Роботите се учат да интерпретират заобикалящия ги свят и да се адаптират към обстоятелства
(снимка: CC0 Public Domain)
Когато става дума за роботи, повечето от нас си представят нещо, извадено от научната фантастика, или Пепър, виждан на технологични събития през последните няколко години, в най-добрия случай – София. Но настоящата реалност не е чак толкова вълнуваща.
Много от индустриалните роботи на пазара днес автоматизират прости, повторяеми задачи като опаковане, подреждане, пробиване на дупки. Тези роботи обикновено са предварително програмирани да изпълняват конкретна задача. Може да работят „съвместно” в една поточна линия, сглобяваща цял продукт, и все пак всеки си върши една конкретна задача.
В крайна сметка тези роботи не са автономни. Те са ограничени в изпълнението на една-единствена задача. Ако нещо внезапно се промени, това води до блокиране на робота – той не знае какво да прави. Уви, машините не са адаптивни като хората. И ако фабриката трябва да бъде преустроена, за да произвежда нещо различно, тогава операторите на роботите трябва изцяло да препрограмират машините за новата производствена линия.
За щастие технологичният свят все по-добре се справя с това да прилага машинно зрение и изкуствен интелект (ИИ) към машинния софтуер. Това ще осигури на роботите възможност да интерпретират заобикалящия ги свят и да се адаптират към обстоятелства, различни от тези, на които са били първоначално „обучени”.
Но истинската интелигентност на роботите ще зависи от двупосочното обучение: тогава, когато наученото от всеки отделен робот или устройство може да бъде приложено към основните алгоритми в облака – и след това да се споделя обратно с всички останали роботи в дадената категория, казва в блог публикация Марк Андерсън, старши директор глобални решения за производство в Equinix.
Истинската интелигентност на роботите ще зависи от двупосочното обучение, смята на Марк Андерсън, старши директор глобални решения за производство в Equinix
(снимка: Equinix)
„Тези контекстуално осъзнати системи от роботи ще бъдат свързани с IoT сензори, други роботи и цели цифрови екосистеми за обработка на данни чрез изкуствен интелект”, казва Андесън. Той смята, че обработката на всички тези данни ще зависи от наличието на разпределена, хибридна и многослойна ИТ инфраструктура с ниска латентност и сигурна свързаност за обмен на лични данни.
По-умни роботи чрез IoT и изкуствен интелект
Въпреки че областта на роботиката може да има различен фокус от „интернет на нещата (IoT) и изкуствения разум, конвергенцията на тези технологии и техните поддържащи ИТ архитектури влива все по-голяма интелигентност в крайните устройства – в случая роботите.
ABI Research въвежда термина „Интернет на роботизираните неща (IoRT)”, за да опише този тип система, „където интелигентните устройства могат да наблюдават събитията, да смесват данни от сензори от различни източници, да използват локален и разпределен „разум”, за да определят най-добрия курс на действие – и след това да действат за контрол или манипулиране на обектите във физическия свят”.
За разлика от самостоятелен робот, програмиран да изпълнява конкретна задача, IoRT системите са свързани помежду си и чрез облака и могат да обменят данни и „размисли” с цел адаптиране към променящите се обстоятелства в реално време.
Може да се каже, че има три основни компонента на свързана система от роботи: самите роботи, „интернет на нещата” и изкуствения разум. IoT е като петте човешки сетива, възприемащи света. Изкуственият интелект е мозъкът, който обработва тази информация и я осмисля. Роботите – те са „физическото тяло”, което предприема действия въз основа на добитите знания.
В някои случаи ние реагираме без да мислим, като например да не докосваме гореща печка, защото тялото ни вече се е научило да свързва болката със събитието. По същия начин следва да работи и роботизираната система на база IoRT, където физическите роботи придобиват „разум”, необходим за много бързо адаптиране към определени ситуации.
В други моменти, когато се сблъскваме с нови ситуации, трябва да мислим и да се учим, преди да предприемем действия. Например, научаваме се да спираме на червена светлина при шофиране на кола. Именно за такива ситуации е намесата на „облачната” роботика, което наистина цели подобряване на основните модели на ИИ в облака със „знания”, събрани от свързаните роботи.
Пример за двупосочно обучение – роботи за доставка
Един пример за това как може да работи подобна система е „армията” от автономни роботи за доставка на стоки. Всеки робот за доставка има свои собствени сензори и ИИ система за работа и комуникация с другите роботи в мрежата, както и към IoRT платформата.
С течение на времето може да стане ясно, че определена отсечка от дадена улица е проблем за няколко от роботите в групата. Може би светофарът свети зелено твърде кратко, за да могат да преминат, или пък има изкоп. Всички данни относно този проблем – такива като видеозаписи от сензорите и др. – се изпращат към основните алгоритми на ИИ в облака, за да се анализират, да се разпознаят и всички роботи от мрежата за доставка да бъдт обучени как да работят в района на проблемната улица.
След това актуализираният алгоритъм за ИИ бъде изпратен към целия флот от роботите (чрез актуализация на софтуера), те ще могат по-добре да се ориентират по въпросната пресечка.
Ниската латентност
За да работи добре този двупосочен начин на обучение, много важна е ниската латентност. Комуникациите между машина и машина (M2M) и взаимодействията помежду им изискват закъснение под 20 милисекунди. И докато подобряването на основните модели на ИИ в облака може да толерира по-големи закъснения, връщането на актуализациите на софтуера обратно към автопарка от роботи за доставки трябва да бъде надеждна и навременна.
