Waarom bedrijven en werknemers niet bang moeten zijn om AI te gebruiken bij robotica-inspanningen

Robots hebben het potentieel om de manier waarop bedrijven zaken doen te veranderen door veel taken te automatiseren. In combinatie met kunstmatige intelligentie (AI)-technologie kunnen robots autonoom worden. Maar de combinatie van deze technologieën roept veel problemen op. Zullen AI-ondersteunde robots banen elimineren of werknemers helpen, waardoor ze productiever worden? Omdat AI robots mogelijkheden biedt zoals machine vision, zijn er ook privacykwesties. En dan is er nog de uitdaging hoe te werken met de grote hoeveelheden gegevens die mogelijk worden gebruikt. Waar verwerk je die gegevens? In de wolk? Aan de rand?

Om een ​​beter begrip te krijgen van deze problemen, use-cases en de rol van edge, hebben we gesproken met Joe Speed, CTO IoT Solutions and Technology bij ADLINK, een leverancier van toonaangevende computeroplossingen
die de overgang naar verbonden industriële IoT-systemen in verschillende sectoren ondersteunen. Nick Fragale, oprichter van Rover Robotics, nam ook deel aan onze discussie, dat robuuste robots van industriële kwaliteit ontwikkelt met behulp van ROS, het robotbesturingssysteem.

Zijn er zorgen over het gebruik van AI?

RTinsights: Het lijkt erop dat bedrijven terughoudend zijn om AI te gebruiken vanwege verschillende angsten. Welke soorten zorgen hoor je van potentiële gebruikers als het gaat om hun adoptie van AI?

Snelheid: De meeste zorgen die ik hoor over AI hebben te maken met enkele privacyaspecten. Je hoort mensen hun bezorgdheid uiten als je praat over gezichtsherkenning, en sommige andere aspecten, zoals AI, worden toegepast op onderwerpen als massasurveillance. Mensen worden een beetje zenuwachtig. Ik zie niet per se zoveel angst of zorgen over AI in het soort ruimtes waar we ons meestal op focussen. De meeste van onze technologie bevindt zich meestal in, op of in de buurt van iets, zoals apparatuur, een proces, de werkcel, de faciliteit. Dat is meestal waar onze AI wordt gebruikt.

In deze gevallen is de toepassing van AI het nemen van een bestaand proces en ervoor zorgen dat het betrouwbaar werkt. Het helpt bij de gezondheid van de machine en andere dingen. Hiermee kunnen bedrijven een werkcel nemen en efficiënter laten werken. En bedrijven kunnen een bestaand legacy-systeem, bestaande machines of een bestaand proces en instrument gebruiken en het veiliger maken.

In veel van deze toepassingen komen we niet echt de privacyproblemen tegen die verband houden met gezichtsherkenning en massale surveillance. De systemen worden gebruikt binnen uw bedrijf versus systemen die mensen in het openbaar zouden surveilleren. In een bedrijfsomgeving is het gebruik van AI gericht op het verbeteren van een proces of operatie, waardoor werknemers hun werk beter kunnen doen. Wat we voor sommige van deze dingen zien, is dat AI, met name machine learning toegepast op computervisie, erg populair is. Een ander zeer populair gebruik is rond sensorfusie. In dergelijke gebruikssituaties is de vraag hoe ik visie combineer met andere soorten sensorgegevens of telemetrie van bestaande legacy-apparatuur en deze vervolgens samenvoeg om een ​​beter begrip te krijgen van wat er aan de hand is.

Fragale: Ik zou vanuit ons perspectief zeggen dat onze klanten afkomstig zijn uit de onderzoeks- en academische ruimte, en dus staan ​​ze erg open voor het gebruik van AI. De gemiddelde leeftijd van onze klant ligt waarschijnlijk ergens rond de 30. Nu we de logistieke markt gaan betreden met ons nieuwe product, de Rover AMR 100, komt daar verandering in. Maar tot nu toe hebben we geen weerstand gezien tegen het implementeren van AI.

Hoe wordt AI gebruikt in robotica?

RTinsights: Dat is een geweldig vervolg. Een van de interessegebieden van AI is duidelijk robotica. Hoe wordt AI gebruikt in robotica?

Snelheid: Een van de grootste gebieden is perceptie. Denk maar aan camera's, hoewel het iets meer is dan dat. Je hebt veel verschillende technologieën die kunnen worden gebruikt om de robot perceptie te geven. De voor de hand liggende is camera's, maar zelfs binnen camera's, is het een enkele camera, is het een stereocamera, is het een 3D-camera met dieptewaarneming, is het zichtbaar spectrum of infrarood? Dan heb je ook een aantal andere technologieën die perceptie geven, die je bijna als visueel zou kunnen beschouwen, maar ze zijn een beetje anders. Het zijn dingen als LIDAR. (Light Detection and Ranging is een teledetectiemethode die gepulseerd laserlicht gebruikt om afstanden te meten.) Zie het met LIDAR in feite als radar. Zoals ik het aan mijn familie uitleg, weet je wat radar is? Zeker. Nou, hetzelfde, maar lasers in plaats van radiogolven.

Je hebt de laser ronddraaien. Het stuitert op dingen. Als je het gebruikt voor autonome voertuigen, zie je eigenlijk geen auto. Maar wat je wel ziet is een autovormige wolk van stippen, en het geeft je ook andere dingen door het Doppler-effect. Je kunt zien of die puntenwolk in beweging is. Beweegt het naar mij toe of weg, in welk tempo?

Zie ook: Waarom Edge Computing IoT kan helpen het volledige potentieel te bereiken

Dan heb je ook echografie en radar en nog wat andere dingen waar je vandaag misschien niet per se aan denkt. Wanneer u autonome operaties begint te krijgen, zullen deze variërende technologieën een rol spelen. Net als in het geval van Rover, heb je een robot van 40 pond en deze werkt autonoom. Maar als je dat verandert van een robot van 40 pond naar 400 pond, 4.000 pond, zit je nu in de klasse van [apparatuur] die gevaarlijk begint te worden. Hoe bedien je bijvoorbeeld veilig zware machines en hoe doe je dat meer autonoom of geautomatiseerd zonder mensen te verwonden of materiële schade te veroorzaken? Sommige van deze andere technologieën kunnen worden gebruikt.

U kunt bijvoorbeeld echografie gebruiken voor dingen die heel dichtbij zijn en waarvoor u niet per se cameradekking hoeft te hebben. In robotica zijn er twee plaatsen waar ik AI zie toepassen, en dan komen ze (AI en robotica) in elkaar over, dat is wanneer je een autonome operatie hebt, vooral mobiele robots, en dingen die bewegen.

LIDAR, radar en echografie kunnen navigatie helpen. Ze kunnen worden gebruikt om vragen te beantwoorden als:Hoe weet een robot of autonoom systeem waar het is, hoe weet het waar het heen gaat, hoe doet het dat zonder dingen of mensen tegen te komen? Dan heb je ook robots die daadwerkelijk interactie hebben met hun omgeving. Het klassieke voorbeeld hiervan zou zijn als je denkt aan een industriële robot, zoals een arm. Hoe neemt de arm waar wat er omheen is? Een voorbeeld hiervan is het picken van onderdelen voor robotica, waarbij een arm onderdelen uit een bak pakt en deze vervolgens in een ding stopt dat u in elkaar zet of in een andere bak. Dit is een zeer populaire applicatie. Dan kun je natuurlijk AI en robotica combineren. Je kunt ook mobiele robots hebben met actuatoren met grijpers die kunnen communiceren met hun omgeving.

Dat is echt het hele gebied van AI-machine learning. Dat is waar we zien dat dit wordt toegepast.

Fragale: Ons perspectief bij Rover Robotics is vrij gelijkaardig aan het perspectief van Joe. Maar ik zou zeggen dat camera's, cameragegevens analyseren en specifiek inspecties uitvoeren, over het algemeen het belangrijkste zijn waar we mensen AI voor zien gebruiken. Elk bedrijf dat iets wil blijven monitoren, kan deze technologie gebruiken. De toepassing kan een oliemaatschappij zijn die wil controleren of hun leidingen roesten. Dat kunnen ze nu 24/7 met een mobiele robot. Of misschien heeft u een magazijn waar u RFID-tags moet inspecteren om te inventariseren. Alles wat u in uw instelling wilt inspecteren, kunt u nu doen met een robot en een camera.

Welke industrieën gebruiken AI en robotica?

RTinsights: Zijn er bepaalde sectoren, zoals productie, logistiek, ouderenzorg of klantenservice, waar we AI en robotica al zien gebruikt?

Fragale: Ja. Ik zou zeggen dat de grootste industrieën logistiek, productie en constructie zijn. Dat zijn die waar robots AI al gebruiken om dingen te doen. In het geval van de bouw proberen veel bedrijven het geld terug te vorderen dat elk jaar verloren gaat door inefficiënties. Ervoor zorgen dat u bijvoorbeeld alle juiste leidingen en sprinklers en alle veiligheidsapparatuur installeert voordat u het beton legt, is erg belangrijk voor elk bouwproject. Maar als er veel onderaannemers bij betrokken zijn, kan er vaak een probleem zijn. Als u een robot op uw bouwplaats laat rondgaan en naar dat soort dingen zoekt, dingen die van cruciaal belang zijn in het algehele bouwproject, dan kunt u veel van die kosten terugverdienen die normaal gesproken verloren gaan.

Snelheid: Ja, zeker, inspectie is een grote. We doen veel zaken rond inspectie, met name visuele inspectie. In het veld zijn er 400.000 camera's aangesloten op onze vision-systemen die dit en andere soorten gebruiksscenario's doen. Waar het voor mij echter echt interessant wordt, is om in plaats van vaste camera's op een lopende band, op een werkbank of op een transportband dingen te inspecteren terwijl ze voorbij gaan, om de twee thema's van de op AI gebaseerde visuele inspectie en de autonome robotica te nemen en combineer die. Denk aan de robot. In plaats van dat fysieke goederen naar de camera worden gebracht, gaat de camera naar het ding dat moet worden geïnspecteerd. Je hebt het constructievoorbeeld met mobiele robots die inspecties uitvoeren door over de site te zwerven. Er zou een luchtkanaal moeten zijn. Is het op zijn plaats? Lopen we voor op schema of achter op schema?

Een ander voorbeeld is een retailer die AI en een robot gebruikt om te kijken wat er op voorraad is. De retailer kan dan vergelijken wat een robot fysiek waarneemt met wat het winkelmanagement en de magazijnlogistiek
systemen zeggen dat het op voorraad is. Dat is een gebied waar ik super enthousiast over ben, en we zijn allemaal bezig met open robotica.

Tegenwoordig wordt robotica vrijwel gespeld als R-O-S, wat een robotbesturingssysteem is. Het is geen robot of besturingssysteem. Het is een open-source framework voor het ontwikkelen van robotica. Daar werken we mee en dragen we aan bij. Vervolgens zet je dit samen met AI vision, wederom een ​​vakgebied met veel nadruk rond de open source. Aangezien deze dingen worden gecombineerd, wordt het een heel interessante tijd.

Wat zijn de belangrijkste robotondersteunde functies die worden uitgevoerd?

RTinsights: Laten we eens kijken welke robotondersteunde functies in alle toepassingsgebieden worden uitgevoerd. Wat zie je op de markt?

Snelheid: Met de AI-visie en robotica, denken veel mensen, gaat dit een werknemer vervangen? Er zijn echter veel gevallen waarin de technologie werknemers helpt in plaats van ze te vervangen. Er is een heel veld van collaboratieve robots, dit zijn robots die met mensen werken en robots die samenwerken, samenwerken aan een taak. Kijk bijvoorbeeld naar de dingen die Rover doet. Stel dat je een mens hebt die een functie uitvoert en dat ze moeten zwerven. Stel dat ze zich op een boerderij moeten verplaatsen om een ​​taak uit te voeren.

Wat als je de Rover, omwille van het argument, had laten werken als een autonoom wielvat dat de arbeider volgt en altijd precies daar is waar hij moet zijn, met alles wat de arbeider nodig heeft. Dat soort use-cases, die van robots die een stuk op zijn plaats houden terwijl een mens een taak doet, die waarbij de robots de arbeider helpen. Ik heb een echte passie voor en heb veel werk gedaan rond ondersteunende technologie voor het helpen van ouderen en gehandicapten. Ik zie een verbazingwekkend potentieel voor deze dingen die mensen aanvoelen en ermee omgaan.

Zie ook: Waarom IoT nog steeds achterblijft bij praktische zakelijke toepassingen

Fragale: Ik zou voor ons zeggen dat je onze klanten in twee categorieën kunt indelen. Of ze dragen dingen met de robot, dus ze vervoeren goederen door het magazijn of ze vervoeren goederen over de boerderij, of ze plaatsen sensoren op de robot en verzamelen gegevens. Dat zijn over het algemeen de twee grootste functies waarvan we zien dat onze robots door bedrijven worden gebruikt.

Hoe passen edge computing en AI bij elkaar?

RTinsights: Dat is een perfecte inleiding op mijn laatste vraag. Dergelijke systemen kunnen grote hoeveelheden gegevens verzamelen van veel sensoren en IoT-apparaten. Met al die gegevens die worden gegenereerd en de behoefte aan snelle analyse, is dit de perfecte storm om edge computing en AI samen te gebruiken?

Snelheid: Ik denk het zeker. Onze vrienden bij AWS praten over 'waarom edge'? Ze praten over de wet van de fysica. Bent u in staat om de gegevens te krijgen in de soorten volumes die naar de cloud worden gegenereerd? Er zijn veel dingen afhankelijk van RF, netwerktopologie, andere soorten dingen. Er is de wet van de economie. Is het economisch haalbaar? Waarschijnlijk niet als je mobiele operators hebt die dingen doen zoals per byte opladen. Zelfs als je de netwerkinfrastructuur hebt, de bandbreedte om alle gegevens naar de cloud te krijgen, is het dan economisch? Als je het eenmaal naar de cloud hebt gebracht, afhankelijk van het soort workloads, is het dan economisch om met dat soort datavolumes te werken? Er is een interessant universitair onderzoek dat bijvoorbeeld dingen als videoverwerking en audioverwerkingsworkloads met AWS-technologieën vergelijkt en contrasteert, ze in de cloud gebruikt en ze met de edge gebruikt.

Ze keken naar zaken als AWS IoT Greengrass, dat machine learning analyseert met behulp van modellen die in de cloud zijn ontwikkeld. Wat zij (de universitaire onderzoekers) bedachten, is dat de economie in feite acht keer beter is om deze workloads aan de rand te doen. Maar voor mij is de latentie nog belangrijker dan de economie. Vaak verplaats je deze dingen naar de rand, omdat je wilt dat het precies op dat moment gebeurt, om heel snel in het moment te zijn. Als ik de video naar de cloud breng en analyses doe en dan een beslissing terugneem, is het misschien te laat, te langzaam. Er is een persoon gewond geraakt, een apparaat is kapot gegaan of het gebouw is afgebrand. Dat is een voorbeeld van het gebruik van edge.

Dan kom je ook in deze kwesties van de wet van het land. We geloven wel in het ontwikkelen van de modellen, het trainen van de modellen in de cloud. Het ontwikkelen van een model is rekenkundig duur en het doen op een
klein stukje apparatuur aan de rand als dat bijvoorbeeld een dag zou duren, zou je datzelfde model in de cloud kunnen draaien en het in een uur klaar hebben. Maar bij het analyseren van de gegevens zelf, moet u nadenken over enkele van de privacykwesties waar u het eerder over had. Hoe ga je veilig om met gegevens met persoonlijk identificeerbare informatie of doe je gezichtsherkenning? In de fabriek weet je wie de arbeider is.

Met al die onbewerkte gegevens kunnen er echter enkele gevoeligheidsproblemen zijn. Er kunnen juridische, maatschappelijke of culturele problemen zijn rond het meenemen van die gegevens van de werkplek naar ergens anders. Dat is waar je ingaat op deze kwesties van de wet van het land. Door aan de rand te werken, voldoet het keurig aan veel van dit soort behoeften.

Fragale: De explosie van gegevens die snel moeten worden geanalyseerd, is inderdaad de perfecte storm voor het gebruik van edge computing. We zien veel klanten die enthousiast zijn over cloud computing, vooral met robotica. Ze denken dat als ik Netflix in 4K kan streamen of als ik al deze videogegevens heen en weer kan streamen, het gemakkelijk zal zijn om beeldgegevens naar de cloud te streamen en daar de verwerking te doen, waar je veel meer middelen hebt. Maar ik denk dat wat vaak over het hoofd wordt gezien, is dat als je een robot bent en je ronddwaalt, je nu tussen verschillende toegangspunten moet stuiteren. We zien dat veel klanten die enthousiast zijn over cloudcomputing, tegen die wegversperring aanlopen, en het is iets waar ze maanden aan vast zitten, en dan stappen ze over op edge computing. Zelfs in een magazijn, als u uw robots probeert te integreren in een magazijn, stuitert u van het ene toegangspunt naar het andere en verliest u vaak de verbinding.

Zie ook: Centrum voor Edge Computing

Dan moet u uw klant vertellen:"Hé, u moet upgraden naar betere routers omdat uw nieuwe router niet 80211.AC-compatibel is." Dan vragen ze:"Wat betekenen die cijfers in vredesnaam?" Dan zeg je:"Ok, vergeet het maar. We zullen meer rekenkracht op de robot zetten zodat we deze taken kunnen uitvoeren.” Dat probleem wordt alleen maar erger als je naar buiten gaat. Met veiligheidskritieke robots die buiten rondzwerven, zoals Joe zei, kun je de beelden niet naar de cloud laten sturen en vervolgens terug naar de robot om te beslissen of je wilt stoppen of niet voordat je de straat oversteekt. Het werkt gewoon niet voor veiligheidskritieke toepassingen. Daarvoor is de latentie te groot.

Snelheid: De cloud is daarbij heel belangrijk, maar niet per se op de manier zoals veel mensen denken. Als ik de analytics en machine learning aan de edge kan doen, hoef ik geen grote hoeveelheden data naar de cloud te sturen. Dit elimineert latentieproblemen. Als ik op een booreiland in Alaska ben, zie ik een beer, in plaats van een video van de beer te sturen, stuur je informatie. Er is een beer. Wat is de specifieke gebeurtenis of gevolgtrekking die je hebt gevonden? Daar zien we veel van. Denk gewoon in termen in plaats van data naar de cloud te streamen, informatie te streamen, de output van de analyses te streamen.

Je moet deze systemen ook samenvoegen om betrouwbaar te zijn. Dit is iets waar ik vroeger mee te maken kreeg bij het werken aan een verbonden auto en onderwerpen als cloud-augmented analyse en autoveiligheid. Je moet het zien als iets dat gewoonlijk verbonden is, vaak verbonden, af en toe verbonden. Hoe breng je deze systemen samen om te werken met de veronderstelling dat je een onbetrouwbaar netwerk krijgt? Als je het in die omgeving goed kunt laten werken, komt het in principe goed. Maar je moet altijd een onberispelijke connectiviteit hebben met latenties binnen een bepaalde SLA, anders krijg je problemen in de echte wereld.