Robotics இல் மட்டுசார் புரட்சி
Robotics இல் வளர்ந்து வரும் இயக்கம் ஒவ்வொரு ரோபோ பயன்பாட்டிற்கும் monolithic AI அமைப்புகளை கட்டியெழுப்பும் பாரம்பரிய பாணியை சவால் செய்கிறது. அதற்கு பதிலாக, ஆராய்ச்சியாளர்கள் மற்றும் நிறுவனங்கள் மட்டுசார் AI திறமை நூலகங்களை வளர்க்கிறார்கள் — தனித்த, மாற்றக்கூடிய திறமை தொகுதிகள் முழு அமைப்பையும் பூஜ்ய மறுபயிற்சியுடன் ரோபோக்களுக்கு புதிய திறமைகளை வழங்க முடியும்.
இந்த கருத்து, பெரும்பாலும் plug-and-play AI என்று அழைக்கப்படுகிறது, மென்பொருளை மட்டுசாரமாக்கிய அதே கொள்கைகளிலிருந்து கோட்பாட்டளவாக வரைந்துள்ளது: தரப்படுத்தப்பட்ட இடைமுகங்கள், மீண்டும் பயன்படுத்தக்கூடிய கூறுகள், மற்றும் கவலைகளின் பிரிப்பு. பொருட்களை எடுத்து வைக்க, கிடங்கு வழியாக செல்ல, மற்றும் பொருட்களை ஆய்வு செய்ய வேண்டிய ரோபோ, மூன்று தனித்த திறமை தொகுதிகளை பயன்படுத்த முடிய வேண்டும், ஒவ்வொன்றும் சுயாதீனமாக வளர்க்கப்பட்டு சோதிக்கப்பட்டு, மூன்று பணிகளையும் ஒருங்கே பயிற்சி செய்யப்பட்ட ஒற்றை அமைப்பை விட.
மட்டுசார் திறமைகள் எவ்வாறு செயல்படுகின்றன
தொழில்நுட்ப அளவில், மட்டுசார் AI திறமைகள் பொதுவாக பயிற்சி செய்யப்பட்ட neural network மாதிரிகளைக் கொண்டிருக்கின்றன, இடைமுக அடுக்குகளுடன் இனப்புணர்வு மற்றும் உற்பাদன ஆকாரத்தை கையாளுகின்றன. எடுத்துக்காட்டாக, ஒரு பிடிப்பு திறமை தொகுதி, தரப்படுத்தப்பட்ட உணர்வி தரவு — ஆழ் கேமராக்களிலிருந்து புள்ளி மேகங்கள், பிடிப்பு உணர்வுகளிலிருந்து விசை வாசनை — ஏற்றுக்கொண்டு, ரோபோவின் கட்டுப்பாட்டு அமைப்புடன் பொருந்தக்கூடிய ஆகாரத்தில் மோட்டார் கட்டளைகளை வெளியிட்டு விடும்.
முக்கிய புதுமை இடைமுக வடிவமைப்பில் உள்ளது. பொதுவான தரவு ஆகாரங்கள் மற்றும் தொடர்பாடல் நெறிமுறைகளை வரையறுப்பதன் மூலம், வளர்ச்சியாளர்கள் வெவ்வேறு ரோபோ வன்பொருள் தளங்களில் செயல்படக்கூடிய திறமைகளை உருவாக்க முடியும். ஒரு கையாளுதல் திறமை வெவ்வேறு kinematics உடன் வேறொரு ரோபோ கையுடன் மாற்றப்படலாம், இடைமுக அடுக்கு திறமையின் உற்பாதனத்திற்கும் குறிப்பிட்ட ரோபோவின் கூட்டு உள்ளமைவிற்கும் இடையிலான மொழிபெயர்ப்பைக் கையாள்ந்து விட்டால்.
இந்த பாணி ரோபோக்களை புதிய பயன்பாடுகளে பிரயோகிக்க தேவைப்படும் பொறியியல் முயற்சியைக் குறைக்கிறது. ஒவ்வொரு பயன்பாட்டிற்கும் ஒரு தனிப்பட்ட அமைப்பை பயிற்சி செய்வதற்கு பதிலாக, ஒருங்கிணைப்பாளர்கள் திறமை நூலகத்திலிருந்து திறமைகளை இணைத்து, குறிப்பிட்ட சூழல்களுக்கு அவற்றை சுத்தமாக்க முடியும்.
தொழிற்சாலை பயன்பாடுகள் வடிவம் எடுக்கின்றன
உற்பத்தி மட்டுசார் AI திறமைகள் ஆதாரத்தை பெறும் முதன்மை களங்களில் ஒன்றாகும். உற்பத்தி கோடுகள் பொருளின் வடிவமைப்புகள் வளர்வதால் அடிக்கடி உள்ளமைவுகளை மாற்றுகின்றன, மற்றும் விரைவாக புதிய திறமைகளைப் பெற முடிய ரோபோக்கள் நிச்சயமான நிரல்களில் பூட்டப்பட்டவர்களை விட மதிப்பற்றவை. ஒரு மட்டுசார் அமைப்பு ஒரு பொருளை சேகரிக்கிறதிலிருந்து மற்றொரு பொருளுக்கு சுத்தமாக நகர்வதன் மூலம், வெவ்வேறு திறமை தொகுதিகளை ஏற்ற, மறுபிரোகிராமிங்கிற்கான குறைந்தபட்ச நிறுத்தம் மூலம் வேலை செய்யக்கூடும்.
Logistics மற்றும் கிடங்கு சேமிப்பு மற்றொரு பெரிய வாய்ப்பைக் குறிக்கிறது. விநியோग மையங்களில் ரோபோக்கள் கையாள வேண்டிய பொருட்களின் பன்முகம் — சிறிய மின்னணுவியலிலிருந்து மிகப்பெரிய வீட்டு பொருட்கள் — monolithic அமைப்புகள் வழங்க போராடும் மாற்றக்கூடிய கையாளுதல் திறமைகளைக் தேவை செய்கிறது. வெவ்வேறு பிடிப்பு வகைகள், பொருள் அங்கீகாரம் வகைகள், மற்றும் வைப்பு உத்திகளுக்கான மட்டுசார் திறமைகள் ஒரு வசதியில் பொருட்களின் முழுமை வரம்பை உள்ளடக்க சேர்க்கப்படலாம்.
Healthcare robotics மட்டுசார் பாணிகளை ஆராய்ந்து வருகிறது, குறிப்பாக அறுவை சிகிச்சை உதவி மற்றும் மறுசீரமைப்பில். அறுவை சிகிச்சை ரோபோ பல மாதிரிகளைப் பயன்படுத்த முடிய வேண்டும் — திசு கையாளுதல், சுயசேவைகள், மற்றும் imaging பகுப்பாய்வு, ஒவ்வொரு மாதிரியும் ஆக்ஞாவுள்ள விசேஷங்களால் வளர்க்கப்பட்டு, சுயாதீனமாக சரிபார்க்கப்பட்டு.
திறமை கூட்டளவாக்கல் சவால்களாக
கருத்து கவர்ச்சிகரமாக இருந்தாலும், பல AI திறமை தொகுதিகளை ஒரு ஒத்திசைந்த ரோபோ நடத்தையாக இணைப்பது மென்பொருள் நூலகங்களை செருகுவது போல் சாதகம் இல்லை. திறமைகள் நிஜ நேரத்தில் ஒரு சமவয়தை பகிர்ந்து கொள்ள வேண்டும், ஒரே மரியாதி கட்டுப்பாட்டு முறை செய்ய விரும்பும் மாதிரிகள் ஏற்படுவதாக சமாதான வெளிப்பாட்டிலாக மொதல் மாற்றுவதை கையாள வேண்டும்.
ஆராய்ச்சியாளர்கள் திறமை மாற்றத்தை நிர்வகிக்கும் நிர்வாகக் கাঠமைவை வளர்க்கிறார்கள், பணிகளுக்கு இடையிலான மாற்றுகளைக் கையாளுதல், பிழை மீட்பு, மற்றும் கூட்ட வசதி. இந்த காঠமைவுகள் சாસ்திரீய robotics இலிருந்து படிநிலை திட்ட வடிவுமைப்பு முறைகள், நிபந்தனையற்ற பயிற்சிக்கூறுகள் கொண்டாண்டு எதிர்பாரா சூழ்நிலைகளுக்கு சரிசெய்ய கூடிய கற்றல்-அட்டவணை பாணிகளை இணைக்கிறது.
மற்றொரு சவால் திறமைகள் சேர்க்கும் போது பாதுகாப்பை உறுதி செய்கிறது. ஒவ்வொரு தொகுதியும் சுயாதீனமாக சரிபார்க்கப்பட்டிருக்கக் கூடும், ஆனால் அவற்றின் பரஸ்பர প্রভாவம் வளர்ச்சியில் கணிக்கப்பட்டிராத வெளிப்பாட்ட சந்தர்ப்பங்களை உருவாக்க முடிய வேண்டும். ஔபச்சாரிக சரிபார்প்பு முறைகள் மற்றும் பரவலான உருவவಿಷ್ಟ சோதனையின் கூட்ட சிக்கல்களை முயற்சி செய்ய பயன்படுத்தப்படுகிறது, இருந்தாலும் சிக்கல் ஆராய்ச்சியின் ஒரு சক்கர பகுதி உள்ளது.
திறமை மார்கெட்பிலேஸ்க்கு பாதை
பல நிறுவனங்கள் ரோபோ திறமைகளை வளர்க்க, பங்கிட, மற்றும் தரப்படுத்தப்பட்ட தொகுதிகளாக விற்க முடிய மாதிரியை நோக்கிச் செல்கிறது. இந்த பார்வை স்மார్ट్ఫోన్ కంప్యూటింగ్లో యాప్ స్టోర్ మోడల్ను అనుకరిస్తుంది, ఇక్కడ ప్ల్యాట్ఫారమ్ పునాదిని అందిస్తుంది మరియు మూడవ పక్ష డెవలపర్లు సామర్థ్యాలను సృష్టిస్తారు.
ఈ మోడల్ విజయానికి, ఆ తరగతి ప్రమాణ ఇంటర్ఫేస్లు మరియు బెంచ్మార్కింగ్ ప్రోటోకాల్లకు సమీప చేయవలసి ఉంది. Robot Operating System సమాజం మరియు వివిధ పరిశ్రమ సమాఖ్య లాటవుల ఈ ప్రమాణాల వైపు పనిచేస్తుంది, అయితే స్థాపన విభజితమైనదిగా ఉంది. విజయంతో ఉంటే, ఒక మార్కెట్ప్లేస్ అధునాతన robotic ను తక్కువ బెల్ట్ చేయవచ్చు, ప్రీ-నిర్మిత థ్రెడ్లను కొనుగోలు చేయడం ద్వారా సామర్థ్యవంతమైన రోబోలను నియోగించడానికి తక్కువ కంపెనీలను అనుమతిస్తుంది, ఈ విధంగా అనుకూల AI అభివృద్ధిలో పెట్టుబడితో బదులుగా.
ఈ కథ The Robot Report చే ఆధారం చేసి, అసలైన కథను చదవండి.
