Actualmente se está desarrollando un tipo diferente de IA, la llamada "IA encarnada". Se refiere a agentes que tienen un cuerpo y apoyan la interacción física, como robots de servicio inteligente, autos autónomos, etc.
Los robots de IA encarnados pueden interactuar con el medio ambiente, planificar, tomar decisiones, actuar y realizar tareas como los humanos. Por ejemplo, la unidad robot tiene la tarea de lijar la superficie superior de una parte colocada en la unidad para lograr el acabado superficial deseado. La IA encarnada puede usar sensores para monitorear el estado de la unidad y generar instrucciones para que el robot realice tareas.
La IA digital y la IA incorporada comparten algunas similitudes y utilizan muchas tecnologías subyacentes. Sin embargo, comprender las diferencias entre estos dos tipos de IA es fundamental para aplicar con éxito métodos de IA digitales a aplicaciones específicas de IA.
El perfil de riesgo de las aplicaciones de IA incorporadas a menudo es fundamentalmente diferente del de las aplicaciones digitales de IA. Si las herramientas digitales de IA son 99 por ciento precisas, podría mejorar drásticamente la productividad humana en muchas aplicaciones.
En contraste, debido a los riesgos de las aplicaciones industriales, los requisitos de precisión para sistemas de IA específicos a menudo varían ampliamente.
Los principales riesgos provienen de dos aspectos: la probabilidad de error y las consecuencias del error. Cuando las consecuencias de cometer un error no son graves, se puede tolerar una mayor probabilidad de error. Es por eso que una probabilidad de error del 1% es aceptable en muchas aplicaciones de IA digitales.
Por el contrario, muchas aplicaciones de IA incorporadas requieren probabilidades de error mejor que una en un millón. El uso de un enfoque puramente basado en datos para reducir la probabilidad de errores requiere muchos datos. En la mayoría de los casos, la demanda de datos está creciendo exponencialmente. Desafortunadamente, el costo de obtener datos de los sistemas físicos es alto. Por lo tanto, se debe seguir un enfoque diferente cuando se trata de aplicaciones de IA incorporadas.
Para cumplir con los requisitos anteriores, la IA incorporada para aplicaciones de fabricación debe tener las siguientes características:
Entrenamiento con datos limitados: la IA incorporada se puede capacitar con datos limitados generados primero a partir de experimentos de física.
Se puede ensamblar a partir de componentes modulares previamente capacitados: los sistemas físicos pueden tener múltiples configuraciones para soportar sus necesidades previstas. Por ejemplo, dependiendo del proceso que se realiza (como el lijado o el arena), la unidad de robot de fabricación puede estar en muchas configuraciones diferentes. Diferentes unidades pueden incluir robots con diferentes funciones (como robots de montaje de plataforma móvil o robots de montaje de pórtico), tipos de sensores (como cámaras de profundidad o imágenes térmicas) y herramientas (como lijadoras orbitales o boquillas de arena).
Como resultado, el desarrollo de IA universal encarnada que funcione fuera de la caja para todas las aplicaciones de fabricación puede no funcionar muy bien. La IA del sistema debe sintetizarse rápidamente de los componentes modulares para que coincida con las capacidades de detección y conducción del sistema específico y el entorno de trabajo.
Se puede adaptar a nuevos datos o contexto: a medida que los nuevos datos están disponibles durante la implementación del sistema, debería ser posible usar estos datos para mejorar el rendimiento de la IA. La IA debe poder adaptarse de forma autónoma a nuevos entornos o tareas con una supervisión humana mínima.
Fácil de actualizar: con el tiempo, el rendimiento del sistema físico puede cambiar debido al desgaste o las actualizaciones de los componentes físicos. Esto puede requerir mejoras a la IA para garantizar que pueda mantenerse al día con la evolución del sistema. Por lo tanto, se debe diseñar un sistema de IA incorporado para garantizar que pueda actualizarse con una interrupción mínima para la operación del sistema.
Recomendaciones basadas en el riesgo para la acción: el sistema debería poder estimar su confianza en la acción propuesta. Cuando la confianza es baja, el sistema debe realizar un análisis de riesgos y analizar las consecuencias de la falla. Si el riesgo es demasiado alto, el sistema debe buscar ayuda de expertos humanos.
Interpretabilidad: si el sistema sugiere una acción que no cumple con las expectativas del usuario, el sistema debería poder explicar las razones utilizadas para seleccionar la acción.
Arquitectura distribuida que admite la partición de la computación entre Edge y Cloud: en escenarios de aplicación de IA incorporados, no es posible realizar toda la computación de IA en la nube. El diseño del sistema debe garantizar que los cálculos sensibles a la latencia de la red se puedan realizar en el borde.
En el campo de la IA digital, estamos viendo un gran éxito con grandes modelos de aprendizaje de extremo a extremo como LLM. Estos modelos prosperan en grandes cantidades de datos. Sin embargo, no poseen muchas de las características de la IA incorporada mencionada anteriormente.
La IA incorporada debe verse como un sistema complejo que involucra interacciones entre múltiples componentes de IA. Tener la arquitectura del sistema adecuada en la IA encarnada es una de las claves para aplicaciones de fabricación exitosas. Esto le permite aprovechar los últimos avances en la IA y cumplir con los requisitos exigentes de las aplicaciones de fabricación. Por lo tanto, se necesitan métodos de ingeniería de sistemas modernos para diseñar IA incorporada para aplicaciones de fabricación.