Un autre type d'IA est actuellement en cours de développement, la soi-disant «IA incarnée». Il se réfère aux agents qui ont un corps et à soutenir l'interaction physique, tels que les robots de service intelligents, les voitures autonomes, etc.
Les robots d'IA incarnés peuvent interagir avec l'environnement, planifier, prendre des décisions, agir et effectuer des tâches comme les humains. Par exemple, le robot est chargé de poncer la surface supérieure d'une pièce placée dans l'unité pour obtenir la finition de surface souhaitée. L'IA incarnée est capable d'utiliser des capteurs pour surveiller l'état de l'unité et générer des instructions pour que le robot effectue des tâches.
L'IA numérique et l'IA incarnées partagent certaines similitudes et utilisent de nombreuses technologies sous-jacentes. Cependant, la compréhension des différences entre ces deux types d'IA est essentielle pour appliquer avec succès des méthodes d'IA numériques à des applications d'IA spécifiques.
Le profil de risque des applications IA incarnés est souvent fondamentalement différent de celui des applications d'IA numériques. Si les outils d'IA numériques sont précis à 99%, cela pourrait considérablement améliorer la productivité humaine dans de nombreuses applications.
En revanche, en raison des risques des applications industrielles, les exigences de précision pour des systèmes d'IA spécifiques varient souvent considérablement.
Les principaux risques proviennent de deux aspects: la probabilité d'erreur et les conséquences de l'erreur. Lorsque les conséquences de l'erreur ne sont pas graves, une probabilité d'erreur plus élevée peut être tolérée. C'est pourquoi une probabilité d'erreur de 1% est acceptable dans de nombreuses applications d'IA numériques.
À l'inverse, de nombreuses applications d'IA incarnées nécessitent des probabilités d'erreur mieux qu'un million. L'utilisation d'une approche purement axée sur les données pour réduire la probabilité d'erreurs nécessite beaucoup de données. Dans la plupart des cas, la demande de données augmente de façon exponentielle. Malheureusement, le coût d'obtention des données des systèmes physiques est élevé. Par conséquent, une approche différente doit être suivie lorsque l'on traite des applications IA incarnées.
Pour répondre aux exigences ci-dessus, une IA incarnée pour les applications de fabrication devrait avoir les caractéristiques suivantes:
Formation avec des données limitées: L'IA incarnée peut être formée avec des données limitées générées par les expériences de physique.
Peut être assemblé à partir de composants modulaires pré-formés: les systèmes physiques peuvent avoir plusieurs configurations pour répondre à leurs besoins prévus. Par exemple, en fonction du processus effectué (comme le ponçage ou le sable), l'unité de robot de fabrication peut être dans de nombreuses configurations différentes. Différentes unités peuvent inclure des robots avec différentes fonctions (telles que des robots de montage de plate-forme mobile ou des robots de montage de portières), des types de capteurs (tels que des caméras en profondeur ou des imageurs thermiques), et des outils (tels que des ponceuses orbitales ou des buses de sable).
En conséquence, le développement de l'IA incarnée universel qui fonctionne hors de la boîte pour toutes les applications de fabrication peut ne pas fonctionner très bien. L'IA du système doit être synthétisée rapidement à partir de composants modulaires pour correspondre aux capacités de détection et de conduite du système et de l'environnement de travail spécifiques.
Peut être adapté à de nouvelles données ou contextes: à mesure que de nouvelles données deviennent disponibles pendant le déploiement du système, il devrait être possible d'utiliser ces données pour améliorer les performances de l'IA. L'IA devrait être en mesure de s'adapter de manière autonome à de nouveaux environnements ou tâches avec une supervision humaine minimale.
Facile à mettre à niveau: Au fil du temps, les performances du système physique peuvent changer en raison de l'usure ou des mises à jour des composants physiques. Cela peut nécessiter des améliorations de l'IA pour s'assurer qu'elle peut suivre l'évolution du système. Par conséquent, un système d'IA incarné doit être conçu pour s'assurer qu'il peut être amélioré avec une perturbation minimale du fonctionnement du système.
Recommandations basées sur les risques pour l'action: le système devrait être en mesure d'estimer sa confiance dans l'action proposée. Lorsque la confiance est faible, le système doit effectuer une analyse des risques et analyser les conséquences de l'échec. Si le risque est trop élevé, le système doit demander de l'aide aux experts humains.
Interprétabilité: Si le système suggère une action qui ne répond pas aux attentes de l'utilisateur, le système devrait être en mesure d'expliquer les raisons utilisées pour sélectionner l'action.
Architecture distribuée qui prend en charge le partitionnement de l'informatique entre Edge et Cloud: dans les scénarios d'application IA incarnés, il n'est pas possible d'effectuer tous les calculs de l'IA dans le cloud. La conception du système doit garantir que les calculs sensibles à la latence du réseau peuvent être effectués au bord.
Dans le domaine de l'IA numérique, nous constatons un grand succès avec de grands modèles d'apprentissage de bout en bout tels que LLM. Ces modèles prospèrent sur d'énormes quantités de données. Cependant, ils ne possèdent pas beaucoup de caractéristiques de l'IA incarnée mentionnée ci-dessus.
L'IA incarnée doit être considérée comme un système complexe impliquant des interactions entre plusieurs composants d'IA. Avoir la bonne architecture du système dans l'IA incarnée est l'une des clés des applications de fabrication réussies. Cela vous permet de profiter des dernières avancées de l'IA et de répondre aux exigences exigeantes des applications de fabrication. Par conséquent, des méthodes d'ingénierie des systèmes modernes sont nécessaires pour concevoir une IA incarnée pour les applications de fabrication.