AI in robotica omarmen: Productiviteit verhogen & baanzorgen nuanceren

De rol die kunstmatige intelligentie zal spelen in robotica zal grotendeels bepaald worden door use cases en de resolutie van privacy- en computationele kwesties.

Robots hebben het potentieel om de manier waarop bedrijven zakendoen te veranderen door veel taken te automatiseren. Gecombineerd met kunstmatige intelligentie (AI) technologie, kunnen robots autonoom worden. Maar de combinatie van deze technologieën roept veel vragen op. Zullen AI-ondersteunde robots banen elimineren of werknemers assisteren, waardoor ze productiever worden? Als AI robots mogelijkheden geeft zoals machine vision, zijn er ook privacy-kwesties. En dan is er de uitdaging van hoe te werken met de grote datavolumes die gebruikt kunnen worden. Waar verwerk je die data? In de cloud? Aan de edge?

Om een beter begrip te krijgen van deze kwesties, use cases, en de rol van edge, spraken we met Joe Speed, CTO IoT Solutions and Technology bij ADLINK, een leverancier van toonaangevende edge computing-oplossingen die de overgang naar verbonden industriële IoT-systemen over industrieën ondersteunen. Ook deelname aan onze discussie was Nick Fragale, Founder van Rover Robotics, die robuuste, industriële robots ontwikkelt met ROS, het robot operating system.

Zijn er zorgen over het gebruik van AI?

RTInsights: Het lijkt alsof bedrijven terughoudend zijn AI te gebruiken vanwege verschillende vreezen. Welke typen zorgen hoor je van potentiële gebruikers als het aankomt op hun adoptie van AI?

Speed: De meeste zorgen die ik hoor rondom AI hebben te maken met privacy-aspecten. Je hoort mensen zorgen uiten wanneer je over gezichtsherkenning praat, en enkele van de andere aspecten, zoals AI toegepast op onderwerpen als massasurveillance. Mensen worden een beetje nerveus. Ik zie niet noodzakelijk veel vrees of zorgen over AI in de soorten ruimtes waar we ons op richten. Meeste van onze technologie zit meestal in, op, of bij iets – zoals apparatuur, een proces, de werkcel, het faciliteit. Dat is meestal waar onze AI gebruikt wordt.

In deze gevallen is de toepassing van AI het nemen van een bestaand proces en ervoor zorgen dat het betrouwbaar opereert. Het helpt met machine health en andere dingen. Het laat bedrijven een werkcel nemen en het efficiënter laten werken. En bedrijven kunnen een bestaand legacysysteem, bestaande machines, of een bestaand proces instrumenteren en veiliger maken.

In veel van deze applicaties ontmoeten we niet echt de privacy-zorgen gerelateerd aan gezichtsherkenning en massasurveillance. De systemen worden gebruikt binnen je bedrijf versus systemen die mensen in het openbaar zouden surveilleren. In een bedrijfsomgeving richt het gebruik van AI zich op het verbeteren van een proces of operatie, het helpen van werknemers hun werk beter te doen. Wat we zien voor sommige van deze dingen is dat AI, specifiek machine learning toegepast op computer vision, erg populair is. Een ander heel populair gebruik is rondom sensor fusion. In dergelijke use cases is het kwestie: hoe combineer ik vision met andere soorten sensordata of telemetrie van bestaande legacy-apparatuur en zet die samen om een beter begrip te krijgen van wat er aan de hand is.

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

Hoe wordt AI gebruikt in robotica?

RTInsights: Dat is een geweldige overgang. Eén van de interessegebieden met AI is robotica. Hoe wordt AI gebruikt in robotica?

Speed: Een van de grootste gebieden is perceptie. Denk gewoon aan camera's, hoewel het een beetje meer is dan dat. Je hebt veel verschillende technologieën die gebruikt kunnen worden 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 dieptesensor-camera, is het zichtbaar spectrum of infrarood? Dan heb je ook nog andere technologieën die perceptie geven, die je bijna visueel zou kunnen noemen, maar ze zijn een beetje anders. Het zijn dingen zoals LIDAR. (Light Detection and Ranging is een remote sensing methode die gepulste laserlicht gebruikt om afstanden te meten.) Met LIDAR, denk eraan als radar. De manier hoe ik het aan mijn familie uitleg is: je weet wat radar is? Zeker. Hetzelfde ding maar dan met lasers in plaats van radiogolven.

Je hebt de laser die omdraait. Het kaatst dingen af. Het gebruiken voor autonoom voertuigen, je ziet eigenlijk geen auto. Maar wat je wel ziet is een auto-vormige wolken van stippen, en het geeft je ook andere dingen vanwege het Dopplereffect. Je kunt vertellen of die puntwolk in beweging is. Beweegt het naar me toe of weg, met welke snelheid?

Zie ook: Waarom edge computing IoT kan helpen zijn volle potentieel te bereiken

Dan heb je ook ultrasoon en radar en sommige andere dingen die je misschien niet noodzakelijk vandaag zou bedenken. Als je begint met autonoom operaties, zullen deze ranging-technologieën een rol spelen. Als in het geval van Rover, heb je een 40 pond robot, en het opereert autonoom. Maar als je dat neemt van een 40 pond robot naar 400 pond, 4.000 pond, nu zit je in de klasse van [apparatuur] die begint gevaarlijk te worden. Hoe doe je dingen als veilig zware machines bedienen, en hoe doe je dat op een meer autonoom of geautomatiseerd manier zonder mensen te verwonden of schade te veroorzaken? Enkele van deze andere technologieën kunnen gebruikt worden.

Bijvoorbeeld, je zou ultrasoon kunnen gebruiken voor de heel dichte dingen waar je misschien niet per se camera-dekking hebt. In robotica zijn er twee plaatsen waar ik AI zie toepassen, en dan eindigen ze (AI en robotica) met samensmelten, wat gebeurt wanneer je een autonoom operatie hebt, vooral mobiele robots, en dingen die bewegen.

LIDAR, radar en ultrasoon kunnen navigatie helpen. Ze kunnen gebruikt worden om vragen te beantwoorden als: Hoe weet een robotisch of autonoom systeem waar het is, hoe weet het waar het naartoe gaat, hoe doet het dat zonder dingen of mensen te raken? Dan heb je ook robots die daadwerkelijk met hun omgeving interacteren. Het klassieke voorbeeld hiervan zou zijn als je denkt aan een industriële robot, zoals een arm. Hoe ziet de arm wat er omheen is? Een voorbeeld hiervan is robotica onderdeeltjes pikken, waar een arm onderdeeltjes uit een bak pikt en ze in een ding dat je aan het samenstellen bent of in een andere bak zet. Dit is een heel populaire applicatie. Dan kun je natuurlijk AI en robotica combineren. Je kunt ook mobiele robots met actuatoren met grepers hebben die in staat zijn om met hun omgeving te interacteren.

Dat is eigenlijk het hele veld van AI machine learning. Dat is waar we zien dit toegepast worden.

Fragale: Ons perspectief bij Rover Robotics is redelijk vergelijkbaar met Joe's. Maar ik zou zeggen, bij en groot, het nummer-een ding dat we zien dat mensen AI voor gebruiken is camera's, camera-data analyseren, en specifiek inspecties doen. Elk bedrijf dat wil doorgaan met monitoren voor iets kan deze technologie gebruiken. De applicatie kan een oliebedrijf zijn dat wil monitoren of hun buizen roest krijgen. Ze kunnen dat nu 24/7 met een mobiele robot. Of je hebt een magazijnfaciliteit waar je RFID-tags moet inspecteren voor voorraadtelling. Alles wat je in je faciliteit wilt inspecteren, kun je nu met een robot en een camera doen.

Welke industrieën gebruiken AI en robotica?

RTInsights: Zijn er specifieke industrieën, zoals productie, logistiek, ouderenzorg, of klantenservice, waar we al AI en robotica zien gebruikt worden?

Fragale: Ja. Ik zou zeggen de grootste industrieën zijn logistiek, productie en bouw. Die zijn waar robots al AI gebruiken om dingen te doen. In het geval van bouw, zijn er veel bedrijven die proberen het geld terug te winnen dat elk jaar verloren gaat door inefficiënties. Bijvoorbeeld, ervoor zorgen dat je alle juiste buizen en sprinklers en alle veiligheidsapparatuur installeert voordat je de beton giet is heel belangrijk voor elk bouwproject. Maar met veel subaannemers betrokken, kan er vaak een probleem zijn. Als je een robot hebt die rond je bouwterrein loopt en kijkt naar dingen als die, dingen die kritiek zijn in het algehele bouwproject, dan kun je veel van die kosten die typisch verloren gaan terugwinnen.

Speed: Ja, zeker, inspectie is een grote. We doen een enorme hoeveelheid business rond inspectie, specifiek visuele inspectie. Er zijn 400.000 camera's verbonden met onze visiesystemen die dit en andere soorten use cases doen. Waar het echt interessant wordt voor mij is in plaats van vaste camera's op een montageband, op een werkbank, of op een transporter dingen te inspecteren terwijl ze voorbijgaan, is om de twee thema's van AI-gebaseerde visuele inspectie en autonoom robotica te combineren. Denk aan de robot. In plaats van fysieke goederen die naar de camera gebracht worden, gaat de camera naar het ding dat inspectie nodig heeft. Je hebt het bouwvoorbeeld met mobiele robots die inspecties uitvoeren door de site te doorlopen. Er moet een luchtkanaal zijn. Zit het op zijn plek? Liggen we voor of achter schema?

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

Deze dagen is robotica vrijwel volledig gespeld R-O-S, wat een robot operating system is. Het is noch een robot noch een operatingsysteem. Het is een open-source framework voor het ontwikkelen van robotica. We werken mee aan en dragen bij aan dat. Dan zet je dit samen met AI vision, weer een veld met veel nadruk op open source. Als deze dingen gecombineerd worden, gaat het een heel interessante tijd worden.

Wat zijn de top robot-geassisteerde functies die uitgevoerd worden?

RTInsights: Laten we inzoomen op wat robot-geassisteerde functies worden uitgevoerd over alle toepassingsgebieden. Wat zie je in de marktplaats?

Speed: Met AI vision en robotica, denken veel mensen, gaat dit een werknemer vervangen? Er zijn echter veel use cases waar de technologie werknemers helpt, in plaats van ze te vervangen. Er is een heel veld van collaboratieve robots, wat robots zijn die met mensen werken en robots die samenwerken, collaboreren aan een taak. Bijvoorbeeld, kijk naar de dingen die Rover doet. Stel je hebt een mens die een functie doet en ze moeten rondlopen. Zeg ze moeten rond een boerderij bewegen om een taak uit te voeren.

Wat als je de Rover had, voor het argument, werken als een autonoom wielbarrow die de werknemer volgt en altijd precies waar het moet zijn met wat de werknemer nodig heeft. Die soorten use cases, de van robots die een stuk vast houden terwijl een mens een taak doet, degene waar robots de werknemer assisteren. Ik heb een echte passie voor en heb veel werk gedaan rond assisterende technologie voor het helpen van ouderen en gehandicapten. Ik zie geweldig potentieel voor deze dingen die sensoren en interacteren met mensen.

Zie ook: Waarom IoT nog achterblijft in praktische zakelijke toepassingen

Fragale: Ik zou zeggen voor ons, kun je onze klanten in twee categorieën categoriseren. Of ze dingen dragen met de robot, dus goederen door het magazijn dragen of goederen door de boerderij dragen, of ze zetten sensoren op de robot en verzamelen data. Die zijn bij en groot de twee grootste functies die we zien dat onze robots door bedrijven gebruikt worden.

Hoe passen edge computing en AI bij elkaar?

RTInsights: Dat is een perfecte overgang naar mijn laatste vraag. Dergelijke systemen kunnen grote hoeveelheden data verzamelen van veel sensoren en IoT-apparaten. Met al die data die gegenereerd wordt, en de behoefte aan snelle analyse, is dit de perfecte storm voor het samen gebruiken van edge computing en AI?

Speed: Ik denk zeker wel. Onze vrienden bij AWS, ze praten over 'waarom edge'? Ze praten over de wet van de natuurkunde. Kun je de data in de soorten volumes die gegenereerd worden naar de cloud krijgen? 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 als per byte rekenen. Zelfs als je de netwerkinfrastructuur hebt, de bandbreedte om alle data naar de cloud te krijgen, is het economisch om met die soort datavolumes te werken? Er is een interessant universiteitsonderzoek dat vergelijk en contrasteerde, bijvoorbeeld, dingen doen zoals videoverwerking en audioverwerking workloads met AWS-technologieën, ze in de cloud gebruiken en ze met de edge gebruiken.

Ze keken naar dingen zoals AWS IoT Greengrass, wat machine learning analyse doet met modellen ontwikkeld in de cloud. Wat ze (de universiteitsonderzoekers) opkwamen is eigenlijk de economie is acht keer beter deze workloads aan de edge te doen. Maar voor mij, nog belangrijker dan de economie is de latentie. Veel keer verplaats je dingen naar de edge omdat je het nu moet laten gebeuren, heel snel in het moment. Als ik de video naar de cloud breng en analytics doe en dan een beslissing terugbreng, kan het te laat, te traag zijn. Een persoon is gewond, een stuk apparatuur is kapot, of het gebouw is afgebrand. Dat is een voorbeeld van edge gebruiken.

Dan kom je ook in de kwesties van de wet van het land. We geloven in het ontwikkelen van de modellen, trainen van de modellen in de cloud. Een model ontwikkelen is computationeel duur en het doen op een klein stuk apparatuur aan de edge als, bijvoorbeeld, dat een dag duurde, kun je diezelfde model in de cloud opstarten en in een uur klaar hebben. Maar bij het analyseren van de data zelf, moet je nadenken over sommige van de privacy-kwesties waar je eerder over sprak. Hoe ga je veilig om met data met persoonlijk identificeerbare informatie of doe gezichtsherkenning? In de fabriek weet je wie de werknemer is.

Echter, met al die ruwe data, kunnen er gevoeligheidskwesties zijn. Er kunnen juridische, maatschappelijke of culturele kwesties zijn om die data uit de werkplek naar ergens anders te nemen. Dat is waar je in die kwesties van de wet van het land komt. Werken aan de edge, het voldoet netjes aan veel van die soorten behoeften.

Fragale: De explosie in data die snel geanalyseerd moet worden, 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 kan streamen in 4K of al deze videodata heen en weer kan streamen, het makkelijk zal zijn om afbeeldingsdata naar de cloud te streamen en dan verwerking daar te doen, waar je veel meer bronnen hebt. Maar ik denk wat vaak over het hoofd wordt gezien is dat als je een robot bent en je rondloopt, je nu moet springen tussen verschillende toegangspunten. We zien veel klanten die enthousiast zijn over cloud computing in die wegblokkering lopen, en het is iets waar ze maanden vastlopen, en dan schakelen ze over naar edge computing. Zelfs in een magazijn, als je probeert je robots te integreren in een magazijn, spring je van de ene toegangspunt naar de andere, en je verliest vaak verbinding.

Zie ook: Center for Edge Computing

Dan sta je voor het vertellen van je klant, "Hey, je moet upgraden naar betere routers omdat je nieuwe router niet 80211.AC compliant is." Dan vragen ze, "Wat betekenen die nummers?" Dan zeg je, "Okay, vergeet het. We zetten meer compute op de robot zodat we deze taken kunnen doen." Dat probleem wordt alleen erger als je naar buiten gaat. Met veiligheidskritische robots die buiten rondlopen, zoals Joe zei, kun je niet de afbeeldingen naar de cloud sturen en dan terug naar de robot om een beslissing te maken of te stoppen of niet voordat je de straat oversteekt. Het werkt gewoon niet voor veiligheidskritische applicaties. De latentie is te groot voor dat.

Speed: De cloud is heel belangrijk in al dit, maar niet noodzakelijk op de manier die 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 olierig in Alaska ben, ik zie een beer, in plaats van video van de beer te sturen, wat je doet is je stuurt informatie – Er is een beer. Wat is de specifieke gebeurtenis of inferentie die je vond? We zien veel van dat. Denk gewoon in termen van in plaats van data naar de cloud streamen, stream informatie, stream de output van de analytics.

Je moet deze systemen ook samenstellen om betrouwbaar te zijn. Dit is iets waar ik mee te maken had toen ik werkte aan een connected car en onderwerpen van cloud-geaugmenteerde analyse en automobilestieveiligheid. Je moet ervanuitgaan als iets dat meestal verbonden is, vaak verbonden, occasioneel verbonden. Hoe zet je deze systemen samen om te werken met eigenlijk de aanname dat je een onbetrouwbaar netwerk gaat hebben? Als je het goed kunt laten werken in die omgeving, ben je eigenlijk okay. Maar je moet altijd pristiene connectiviteit hebben met latenties binnen een bepaalde SLA, of je gaat in de echte wereld problemen tegenkomen.