتطلب استخدام نهج تعتمد على البيانات البحتة لتقليل احتمال الأخطاء الكثير من البيانات. في معظم الحالات ، ينمو الطلب على البيانات بشكل كبير. لسوء الحظ ، فإن تكلفة الحصول على البيانات من الأنظمة المادية مرتفعة. لذلك ، يجب اتباع نهج مختلف عند التعامل مع تطبيقات AI المجسدة.
لتلبية المتطلبات المذكورة أعلاه ، يجب أن يكون للخصائص التالية للخصائص التالية: منظمة العفو الدولية لتطبيقات التصنيع:
التدريب مع البيانات المحدودة: يمكن تدريب الذكاء الاصطناعي المجسد مع بيانات محدودة تم إنشاؤها من تجارب الفيزياء أولاً.
يمكن تجميعها من المكونات المعيارية التي تم تدريبها مسبقًا: يمكن أن يكون للأنظمة المادية تكوينات متعددة لدعم احتياجاتها المقصودة. على سبيل المثال ، اعتمادًا على العملية التي يتم تنفيذها (مثل الرملي أو الرمل) ، يمكن أن تكون وحدة الروبوت التصنيع في العديد من التكوينات المختلفة. قد تتضمن الوحدات المختلفة روبوتات ذات وظائف مختلفة (مثل الروبوتات المتزايدة للمنصة المتنقلة أو روبوتات تركيب الجنح) ، وأنواع المستشعرات (مثل كاميرات العمق أو الصور الحرارية) ، والأدوات (مثل الصنفرة المدارية أو الفتحات الرملية).
نتيجة لذلك ، قد لا يؤدي تطوير الذكاء الاصطناعى المجسّد الشامل الذي يعمل خارج الصندوق لجميع تطبيقات التصنيع بشكل جيد للغاية. يجب تصنيع الذكاء الاصطناعي للنظام بسرعة من المكونات المعيارية لمطابقة قدرات الاستشعار والقيادة للنظام المحدد وبيئة العمل.
يمكن تكييفها مع بيانات أو سياق جديد: مع توفر البيانات الجديدة أثناء نشر النظام ، يجب أن يكون من الممكن استخدام هذه البيانات لتحسين أداء الذكاء الاصطناعي. يجب أن تكون الذكاء الاصطناعى قادرة على التكيف بشكل مستقل مع بيئات أو مهام جديدة مع الحد الأدنى من الإشراف على الإنسان.
من السهل الترقية: بمرور الوقت ، قد يتغير أداء النظام المادي بسبب البلى أو التحديثات إلى المكونات الفعلية. قد يتطلب ذلك تحسينات على الذكاء الاصطناعي للتأكد من أنه يمكنه مواكبة تطور النظام. لذلك ، يجب تصميم نظام الذكاء الاصطناعى المتجسد لضمان ترقيته بأقل قدر من التعطل في تشغيل النظام.
التوصيات القائمة على المخاطر للعمل: يجب أن يكون النظام قادرًا على تقدير ثقته في الإجراء المقترح. عندما تكون الثقة منخفضة ، يجب على النظام إجراء تحليل للمخاطر وتحليل عواقب الفشل. إذا كان الخطر مرتفعًا للغاية ، فيجب أن يطلب النظام مساعدة من الخبراء البشريين.
التفسير: إذا اقترح النظام إجراءًا لا يفي بتوقعات المستخدم ، فيجب أن يكون النظام قادرًا على شرح الأسباب المستخدمة لتحديد الإجراء.
الهندسة المعمارية الموزعة التي تدعم تقسيم الحوسبة بين الحافة والسحابة: في سيناريوهات تطبيق AI المجسدة ، لا يمكن إجراء جميع حوسبة الذكاء الاصطناعي في السحابة. يجب أن يضمن تصميم النظام أنه يمكن إجراء حسابات حساسة لمواقبة الشبكة على الحافة.
في مجال AI الرقمي ، نشهد نجاحًا كبيرًا مع نماذج تعليمية كبيرة من طرف إلى طرف مثل LLM. هذه النماذج تزدهر على كميات هائلة من البيانات. ومع ذلك ، فإنهم لا يمتلكون العديد من خصائص الذكاء الاصطناعي المجسد المذكورة أعلاه.
يجب النظر إلى الذكاء الاصطناعي المجسد كنظام معقد يتضمن تفاعلات بين مكونات AI المتعددة. يعد وجود بنية النظام المناسبة في AI المجسدة أحد مفاتيح تطبيقات التصنيع الناجحة. يمكّنك ذلك من الاستفادة من أحدث التطورات في الذكاء الاصطناعي وتلبية المتطلبات الصعبة لتطبيقات التصنيع. لذلك ، هناك حاجة إلى طرق هندسة النظم الحديثة لتصميم الذكاء الاصطناعى المتجسدة لتطبيقات التصنيع.