現在、別の種類のAIが開発されています。いわゆる「具体化されたAI」です。これは、身体を持つエージェントを指し、インテリジェントサービスロボット、自動運転車など、身体的相互作用をサポートします。
具体化されたAIロボットは、環境と対話したり、計画を立てたり、決定を下したり、人間のようなタスクを実行したりすることができます。たとえば、ロボットユニットは、ユニットに配置された部品の上面をサンディングして、目的の表面仕上げを達成することを担当しています。具体化されたAIは、センサーを使用してユニットの状態を監視し、ロボットがタスクを実行するための命令を生成することができます。
デジタルAIと具体化されたAIは、いくつかの類似点を共有し、多くの基礎となるテクノロジーを利用しています。ただし、これら2種類のAIの違いを理解することは、特定のAIアプリケーションにデジタルAIメソッドを正常に適用するために重要です。
具体化されたAIアプリケーションのリスクプロファイルは、多くの場合、デジタルAIアプリケーションのリスクプロファイルとは根本的に異なります。デジタルAIツールが99％正確である場合、多くのアプリケーションで人間の生産性を劇的に向上させる可能性があります。
対照的に、産業用途のリスクにより、特定のAIシステムの精度要件はしばしば大きく異なります。
主なリスクは、エラーの確率とエラーの結果という2つの側面から生じます。間違いを犯した結果が深刻ではない場合、エラーの可能性が高い場合が容認されます。これが、多くのデジタルAIアプリケーションで1％のエラー確率が許容できる理由です。
逆に、多くの具体化されたAIアプリケーションには、100万分の1よりもエラー確率が必要です。純粋にデータ駆動型のアプローチを使用してエラーの確率を減らすには、多くのデータが必要です。ほとんどの場合、データの需要は指数関数的に増加しています。残念ながら、物理システムからデータを取得するコストは高くなっています。したがって、具体化されたAIアプリケーションを扱う場合、別のアプローチに従う必要があります。
上記の要件を満たすには、製造アプリケーション用のAIが具体化されているため、次の特性が必要です。
限られたデータを使用したトレーニング：具体化されたAIは、最初に物理実験から生成された限られたデータでトレーニングできます。
事前に訓練されたモジュラーコンポーネントから組み立てることができます：物理システムは、意図したニーズをサポートするために複数の構成を持つことができます。たとえば、実行中のプロセス（サンディングやサンドブラストなど）に応じて、製造ロボットユニットはさまざまな構成に属することができます。異なるユニットには、さまざまな機能（モバイルプラットフォームの取り付けロボットやガントリーマウントロボットなど）、センサータイプ（深さカメラやサーマルイメージャーなど）、ツール（軌道サンダーやサンドブラストノズルなど）を備えたロボットが含まれます。
その結果、すべての製造アプリケーションのために箱から出して作られるユニバーサル具体化されたAIの開発は、あまりうまく機能しない可能性があります。システムのAIは、特定のシステムと作業環境のセンシングおよび駆動能力に合わせて、モジュラーコンポーネントから迅速に合成する必要があります。
新しいデータまたはコンテキストに適合させることができます。システムの展開中に新しいデータが利用可能になると、このデータを使用してAIパフォーマンスを改善することが可能です。 AIは、人間の監督を最小限に抑えて、新しい環境やタスクに自律的に適応できるはずです。
簡単にアップグレードできます：時間の経過とともに、物理システムのパフォーマンスは、摩耗や裂傷または物理コンポーネントの更新により変化する場合があります。これには、AIがシステムの進化に追いつくことができるように、AIの改善が必要になる場合があります。したがって、具体化されたAIシステムを、システムの動作を最小限に抑えてアップグレードできるように設計する必要があります。
アクションに関するリスクベースの推奨事項：システムは、提案されたアクションに対する信頼を推定できるはずです。信頼性が低い場合、システムはリスク分析を実施し、障害の結果を分析する必要があります。リスクが高すぎる場合、システムは人間の専門家に助けを求めるべきです。
解釈可能性：システムがユーザーの期待を満たさないアクションを提案する場合、システムはアクションを選択するために使用される理由を説明できるはずです。
エッジとクラウド間のコンピューティングのパーティション化をサポートする分散アーキテクチャ：具体化されたAIアプリケーションシナリオでは、クラウドですべてのAIコンピューティングを実行することはできません。システムの設計により、ネットワークレイテンシーに敏感な計算がエッジで実行できるようにする必要があります。
デジタルAIの分野では、LLMなどの大規模なエンドツーエンド学習モデルで大きな成功を収めています。これらのモデルは、膨大な量のデータで繁栄します。ただし、上記の具体化されたAIの特性の多くはありません。
具体化されたAIは、複数のAIコンポーネント間の相互作用を含む複雑なシステムと見なす必要があります。具体化されたAIに適切なシステムアーキテクチャを持つことは、製造アプリケーションを成功させるための鍵の1つです。これにより、AIの最新の進歩を活用し、製造アプリケーションの最適な要件を満たすことができます。したがって、製造用途向けに具体化されたAIを設計するには、最新のシステムエンジニアリング方法が必要です。