اس وقت ایک مختلف قسم کی AI تیار کی جارہی ہے ، نام نہاد "مجسم AI۔" اس سے مراد وہ ایجنٹ ہیں جن کا جسم ہوتا ہے اور جسمانی تعامل کی تائید کرتے ہیں ، جیسے ذہین سروس روبوٹ ، سیلف ڈرائیونگ کاریں وغیرہ۔
مجسم AI روبوٹ ماحول کے ساتھ بات چیت کرسکتے ہیں ، منصوبہ بنا سکتے ہیں ، فیصلے کرسکتے ہیں ، کام کرسکتے ہیں اور انسانوں جیسے کام انجام دے سکتے ہیں۔ مثال کے طور پر ، روبوٹ یونٹ کو مطلوبہ سطح تکمیل کو حاصل کرنے کے لئے یونٹ میں رکھے ہوئے حصے کی اوپری سطح کو سینڈ کرنے کا کام سونپا جاتا ہے۔ مجسم AI یونٹ کی حالت کی نگرانی کے لئے سینسر استعمال کرنے کے قابل ہے اور روبوٹ کو کام انجام دینے کے لئے ہدایات تیار کرتا ہے۔
ڈیجیٹل اے آئی اور مجسم AI کچھ مماثلتوں کا اشتراک کرتے ہیں اور بہت سی بنیادی ٹیکنالوجیز کو استعمال کرتے ہیں۔ تاہم ، ان دو اقسام کے AI کے مابین اختلافات کو سمجھنا مخصوص AI ایپلی کیشنز پر ڈیجیٹل AI طریقوں کو کامیابی کے ساتھ لاگو کرنے کے لئے اہم ہے۔
مجسم AI ایپلی کیشنز کا رسک پروفائل اکثر بنیادی طور پر ڈیجیٹل AI ایپلی کیشنز سے مختلف ہوتا ہے۔ اگر ڈیجیٹل اے آئی ٹولز 99 فیصد درست ہیں تو ، یہ بہت ساری ایپلی کیشنز میں انسانی پیداوری کو ڈرامائی طور پر بہتر بنا سکتا ہے۔
اس کے برعکس ، صنعتی ایپلی کیشنز کے خطرات کی وجہ سے ، مخصوص AI نظاموں کی درستگی کی ضروریات اکثر وسیع پیمانے پر مختلف ہوتی ہیں۔
اہم خطرات دو پہلوؤں سے آتے ہیں: غلطی کا امکان اور غلطی کے نتائج۔ جب غلطی کرنے کے نتائج سنگین نہیں ہوتے ہیں تو ، غلطی کے زیادہ امکان کو برداشت کیا جاسکتا ہے۔ یہی وجہ ہے کہ بہت سے ڈیجیٹل اے آئی ایپلی کیشنز میں 1 ٪ غلطی کا امکان قابل قبول ہے۔
اس کے برعکس ، بہت سے مجسم AI ایپلی کیشنز میں غلطی کے امکانات کے لئے ایک ملین میں سے ایک سے بہتر ہونے کی ضرورت ہوتی ہے۔ غلطیوں کے امکان کو کم کرنے کے لئے مکمل طور پر ڈیٹا سے چلنے والے نقطہ نظر کے استعمال کے لئے بہت سارے ڈیٹا کی ضرورت ہوتی ہے۔ زیادہ تر معاملات میں ، اعداد و شمار کی طلب تیزی سے بڑھ رہی ہے۔ بدقسمتی سے ، جسمانی نظام سے ڈیٹا حاصل کرنے کی لاگت زیادہ ہے۔ لہذا ، مجسم AI ایپلی کیشنز سے نمٹنے کے دوران ایک مختلف نقطہ نظر پر عمل کرنے کی ضرورت ہے۔
مذکورہ بالا ضروریات کو پورا کرنے کے لئے ، مینوفیکچرنگ ایپلی کیشنز کے لئے مجسم AI میں درج ذیل خصوصیات ہونی چاہئیں:
محدود اعداد و شمار کے ساتھ تربیت: مجسم AI کو پہلے طبیعیات کے تجربات سے تیار کردہ محدود ڈیٹا کی تربیت دی جاسکتی ہے۔
پہلے سے تربیت یافتہ ماڈیولر اجزاء سے جمع کیا جاسکتا ہے: جسمانی نظاموں میں ان کی مطلوبہ ضروریات کی تائید کے لئے متعدد تشکیلات ہوسکتی ہیں۔ مثال کے طور پر ، عمل (جیسے سینڈنگ یا سینڈ بلاسٹنگ) پر انحصار کرتے ہوئے ، مینوفیکچرنگ روبوٹ یونٹ بہت سی مختلف ترتیبوں میں ہوسکتا ہے۔ مختلف اکائیوں میں مختلف افعال (جیسے موبائل پلیٹ فارم بڑھتے ہوئے روبوٹ یا گینٹری بڑھتے ہوئے روبوٹ) ، سینسر کی اقسام (جیسے گہرائی والے کیمرے یا تھرمل امیجرز) ، اور ٹولز (جیسے مداری سینڈرز یا سینڈ بلاسٹنگ نوزلز) کے ساتھ روبوٹ شامل ہوسکتے ہیں۔
اس کے نتیجے میں ، ترقی پذیر یونیورسل مجسم AI جو تمام مینوفیکچرنگ ایپلی کیشنز کے لئے باکس سے باہر کام کرتا ہے وہ بہت اچھی کارکردگی کا مظاہرہ نہیں کرسکتا ہے۔ مخصوص نظام اور کام کے ماحول کی سینسنگ اور ڈرائیونگ کی صلاحیتوں سے ملنے کے لئے سسٹم کے اے آئی کو ماڈیولر اجزاء سے جلدی سے ترکیب کرنے کی ضرورت ہے۔
نئے اعداد و شمار یا سیاق و سباق کے مطابق ڈھال لیا جاسکتا ہے: جیسے جیسے سسٹم کی تعیناتی کے دوران نیا ڈیٹا دستیاب ہوتا ہے ، اس ڈیٹا کو AI کی کارکردگی کو بہتر بنانے کے ل use استعمال کرنا ممکن ہونا چاہئے۔ اے آئی کو کم سے کم انسانی نگرانی کے ساتھ نئے ماحول یا کاموں میں خودمختاری سے اپنانے کے قابل ہونا چاہئے۔
اپ گریڈ کرنا آسان: وقت گزرنے کے ساتھ ، جسمانی نظام کی کارکردگی پہننے اور پھاڑنے یا جسمانی اجزاء میں تازہ کاری کی وجہ سے تبدیل ہوسکتی ہے۔ اس کے لئے یہ یقینی بنانے کے لئے AI میں بہتری کی ضرورت ہوسکتی ہے کہ یہ نظام کے ارتقا کو برقرار رکھ سکے۔ لہذا ، ایک مجسم AI سسٹم کو ڈیزائن کرنے کی ضرورت ہے تاکہ یہ یقینی بنایا جاسکے کہ اس کو نظام کے عمل میں کم سے کم رکاوٹ کے ساتھ اپ گریڈ کیا جاسکتا ہے۔
ایکشن کے لئے رسک پر مبنی سفارشات: سسٹم کو مجوزہ کارروائی پر اپنے اعتماد کا اندازہ لگانے کے قابل ہونا چاہئے۔ جب اعتماد کم ہوتا ہے تو ، نظام کو خطرے کا تجزیہ کرنا چاہئے اور ناکامی کے نتائج کا تجزیہ کرنا چاہئے۔ اگر خطرہ بہت زیادہ ہے تو ، نظام کو انسانی ماہرین سے مدد لینا چاہئے۔
تشریح: اگر یہ نظام کسی ایسی کارروائی کا مشورہ دیتا ہے جو صارف کی توقعات پر پورا نہیں اترتا ہے تو ، نظام کو عمل کو منتخب کرنے کے لئے استعمال ہونے والی وجوہات کی وضاحت کرنے کے قابل ہونا چاہئے۔
تقسیم شدہ فن تعمیر جو ایج اور کلاؤڈ کے مابین کمپیوٹنگ کی تقسیم کی حمایت کرتا ہے: مجسم AI ایپلی کیشن منظرناموں میں ، بادل میں AI کمپیوٹنگ کو انجام دینا ممکن نہیں ہے۔ سسٹم کے ڈیزائن کو یہ یقینی بنانا چاہئے کہ نیٹ ورک لیٹینسی حساس حساب کتاب کو کنارے پر انجام دیا جاسکتا ہے۔
ڈیجیٹل اے آئی کے میدان میں ، ہم ایل ایل ایم جیسے بڑے آخر سے آخر تک سیکھنے کے ماڈلز کے ساتھ بڑی کامیابی دیکھ رہے ہیں۔ یہ ماڈل بڑی مقدار میں ڈیٹا پر ترقی کرتے ہیں۔ تاہم ، ان میں مذکورہ بالا مجسم AI کی بہت سی خصوصیات نہیں ہیں۔
مجسم AI کو ایک پیچیدہ نظام کے طور پر دیکھا جانا چاہئے جس میں متعدد AI اجزاء کے مابین تعامل شامل ہے۔ مجسم AI میں صحیح نظام کا فن تعمیر ہونا کامیاب مینوفیکچرنگ ایپلی کیشنز کی کلیدوں میں سے ایک ہے۔ اس سے آپ کو AI میں تازہ ترین پیشرفتوں سے فائدہ اٹھانے اور مینوفیکچرنگ ایپلی کیشنز کی تقاضا کی ضروریات کو پورا کرنے کے قابل بناتا ہے۔ لہذا ، مینوفیکچرنگ ایپلی کیشنز کے لئے مجسم AI کو ڈیزائن کرنے کے لئے جدید سسٹم انجینئرنگ کے طریقوں کی ضرورت ہے۔