O objetivo de uma empresa verdadeiramente automatizada é uma IA de uso geral que possa ser implantada em toda a sua frota robótica, da mesma forma que um único sistema operacional pode ser executado em computadores diferentes.
Um robô com rodas navegando no chão de um armazém, um quadrúpede patrulhando o perímetro de um campus e um drone inspecionando o estoque operam em pilhas de software program totalmente diferentes. Cada nova peça de {hardware} exige seus próprios algoritmos especializados para navegação, percepção e execução de tarefas. Essa abordagem balcanizada leva a altas despesas de desenvolvimento, integração complexa e treinamento de modelo ineficiente, aumentando o custo complete de propriedade e dificultando a escalabilidade.
Galbotem colaboração com equipes de pesquisa universitárias, anunciou um sistema chamado NavFoM (Navigation Basis Mannequin) que afirma resolver o problema da fragmentação. A empresa o descreve como o “primeiro modelo de IA básico de incorporação cruzada e navegação entre tarefas” que pode ser usado para toda a frota robótica de uma empresa.
O design do sistema deixa de ser o aprendizado de tarefas únicas de navegação e, em vez disso, visa ensinar a um único modelo de IA o conceito geral de como se mover. Na prática, isso significa que o mesmo modelo central pode ser implantado em “humanóides quadrúpedes com rodas, humanóides com pernas, drones e até veículos”. Este modelo pode interpretar comandos de linguagem pure para realizar uma série de atividades, desde “Siga aquela pessoa” no chão de uma fábrica até “Encontre o carro vermelho na porta” em um estacionamento.
O principal valor do negócio reside na eficiência da implantação. O modelo foi projetado para operar em “cenas inéditas, sem a necessidade de pré-mapeamento ou dados de treinamento adicionais”. Para os gerentes de operações, esse recurso de disparo zero poderia eliminar o processo caro e demorado de escanear uma instalação a laser ou criar um gêmeo digital detalhado antes que um robô possa ser implantado. Contudo, o verdadeiro teste deste valor ocorrerá em programas piloto. Os líderes de operações devem validar esta afirmação num ambiente dinâmico, como uma doca de recepção movimentada, em vez de um corredor estático.
A abordagem unificada também permite a aprendizagem cruzada de IA, onde os comportamentos aprendidos por um tipo de robô podem informar outro na frota robótica mais ampla. Galbot sugere que o conhecimento de “previsão de estradas” de um sistema de direção autônomo poderia informar o planejamento de trajetória para um robô com rodas em um corredor movimentado de um armazém.
Adotar um modelo basic para navegação não é uma simples troca de {hardware}. Os líderes empresariais de TI e operações devem considerar as demandas técnicas subjacentes.
A inteligência do sistema é construída sobre um enorme conjunto de dados, supostamente contendo oito milhões de pontos de dados de navegação e quatro milhões de amostras de respostas a perguntas. Para os diretores de dados, isto destaca que a vantagem competitiva nas operações físicas virá cada vez mais dos dados. Embora o Galbot forneça a base, a capacidade da empresa de ajustá-lo com seus próprios dados visuais e espaciais proprietários determinará seu desempenho closing e criará um fosso competitivo.
A carga computacional também é um fator chave. NavFoM é um modelo de sete bilhões de parâmetros. Embora Galbot afirme que sua “estratégia BATS” (amostragem de tokens com reconhecimento de orçamento) permite respostas em tempo actual imitando a atenção humana, isso ainda requer {hardware} de computação potente no próprio robô.
Para melhorar o desempenho do treinamento, a empresa desenvolveu um mecanismo de “cache de recursos visuais”. Esta abordagem supostamente acelera o treinamento em 2,9 vezes e reduz o custo médio de memória da GPU em 1,8 vezes, tornando o treinamento em larga escala mais viável.
Esta tecnologia muda a conversa sobre compras para os líderes empresariais. Para os CIOs e CTOs, em vez de adquirir um “robô de segurança” como um dispositivo de caixa preta, o foco deve estar no modelo de IA subjacente que poderia alimentar toda a frota robótica.
Ao avaliar fornecedores em potencial, a questão principal é se sua plataforma é uma solução de uso único ou uma base de uso geral que pode ser dimensionada em diferentes hardwares. O custo complete de propriedade a longo prazo para um modelo unificado deveria, em teoria, ser menor do que o gerenciamento de uma dúzia de sistemas diferentes.
A Galbot já está construindo esse conceito de plataforma com aplicativos especializados como TrackVLA++ para acompanhamento de longo alcance e UrbanVLA, que se integra a software program de mapeamento de terceiros para planejamento de rotas. Esta abordagem sugere deixar de ver os robôs como “funções localizadas” e tratá-los como parte de uma “infraestrutura inteligente”.
Os líderes que prepararem as suas estratégias de dados e políticas de aquisição para esta mudança estarão melhor posicionados para dimensionar eficazmente os seus esforços de IA e frotas robóticas.
Veja também: Zscaler: Protegendo IoT, OT e sistemas móveis corporativos
Quer aprender mais sobre IoT com os líderes do setor? Confira Exposição de tecnologia IoT acontecendo em Amsterdã, Califórnia e Londres. O evento abrangente faz parte TechEx e está co-localizado com outros eventos de tecnologia líderes, incluindo o Expo Segurança Cibernética. Clique aqui para mais informações.
IoT Information é alimentado por Mídia TechForge. Discover outros eventos e webinars de tecnologia empresarial futuros aqui.