Od oblaka do fabrike – humanoidni roboti dolaze na radna mesta

Partnerstvo objavljeno ove nedelje između Microsofta i Hexagon Roboticsa označava prekretnicu u komercijalizaciji humanoidnih robota sa AI pogonom za industrijska okruženja. Dve kompanije će kombinovati Microsoftovu infrastrukturu oblaka i AI sa Hexagonovom ekspertizom u robotici, senzorima i prostornoj inteligenciji kako bi unapredile primenu fizičkih AI sistema u stvarnim okruženjima.

U centru saradnje je AEON, Hexagonov industrijski humanoidni robot, uređaj dizajniran da autonomno radi u okruženjima kao što su fabrike, logistički centri, inženjerska postrojenja i mesta za inspekciju.

Partnerstvo će se fokusirati na multimodalnu AI obuku, učenje imitacijom, upravljanje podacima u realnom vremenu i integraciju sa postojećim industrijskim sistemima. Početni ciljni sektori uključuju automobilsku industriju, vazduhoplovstvo, proizvodnju i logistiku, kažu kompanije. Upravo u ovim industrijama nedostatak radne snage i operativna složenost već ograničavaju finansijski rast.

Ova objava je znak sazrevanja ekosistema: konvergencija platformi oblaka, fizičke AI i inženjeringa robotike, čineći humanoidnu automatizaciju komercijalno održivom.

Humanoidni roboti izlaze iz istraživačkih laboratorija

Dok su humanoidni roboti bili predmet rada u istraživačkim institucijama, ponosno demonstrirani na tehnološkim događajima, poslednjih pet godina je zabeležen prelazak na praktičnu primenu u stvarnim, radnim okruženjima. Glavna promena je kombinacija poboljšane percepcije, napretka u učenju potkrepljenjem i imitacijom, i dostupnosti skalabilne infrastrukture oblaka.

Jedan od najvidljivijih primera je Agility Robotics’ Digit, dvonožni humanoidni robot dizajniran za logističke i skladišne operacije. Digit je pilotiran u živim okruženjima od strane kompanija poput Amazona, gde obavlja zadatke rukovanja materijalom, uključujući premeštanje kontejnera i logistiku poslednjeg metra. Takve primene se obično fokusiraju na dopunjavanje ljudskih radnika, a ne na njihovu zamenu, pri čemu Digit obavlja fizički zahtevnije zadatke.

Slično tome, Teslin program Optimus je izašao iz faze u kojoj su postojali samo konceptualni video snimci i sada je u fazi fabričkih ispitivanja. Roboti Optimus se testiraju na strukturiranim zadacima kao što su rukovanje delovima i transport opreme unutar Teslinih pogona za proizvodnju automobila. Iako su još uvek ograničeni u obimu, ovi piloti pokazuju obrazac humanoidnih mašina odabranih umesto manje antropomorfnih oblika kako bi mogle da rade u prostorima dizajniranim i naseljenim ljudima.

Inspekcija, održavanje i opasna okruženja

Industrijska inspekcija se pojavljuje kao jedna od najranijih komercijalno održivih primena humanoidnih i kvazi-humanoidnih robota. Boston Dynamics’ Atlas, iako još uvek nije komercijalni proizvod opšte namene, korišćen je u živim industrijskim ispitivanjima za inspekciju i okruženja za reagovanje na katastrofe. Može da se kreće po neravnom terenu, penje se stepenicama i manipuliše alatima na mestima koja se smatraju nesigurnim za ljude.

Toyota Research Institute je primenio humanoidne robotske platforme za daljinsku inspekciju i manipulaciju u sličnim okruženjima. Toyotini sistemi se oslanjaju na multimodalnu percepciju i kontrolu čoveka u petlji, pri čemu ovo drugo pojačava industrijski trend: rane primene prioritet daju pouzdanosti i sledljivosti, pa im je potreban ljudski nadzor.

Hexagonov AEON se blisko usklađuje sa ovim trendom. Njegov naglasak na fuziji senzora i prostornoj inteligenciji relevantan je za zadatke inspekcije i osiguranja kvaliteta, gde je precizno razumevanje fizičkih okruženja vrednije od konverzacijskih sposobnosti koje se najčešće povezuju sa svakodnevnom upotrebom AI.

Platforme oblaka centralne za strategiju robotike

Definišuća karakteristika partnerstva Microsoft-Hexagon je upotreba infrastrukture oblaka u skaliranju humanoidnih robota. Obuka, ažuriranje i praćenje fizičkih AI sistema generiše velike količine podataka, uključujući video, povratne informacije o sili sa senzora na uređaju, prostorno mapiranje (kao što je ono dobijeno od LIDAR-a) i operativnu telemetriju. Upravljanje ovim podacima lokalno je istorijski bilo usko grlo, zbog ograničenja skladištenja i obrade.

Korišćenjem platformi kao što su Azure i Azure IoT Operations, plus usluge inteligencije u realnom vremenu u oblaku, humanoidni roboti se mogu obučavati na nivou flote, a ne kao izolovani uređaji. To dovodi do višestrukih mogućnosti u zajedničkom učenju, poboljšanju iteracijom i većoj doslednosti. Za kupce na nivou odbora, ove promene IT arhitekture znače da humanoidni roboti postaju održivi entiteti koji se – u smislu IT zahteva – mogu tretirati više kao poslovni softver nego kao mašinerija.

Nedostatak radne snage podstiče usvajanje

Demografski trendovi u proizvodnji, logistici i industrijama sa intenzivnom imovinom su sve nepovoljniji. Starenje radne snage, opadanje interesovanja za manuelne poslove i stalni nedostatak veština stvaraju praznine u veštinama koje konvencionalna automatizacija ne može u potpunosti da reši – barem ne bez ponovne izgradnje celih objekata kako bi bili pogodniji za robotsku radnu snagu. Fiksni robotski sistemi su izvrsni u ponavljajućim, predvidivim zadacima, ali se bore u dinamičnim, ljudskim okruženjima.

Humanoidni roboti zauzimaju srednji put. Nisu dizajnirani da zamene radne tokove, mogu stabilizovati operacije tamo gde je dostupnost ljudi neizvesna. Studije slučaja pokazuju ranu vrednost u noćnim smenama, periodima vršne potražnje i zadacima koji se smatraju previše opasnim za ljude.

Šta bi odbori trebalo da procene pre investiranja

Za donosioce odluka koji razmatraju ulaganje u robote sledeće generacije na radnom mestu, nekoliko pitanja koja treba uzeti u obzir proizašlo je iz postojećih, stvarnih primena:

Specifičnost zadatka je važnija od opšte inteligencije, pri čemu se uspešniji piloti fokusiraju na dobro definisane aktivnosti. Upravljanje podacima i bezbednost i dalje moraju biti u prvom planu kada se roboti puštaju u rad, posebno kada je potrebno povezati ih sa platformama oblaka.

Na ljudskom nivou, integracija radne snage može biti izazovnija od nabavke, instaliranja i pokretanja same tehnologije. Ipak, ljudski nadzor ostaje ključan u ovoj fazi zrelosti AI, radi bezbednosti i regulatornog prihvatanja.

Izvor: AI News