Nicolas Sauvage szerint a robotoknál a megbízhatóság számít, nem a kézügyesség

A robotok fejlődésében a megbízhatóság, vagyis a rendszer stabilitása jelenti a fő kihívást a fizikai AI számára. Nem elegendő, ha egy robot egyszer sikeresen felvesz, áthelyez és letesz egy tárgyat; a valódi megbízhatóságot az mutatja meg, ha ezt hibátlanul tudja ismételni, emberi beavatkozás nélkül, még akkor is, ha a körülmények változnak — írja a The Robot Report.

Nicolas Sauvage, a TDK Ventures alapítója és elnöke szerint a robotok munkavégzésének sikeressége nem az egyes akciók pontosságán múlik, hanem a teljes munkafolyamat megbízhatóságán. Egy 100 lépésből álló feladatnál, ha minden egyes lépés sikerességi aránya 99%, akkor a teljes folyamat elsőre csak 36,6%-ban valósul meg. Ha ez az arány 99,9%-ra nő, a sikerességi valószínűség 90,5%-ra emelkedik, 99,99%-nál pedig már 99%-ot ér el. Ez a számítás ugyan leegyszerűsített, de jól illusztrálja, hogy a kis, 1%-os különbségek is drámaian befolyásolják a végeredményt.

A rendszer, nem csak a kéz számít

A robotikai dexteritást gyakran hardverversenyként fogják fel: több ujj, több ízület és nagyobb mozgásszabadság. Azonban a vásárlók nem a mozgásszabadságot veszik meg, hanem a hasznos munkát. Ennek elvégzéséhez zárt rendszerre van szükség, amely magában foglalja a látást, a pozíciót, az érintést, az erőt, az illeszkedést, a mozgást és az igazítást.

A visszajelzések, mint például egy tárgy elcsúszása vagy a túl nagy nyomás, segítenek a robotnak a korrekcióban. A cél nem minden érzékszerv felhalmozása, hanem az, hogy a rendszer elegendő és megfelelő információval rendelkezzen a megbízható működéshez és a hibaelhárításhoz.

A tanulás és a gyakorlat hozza a „kilenceseket”

A hibaelhárítás, vagyis a helyes korrekció képessége kulcsfontosságú. Ha egy robot elkezdi elveszíteni a fogását egy tárgyon, nem az eredeti fogás tökéletessége a lényeg, hanem az, hogy a rendszer képes-e észlelni a csúszást és időben korrigálni, mielőtt egy apró hiba az egész feladatot meghiúsítaná.

A valós környezetben szerzett tapasztalatok — legyen szó szoftveres, szenzoros vagy hardveres problémáról — adatokat szolgáltatnak a fejlesztéshez. Minden ciklus után a következő bevetés megbízhatóbb és költséghatékonyabb lehet. A további „kilencesek”, vagyis a magasabb megbízhatósági szintek ismételt telepítésből, tanulásból és fejlesztésből fakadnak.

A TDK Ventures befektetései, mint az Agility, az ANYbotics és a Starship Technologies, megváltoztatták Sauvage befektetői szemléletét. Kevésbé érdekli, melyik robot néz ki a legemberibbnek, sokkal inkább az, hogy melyik teljes rendszer képes elérni az ügyfél által igényelt megbízhatósági szintet. A cél nem a maximális dexteritás, hanem a szükséges minimális dexteritás elérése a megbízható munkavégzéshez.

A robotok fejlődését nem az egyes akciók bemutatóján, hanem a teljes munkafolyamatok emberi segítség nélküli befejezésének százalékában kell mérni. Azt kell vizsgálni, hogyan teljesít a robot változó körülmények között, mi törik el először ismételt használat során, milyen gyorsan diagnosztizálható és javítható, valamint mennyi az egyes sikeresen befejezett feladatok sebessége, rendelkezésre állása és költsége. Ezek a mutatók pontosabb képet adnak a dexteritásról, mint egy egyszeri bemutató — zárja a TDK Ventures alapítója.