От универсално предназначение до готово за производство: Какво трябва да решат техническите директори, преди да внедрят физическия ИИ във фабриките

Разликата между завладяваща демонстрация на роботика и система, която работи надеждно в реална индустриална среда, не е въпрос на време за итерация - тя е въпрос на архитектурна категория. Физическите системи с изкуствен интелект с общо предназначение, включително хуманоидните и многозадачните платформи, привличащи значителни капиталови инвестиции, са обучени да се адаптират към различни типове задачи, използвайки разсъждения на базови модели. Тази способност е реална и технически значима. Това, което материалите за стартиране рядко разглеждат, е наборът от инженерни ограничения, които определят дали тези разсъждения действително могат да затворят контролен цикъл във фабрика с производствена скорост, при изискванията за безопасност, с достатъчна одитируемост за регулаторни и застрахователни цели. Техническите директори, оценяващи тези инвестиции, трябва да работят върху тези ограничения преди обществената поръчка, а не след пилотния проект.

Допълнителен материал към по-широката ни работа по преминаване на системи с изкуствен интелект от етапа на доказателство за концепция към етапа на производство. Вижте „Защо повечето проекти за корпоративни агенти с изкуствен интелект никога не напускат пилотния етап“ за информация относно пречките пред управлението, пропуските в организационната готовност и архитектурните решения, които разделят оперативните внедрявания от постоянните пилотни проекти.

Проблемът със закъснението не е случаен

Физическите системи с изкуствен интелект, които разчитат на големи модели „визуален език-действие“ за разсъждения при задачи, въвеждат латентност при извод, която е структурно несъвместима с много изисквания за индустриален контрол. Модел, генериращ следващата команда за двигател чрез предаване на състоянието на сензора през трансформатор с милиарди параметри, обикновено отнема десетки до стотици милисекунди на стъпка от извода, в зависимост от хардуера и квантуване. При дискретни операции „вземи и постави“ с щедро междуциклово време това може да е приемливо. В приложения, включващи движещи се конвейерни системи, съвместен монтаж с човешки работници или всеки процес, при който роботът трябва да реагира на неочаквано физическо събитие в рамките на определен прозорец, това не е така. Търговското значение е директно: система, която не може да достигне прага на латентност на целевия процес, не може да бъде внедрена в този процес, независимо от способността ѝ за генерализация на задачи.

Частичното решение, използвано в настоящите системи, съседни на производството, е йерархичното управление, при което бърз контролер от ниско ниво обработва незабавните команди на двигателя, използвайки класически или заучени реактивни политики, докато слоят с изкуствен интелект работи с по-бавен ритъм и задава цели от по-високо ниво. Тази архитектура намалява радиуса на взрив на латентността на извода, но въвежда свой собствен режим на отказ: двата слоя трябва да останат кохерентни. Ако моделът от високо ниво издаде цел, която контролерът от ниско ниво не може безопасно да изпълни при дадено текущо физическо състояние и няма механизъм за арбитраж, системата или ще се забави, или ще действа по остаряла инструкция. Проектирането на този арбитражен слой е нетривиално и обикновено е мястото, където сроковете за интеграция се простират отвъд първоначалните оценки.

Цялостност на тръбопровода от сензор до вземане на решения

Физическата система с изкуствен интелект е толкова надеждна, колкото са надеждните данни, които получава от своите сензори, а индустриалните среди са враждебни към сензорите по начини, за които контролираните демонстрации не са. Вибрациите, електромагнитните смущения от машините, променливото осветление, замъгляването от подреждането на продукти и термичното отклонение при калибрирането влошават изходните данни на сензорите по начини, които са трудни за възпроизвеждане при тестове преди внедряване. Последицата е, че модел, обучен или фино настроен върху чисти данни от сензори, ще се сблъска с изместване на разпределението във фабричния цех и влошаването на изходните му данни не винаги ще бъде очевидно от поведението на робота, докато не възникне повреда. Това не е хипотетичен риск - това е доминиращият режим на повреда, който наблюдаваме при индустриални внедрявания на компютърно зрение, където модели, които се представят добре в контролирани условия, произвеждат тихи грешки при реални работни условия.

Инженерният отговор е целостта на сензорния конвейер да се третира като първокласно системно изискване, а не като инфраструктурно предположение. Това означава директно вграждане на мониторинг в конвейера: статистически проверки на разпределенията на изходните данни на сензорите, откриване на аномалии във входящите потоци от данни, преди да достигнат модела за извод, и дефинирани резервни поведения, когато доверието на сензорите падне под определен праг. В нашата собствена работа по внедряване на системи за компютърно зрение в производствени среди - интегриране на YOLO-базирано откриване на обекти с потоци от IP камери на живо и PLC сензорни данни - установихме, че надеждността на слоя за приемане и предварителна обработка на сензорите е по-силен определящ фактор за цялостната производителност на системата, отколкото изборът на архитектура на модела. По-способен модел, получаващ влошен вход, ще се представи по-зле от по-прост модел, получаващ чист, добре наблюдаван вход.

Ограниченията за безопасност не могат да бъдат спешни

Стандартите за индустриална безопасност за колаборативни роботи - ISO 10218 и ISO/TS 15066 са основните международни рамки - определят изисквания за ограничения на скоростта и силата, защитни спирания и мониторинг на работното пространство, които трябва да се прилагат на хардуерния и контролния слой, а не да се делегират на модела на разсъждение с изкуствен интелект. Това разграничение е важно, защото моделите с изкуствен интелект, включително тези със силно обобщение на задачите, нямат гарантирано удовлетворяване на ограниченията. Модел, който се е научил да изпълнява задача ефективно, може при нови условия да избере действие, което нарушава граница на безопасност. Ако единственият механизъм за прилагане на ограничения е наученото поведение на модела, тази граница е вероятностна, а не гарантирана. Регулаторните органи и индустриалните застрахователи не приемат вероятностни гаранции за безопасност за физически системи, работещи в близост до хора.

Практическото изискване е детерминистичен слой за безопасност, който работи независимо от модела на изкуствения интелект и може да отменя или спира неговите изходи. Това е архитектурно подобно на слоевете за наблюдение, използвани в софтуерни системи, критични за безопасността, но с допълнителна сложност, тъй като интервенциите са физически, а ограниченията във времето са строги. Определянето на границата между това, което системата с изкуствен интелект може да решава автономно, и това, което изисква човешко разрешение или попада под твърдо кодирано ограничение, е решение за проектиране, което трябва да бъде взето изрично, документирано и валидирано преди внедряването. Това е и решение, което ще трябва да бъде преразгледано с разширяването на обхвата на задачите на системата, тъй като безопасната работна обвивка за робот, изпълняващ тясна, добре характеризирана задача, е различна от обвивката за такъв, работещ в режим с общо предназначение.

Протокол за предаване на данни между човек и робот

В повечето реалистични индустриални внедрявания, физическата система с изкуствен интелект няма да работи изолирано. Тя ще работи заедно с човешки оператори, ще получава задачи от човешки ръководители и ще изисква човешка намеса, когато се сблъска със ситуации извън оперативния си обхват. Протоколът за предаване, управляващ тези взаимодействия, е проблем на оперативния дизайн, а не софтуерна функция, и често е недостатъчно специфициран в ранното планиране на внедряването. Робот, който влиза в състояние на безопасно спиране и чака човешка намеса, без да съобщи ясно състоянието си, или който възобновява работата, без да потвърди, че човекът е освободил работното пространство, създава опасност, която самата възможност на изкуствения интелект не може да разреши.

Ефективното проектиране на предаване на данни изисква дефиниране на пълното пространство на състоянията на режимите на взаимодействие човек-робот: нормална автономна работа, асистирана работа, при която човекът и роботът споделят задача, контролирана работа, при която човекът наблюдава и може да прекъсва, и операция за възстановяване след повреда. Всеки режим се нуждае от ясни условия за влизане и излизане, дефинирани комуникационни сигнали към човешкия оператор и дневник на преходите на състоянията за преглед след инцидент. Оперативните разходи за проектиране и валидиране на тези протоколи не са малки и се мащабират с броя на типовете задачи, които системата се очаква да изпълнява. Система, разположена за изпълнение на една добре дефинирана задача, има управляем проблем с проектиране на предаване на данни. Система с общо предназначение с широк репертоар от задачи има комбинаторно по-голям такъв.

Одитируемост на автономни физически действия

Когато физическа система с изкуствен интелект причини дефект на продукт, спиране на линия или нараняване, първият оперативен въпрос е какво е решила системата и защо. За софтуерните системи с изкуствен интелект, одитируемостта вече е значително инженерно предизвикателство. За физическите системи с изкуствен интелект това е по-трудно, защото веригата за вземане на решения включва състояние на сензори, извод за модел, транслация на контролния слой и физическо изпълнение, и всеки от тези етапи може да бъде точката на отказ. Без структурирано регистриране на всичките четири етапа, разследването на инциденти се превръща в догадки, а догадките не са приемливи за регулаторните органи, застрахователите или оперативните екипи, отговорни за линията.

Вграждането на одитируемост във физическа система с изкуствен интелект означава регистриране на входните данни от сензорите по време на всяко заключение, записване на изходните данни от модела и свързаните с тях оценки на достоверността или несигурността, улавяне на транслациите на контролния слой и всички възникнали отменяния на мерките за безопасност, както и поставяне на времеви отпечатъци на физически действия спрямо лога. Инфраструктурата за съхранение и извличане на тези данни не е тривиална при производствени обеми и форматът на лога трябва да бъде дефиниран преди внедряването, а не реконструиран след инцидент. За организации, работещи в регулирани производствени сектори, тази одитна следа може също да се нуждае от отговаряне на външни изисквания, което налага допълнителни ограничения върху периодите на съхранение, контрола на достъпа и проверката на целостта на данните.

Оперативната разлика между адаптирането на задачите и отговорността за резултатите

Системите с общ физически изкуствен интелект се рекламират на пазара заради способността им да се адаптират към нови задачи с минимално препрограмиране. Тази способност е истинска и представлява значителен напредък спрямо традиционните индустриални роботи, които изискват изрично програмиране за всяко движение. Това не означава, че на системата може да се възложи нова задача и да ѝ се довери, че ще отговаря за резултата без валидиране. Модел, който никога не се е сблъсквал с конкретен вариант на продукта, конкретна конфигурация на околната среда или конкретен режим на повреда, ще се държи по начини, които са трудни за предвиждане от неговото представяне при подобни задачи. Разпределението на реалните индустриални задачи е с дълга опашка, а опашката е мястото, където се концентрират повреди.

Оперативното значение е, че способността за адаптиране на задачите измества тежестта на валидирането, вместо да я елиминира. Вместо да програмира нова задача, екипът трябва да дефинира протокол за валидиране за всяка нова задача, която системата трябва да изпълни, да характеризира условията, при които производителността на системата е приемлива, и да установи режим на мониторинг за откриване на влошаване с течение на времето. Това е различен вид работа от традиционното програмиране на роботи, но не е по-малко работа, особено в ранните етапи на внедряване, когато поведението на системата в целевата среда все още не е добре характеризирано. Организациите, които третират способността за общо предназначение като заместител на планирането на валидирането, ще открият разликата между адаптирането на задачите и отговорността за резултатите в най-неподходящия възможен момент.

Решението за архитектурата на интеграцията

Преди някой от горепосочените проблеми да може да бъде разгледан подробно, екипът по внедряването трябва да реши основен архитектурен въпрос: как физическата система с изкуствен интелект се свързва със съществуващия стек от оперативни технологии. Повечето производствени среди работят на комбинация от PLC, SCADA системи, MES платформи и ERP интеграции, които са проектирани за детерминистично, предварително програмирано оборудване. Въвеждането на система с изкуствен интелект, която генерира променливи изходи и изисква двупосочен обмен на данни с тези системи, не е plug-and-play интеграция. Комуникационните протоколи, форматите на данни и допусканията за време на OT системите често са несъвместими с интерфейсите, които AI платформите предоставят, а преодоляването на тази празнина изисква инженерна работа, специфична за обекта и съществуващата инфраструктура.

Изборът на интеграционна архитектура има и дългосрочни последици за поддръжката на системата и зависимостта от доставчика. Тясно свързаната интеграция, при която физическата платформа с изкуствен интелект е единственият път, през който преминават определени потоци от оперативни данни, създава единна точка на отказ и значителни разходи за превключване, ако платформата не се представя добре или доставчикът промени цените. По-слабо свързаната архитектура, при която системата с изкуствен интелект получава стандартизирани входни данни и произвежда стандартизирани изходни данни, които съществуващият OT стек може да консумира, е по-устойчива, но обикновено изисква повече първоначални инженерни инвестиции. За повечето индустриални внедрявания тази инвестиция е оправдана от намаляването на оперативния риск в рамките на многогодишен хоризонт на внедряване.