기업과 근로자가 로봇 공학에 AI를 사용하는 것을 두려워해서는 안 되는 이유

로봇에서 인공 지능이 수행할 역할은 주로 사용 사례와 개인 정보 및 컴퓨팅 문제의 해결에 따라 결정됩니다.

로봇은 많은 작업을 자동화함으로써 기업이 비즈니스를 수행하는 방식을 바꿀 수 있는 잠재력을 가지고 있습니다. 인공 지능(AI) 기술과 결합하면 로봇이 자율적으로 될 수 있습니다. 그러나 이러한 기술의 조합은 많은 문제를 야기합니다. AI 지원 로봇이 일자리를 없애거나 근로자를 도와 생산성을 높일 수 있을까요? AI가 로봇에게 머신 비전과 같은 기능을 제공함에 따라 개인 정보 보호 문제도 있습니다. 그리고 사용할 수 있는 많은 양의 데이터를 처리하는 방법에 대한 문제가 있습니다. 그 데이터를 어디에서 처리합니까? 클라우드에서? 가장자리에?

이러한 문제, 사용 사례 및 에지의 역할을 더 잘 이해하기 위해 첨단 컴퓨팅 솔루션 제공업체인 에이디링크의 IoT 솔루션 및 기술 CTO인 Joe Speed와 함께 했습니다.
산업 전반에 걸쳐 연결된 산업용 IoT 시스템으로의 전환을 지원합니다. 또한 로봇 운영 체제인 ROS를 사용하여 견고한 산업용 로봇을 개발하는 Rover Robotics의 설립자인 Nick Fragale도 토론에 참여했습니다.

AI 사용에 대한 우려가 있습니까?

RTI통계: 기업들은 서로 다른 두려움 때문에 AI를 사용하기를 꺼리는 것 같습니다. AI 채택과 관련하여 잠재 사용자로부터 어떤 유형의 우려를 듣습니까?

속도: AI에 관해 내가 듣는 대부분의 우려는 일부 개인 정보 보호 측면과 관련이 있습니다. 안면 인식에 대해 이야기할 때 사람들이 우려를 표명하고 AI와 같은 일부 측면이 대규모 감시와 같은 주제에 적용되는 것을 들었습니다. 사람들은 약간 긴장합니다. 나는 우리가 집중하는 경향이 있는 종류의 공간에서 AI에 대해 그렇게 많은 두려움이나 우려를 볼 필요는 없습니다. 우리 기술의 대부분은 일반적으로 장비, 프로세스, 작업 셀, 시설과 같은 어떤 것 내부, 위 또는 근처에 있습니다. 일반적으로 AI가 사용되는 곳입니다.

이러한 경우 AI의 적용은 기존 프로세스를 취하고 안정적으로 작동하는지 확인하는 것입니다. 기계 건강 및 기타 사항에 도움이 됩니다. 이를 통해 회사는 작업 셀을 가져와 더 효율적으로 작업할 수 있습니다. 그리고 기업은 기존의 레거시 시스템, 기존 기계 또는 기존 프로세스와 도구를 사용하여 더 안전하게 만들 수 있습니다.

이러한 많은 애플리케이션에서 안면 인식 및 대량 감시와 관련된 개인 정보 보호 문제가 실제로 발생하지 않습니다. 이 시스템은 공개적으로 사람들을 감시하는 시스템과 비교하여 회사 내에서 사용됩니다. 회사 환경에서 AI를 사용하면 프로세스나 운영을 개선하여 작업자가 작업을 더 잘 수행할 수 있도록 하는 데 중점을 둡니다. 이러한 것들 중 일부에서 볼 수 있는 것은 AI, 특히 컴퓨터 비전에 적용된 머신 러닝이 매우 뜨겁다는 것입니다. 또 다른 매우 인기 있는 용도는 센서 융합입니다. 이러한 사용 사례에서 문제는 기존 레거시 장비의 다른 종류의 센서 데이터 또는 원격 측정과 비전을 결합한 다음 진행 상황을 더 잘 이해하기 위해 함께 결합하는 방법입니다.

프래갈: 우리의 관점에서 볼 때 고객은 연구 및 학술 분야에서 왔기 때문에 AI 사용에 매우 개방적입니다. 고객의 평균 연령은 대략 30대 정도일 것입니다. 이제 우리가 신제품인 Rover AMR 100으로 물류 시장에 진출하게 되니 달라집니다. 하지만 지금까지 AI 구현에 대한 저항은 본 적이 없습니다.

로봇 공학에서 AI는 어떻게 사용되나요?

RTI통계: 훌륭한 세그입니다. 분명히 AI의 관심 분야 중 하나는 로봇입니다. AI는 로봇에서 어떻게 사용되고 있나요?

속도: 가장 큰 영역 중 하나는 인식입니다. 카메라를 생각하면 그 이상입니다. 로봇 인식을 제공하는 데 사용할 수 있는 다양한 기술이 있습니다. 분명한 것은 카메라이지만 카메라 내에서도 단일 카메라입니까, 스테레오 카메라입니까, 3D 깊이 감지 카메라입니까, 가시 스펙트럼 또는 적외선입니까? 그런 다음 거의 시각적으로 생각할 수 있는 지각을 제공하는 다른 기술도 있지만 약간 다릅니다. 그것은 LIDAR와 같은 것입니다. (Light Detection and Ranging은 펄스 레이저 광을 사용하여 거리를 측정하는 원격 감지 방법입니다.) LIDAR는 기본적으로 레이더로 생각하면 됩니다. 제가 가족들에게 설명하는 방식은 레이더가 무엇인지 아십니까? 확신하는. 음, 같은 것이지만 전파 대신 레이저입니다.

당신은 주위를 돌고있는 레이저를 가지고 있습니다. 그것은 물건을 튕겨냅니다. 자율주행차에 사용하면 실제로 자동차가 보이지 않습니다. 그러나 당신이 보는 것은 자동차 모양의 점 구름이며 도플러 효과 때문에 다른 것을 제공하기도 합니다. 그 포인트 클라우드가 움직이고 있는지 알 수 있습니다. 나를 향해 움직이고 있습니까 아니면 멀어지고 있습니까?

참조: 엣지 컴퓨팅이 IoT의 잠재력을 최대한 발휘하는 데 도움이 되는 이유

그런 다음 초음파와 레이더 및 오늘날 반드시 생각하지 않을 수 있는 기타 사항도 있습니다. 자율 운영을 시작하면 이러한 범위 지정 기술이 역할을 합니다. Rover의 경우처럼 40파운드의 로봇이 있고 자율적으로 작동합니다. 그러나 40파운드의 로봇에서 400파운드, 4,000파운드로 이동하면 이제 위험해지기 시작하는 [장비] 클래스에 있게 됩니다. 중장비를 안전하게 작동하는 것과 같은 일을 어떻게 하고 사람을 다치게 하거나 재산 피해를 입히지 않고 보다 자율적이거나 자동화된 방식으로 이를 수행합니까? 이러한 다른 기술 중 일부를 사용할 수 있습니다.

예를 들어, 카메라 범위가 반드시 필요하지 않을 수 있는 매우 가까운 종류의 사물에 초음파를 사용할 수 있습니다. 로봇 분야에서 AI가 적용되는 두 곳이 있습니다. 그리고 나서 그것들(AI와 로봇 공학)은 결국 함께 혼합됩니다. 즉, 자율 작업, 특히 모바일 로봇과 움직이는 사물이 있을 때입니다.

LIDAR, 레이더 및 초음파는 탐색에 도움이 될 수 있습니다. 그들은 다음과 같은 질문에 답하는 데 사용할 수 있습니다. 로봇 또는 자율 시스템은 위치를 어떻게 알고, 어디로 가고 있는지, 사물이나 사람과 부딪히지 않고 어떻게 수행합니까? 그런 다음 실제로 환경과 상호 작용하는 로봇도 있습니다. 이에 대한 전형적인 예는 팔과 같은 산업용 로봇을 생각할 때입니다. 팔은 주변을 어떻게 인식합니까? 이에 대한 예는 로봇 공학 부품 피킹으로, 팔이 상자에서 부품을 선택한 다음 조립 중인 물건이나 다른 상자에 넣습니다. 이것은 매우 인기있는 응용 프로그램입니다. 그러면 분명히 AI와 로봇을 결합할 수 있습니다. 환경과 상호 작용할 수 있는 그리퍼가 있는 액추에이터가 있는 모바일 로봇도 있습니다.

이것이 바로 AI 머신 러닝의 전체 분야입니다. 여기에서 이것이 적용되는 것을 볼 수 있습니다.

프래갈: Rover Robotics에 대한 우리의 관점은 Joe의 관점과 매우 유사합니다. 하지만 대체로 AI를 사용하는 사람들이 가장 많이 보는 것은 카메라, 카메라 데이터 분석, 특히 검사 수행입니다. 무언가를 계속 모니터링하려는 모든 회사는 이 기술을 사용할 수 있습니다. 애플리케이션은 파이프에 녹이 슬는지 모니터링하려는 석유 회사가 될 수 있습니다. 이제 모바일 로봇으로 연중무휴 24시간 이를 수행할 수 있습니다. 또는 재고를 확보하기 위해 RFID 태그를 검사해야 하는 창고 시설이 있을 수 있습니다. 시설에서 검사하고 싶은 모든 것을 이제 로봇과 카메라로 할 수 있습니다.

AI와 로봇 공학을 사용하는 산업은 무엇입니까?

RTI통계: 제조, 물류, 노인 간호 또는 고객 서비스와 같은 특정 산업에서 이미 AI 및 로봇이 사용되고 있습니까?

프래갈: 예. 가장 큰 산업은 물류, 제조 및 건설이라고 말하고 싶습니다. 로봇이 이미 AI를 사용하여 일을 하고 있는 곳입니다. 건설의 경우 비효율로 인해 매년 손실되는 비용을 회수하려는 기업이 많습니다. 예를 들어, 콘크리트를 타설하기 전에 모든 올바른 배관과 스프링클러 및 모든 안전 장비를 설치했는지 확인하는 것은 모든 건설 프로젝트에서 매우 중요합니다. 그러나 많은 하청업체가 관련되어 있기 때문에 종종 문제가 발생할 수 있습니다. 로봇이 건설 현장을 돌아다니며 이와 같은 것, 즉 전체 건설 프로젝트에서 중요한 것을 찾는 경우 일반적으로 손실되는 많은 비용을 회수할 수 있습니다.

속도: 네, 확실히, 검사는 큰 것입니다. 우리는 검사, 특히 육안 검사와 관련하여 많은 비즈니스를 수행합니다. 현장에서 우리의 비전 시스템에 연결된 400,000대의 카메라가 이 작업과 다른 종류의 사용 사례를 수행하고 있습니다. 조립 라인, 작업대 또는 컨베이어에서 사물을 검사하는 고정 카메라 대신 AI 기반 육안 검사와 자율 로봇 공학이라는 두 가지 주제를 사용하는 것이 정말 흥미로웠습니다. 그리고 그것들을 결합하십시오. 로봇을 생각해보세요. 물리적인 물건을 카메라로 가져가는 대신 검사가 필요한 곳으로 카메라를 이동합니다. 사이트를 로밍하여 검사를 수행하는 모바일 로봇이 있는 건설 예가 있습니다. 에어 덕트가 있어야합니다. 제자리에 있습니까? 우리는 일정보다 앞서 있습니까, 아니면 일정보다 늦습니까?

또 다른 예는 AI와 로봇을 사용하여 재고를 확인하는 소매업체입니다. 그런 다음 소매업체는 로봇이 물리적으로 관찰하는 것을 매장 관리 및 창고 물류와 비교할 수 있습니다.
시스템은 재고가 있다고 말합니다. 그것이 제가 매우 흥분하는 영역이며 우리는 모두 개방형 로봇에 참여하고 있습니다.

요즘 로봇 공학은 로봇 운영 체제인 R-O-S로 표기됩니다. 로봇도 아니고 운영체제도 아니다. 로봇 공학 개발을 위한 오픈 소스 프레임워크입니다. 우리는 함께 일하고 기여하고 있습니다. 그런 다음 이것을 AI 비전, 다시 한 번 오픈 소스를 중심으로 많이 강조하는 분야와 결합합니다. 이러한 것들이 결합되어 정말 흥미로운 시간이 될 것입니다.

수행되는 최고의 로봇 지원 기능은 무엇입니까?

RTI통계: 모든 응용 분야에서 어떤 로봇 지원 기능이 수행되고 있는지 자세히 살펴보겠습니다. 시장에서 무엇을 볼 수 있습니까?

속도: 많은 사람들은 AI 비전과 로봇 공학으로 이것이 작업자를 대체할 것이라고 생각합니다. 그러나 기술이 근로자를 대체하기보다 근로자를 돕는 사용 사례가 많이 있습니다. 사람과 함께 작업하는 로봇과 함께 작업하여 작업을 수행하는 로봇인 협동로봇의 전체 분야가 있습니다. 예를 들어, Rover가 하는 일을 보십시오. 기능을 수행하는 사람이 있고 그들이 로밍해야 한다고 가정합니다. 작업을 수행하기 위해 농장 주변을 이동해야 한다고 가정해 보겠습니다.

논쟁을 위해 Rover가 있으면 작업자를 따라다니며 작업자가 필요로 하는 것이 무엇이든 항상 있어야 하는 위치에 있는 자율 휠 배럴로 작동합니다. 사람이 작업을 하는 동안 로봇이 부품을 제자리에 들고 있는 경우, 로봇이 작업자를 돕는 경우 등의 사용 사례가 있습니다. 저는 노인과 장애인을 돕기 위한 보조 기술에 대한 진정한 열정을 갖고 많은 일을 해왔습니다. 저는 이러한 것들이 사람들을 감지하고 상호작용할 수 있는 놀라운 잠재력을 봅니다.

참조: IoT가 여전히 실용적인 비즈니스 애플리케이션에서 뒤처지는 이유

프래갈: 고객을 두 가지 범주로 분류할 수 있습니다. 로봇으로 물건을 운반하여 창고를 가로질러 물건을 운반하거나 농장을 가로질러 물건을 운반하거나 로봇에 센서를 장착하고 데이터를 수집합니다. 회사에서 우리 로봇을 사용하는 가장 큰 두 가지 기능입니다.

에지 컴퓨팅과 AI는 어떻게 결합되나요?

RTI통계: 그것은 내 마지막 질문에 대한 완벽한 리드입니다. 이러한 시스템은 많은 센서와 IoT 장치에서 많은 양의 데이터를 수집할 수 있습니다. 모든 데이터가 생성되고 빠른 분석이 필요한 상황에서 이것이 엣지 컴퓨팅과 AI를 함께 사용하기 위한 완벽한 폭풍우입니까?

속도: 확실히 그렇게 생각합니다. AWS의 친구들은 '에지를 사용하는 이유'에 대해 이야기합니다. 그들은 물리 법칙에 대해 이야기합니다. 클라우드에 생성되는 종류의 볼륨 데이터를 얻을 수 있습니까? RF, 네트워크 토폴로지, 기타 종류에 따라 많은 것들이 있습니다. 경제학의 법칙이 있다. 경제적으로 실현 가능한가? 아마도 바이트 단위로 요금을 부과하는 것과 같은 일을 하는 이동통신사가 있는 경우에는 그렇지 않을 것입니다. 네트워크 인프라가 있더라도 모든 데이터를 클라우드로 가져올 수 있는 대역폭이 경제적입니까? 일단 클라우드로 옮기면 워크로드의 종류에 따라 그 정도의 데이터 볼륨으로 작업하는 것이 경제적일까요? 예를 들어 AWS 기술을 사용하여 비디오 처리 및 오디오 처리 워크로드와 같은 작업을 수행하고 클라우드에서 사용하고 에지와 함께 사용하는 것과 비교하고 대조한 흥미로운 대학 연구가 있습니다.

클라우드에서 개발된 모델을 사용하여 기계 학습 분석을 수행하는 AWS IoT Greengrass와 같은 것을 살펴보았습니다. 그들이(대학 연구원) 생각해 낸 것은 기본적으로 에지에서 이러한 워크로드를 수행하는 것이 경제성이 8배 더 낫다는 것입니다. 그러나 나에게 있어 경제성보다 훨씬 더 중요한 것은 대기 시간입니다. 많은 경우, 당신은 바로 그 순간에 매우 빠르게 일어나야 하기 때문에 이러한 것들을 가장자리로 옮깁니다. 비디오를 클라우드로 가져와 분석을 수행한 다음 다시 결정을 내리면 너무 늦고 너무 느릴 수 있습니다. 사람이 다쳤거나 장비가 파손되었거나 건물이 전소되었습니다. edge 사용의 한 예입니다.

그런 다음 또한 토지법의 이러한 문제로 들어갑니다. 우리는 모델을 개발하고 클라우드에서 모델을 교육한다고 믿습니다. 모델을 개발하는 것은 계산 비용이 많이 들고
예를 들어 하루가 걸린다면 클라우드에서 동일한 모델을 가동하고 한 시간 안에 완료할 수 있는 작은 장비입니다. 그러나 데이터 자체를 분석할 때 이전에 이야기했던 일부 개인 정보 문제에 대해 생각해야 합니다. 개인 식별 정보가 포함된 데이터를 안전하게 처리하거나 얼굴 인식을 수행하는 방법은 무엇입니까? 공장에서는 노동자가 누구인지 압니다.

그러나 모든 원시 데이터에는 민감도 문제가 있을 수 있습니다. 직장에서 다른 곳으로 데이터를 가져오는 것과 관련하여 법적, 사회적 또는 문화적 문제가 있을 수 있습니다. 그것이 당신이 땅의 법의 이러한 문제에 들어가는 곳입니다. 엣지에서 작업하면서 이러한 많은 요구 사항을 깔끔하게 충족합니다.

프래갈: 신속하게 분석해야 하는 데이터의 폭발적 증가는 실제로 에지 컴퓨팅을 사용하기 위한 완벽한 폭풍우입니다. 클라우드 컴퓨팅, 특히 로봇 공학에 열광하는 많은 고객을 봅니다. 그들은 내가 Netflix를 4K로 스트리밍할 수 있거나 이 모든 비디오 데이터를 앞뒤로 스트리밍할 수 있다면 이미지 데이터를 클라우드로 스트리밍한 다음 더 많은 리소스가 있는 클라우드에서 처리하기가 더 쉬울 거라고 생각합니다. 그러나 종종 간과되는 것은 로봇이고 주변을 로밍하고 있다면 이제 서로 다른 액세스 포인트 사이를 이동해야 한다는 것입니다. 클라우드 컴퓨팅에 열광하는 많은 고객이 이러한 장애물에 부딪히며 몇 달 동안 고민하다가 에지 컴퓨팅으로 전환합니다. 창고에서도 로봇을 창고에 통합하려고 하면 한 액세스 포인트에서 다른 액세스 포인트로 바운스되어 연결이 자주 끊어집니다.

참조: 엣지 컴퓨팅 센터

그런 다음 고객에게 "이봐, 새 라우터가 80211.AC와 호환되지 않기 때문에 더 나은 라우터로 업그레이드해야 합니다."라고 말하는 데 직면하게 됩니다. 그런 다음 그들은 "그 숫자는 도대체 무엇을 의미합니까?"라고 묻습니다. 그런 다음 "좋아, 잊어 버려. 이러한 작업을 수행할 수 있도록 로봇에 더 많은 컴퓨팅 기능을 추가할 것입니다.” 그 문제는 당신이 밖으로 이동할 때만 악화됩니다. Joe가 말했듯이 안전이 중요한 로봇이 밖에서 돌아다니면 길을 건너기 전에 멈출지 여부를 결정하기 위해 이미지를 클라우드로 보낸 다음 로봇으로 다시 보낼 수 없습니다. 안전이 중요한 응용 프로그램에서는 작동하지 않습니다. 그러기에는 지연 시간이 너무 깁니다.

속도: 클라우드는 이 모든 면에서 매우 중요하지만 반드시 많은 사람들이 생각하는 방식은 아닙니다. 엣지에서 분석과 머신 러닝을 할 수 있다면 클라우드에 많은 양의 데이터를 보낼 필요가 없습니다. 이것은 대기 시간 문제를 제거합니다. 알래스카에 있는 석유 시추장에 있는 경우 곰을 봅니다. 곰의 비디오를 보내는 대신 정보를 보내는 것입니다. 곰이 있습니다. 당신이 발견한 특정한 사건이나 추론은 무엇입니까? 우리는 많은 것을 봅니다. 데이터를 클라우드로 스트리밍하는 대신 정보를 스트리밍하고 분석 결과를 스트리밍하는 관점에서 생각하십시오.

또한 이러한 시스템을 통합해야 신뢰할 수 있습니다. 이것은 내가 커넥티드 카와 클라우드 증강 분석 및 자동차 안전 주제에 대해 작업할 때 다루곤 했던 것입니다. 일반적으로 연결되고, 자주 연결되고, 가끔 연결되는 것으로 생각해야 합니다. 기본적으로 신뢰할 수 없는 네트워크가 있을 것이라는 가정하에 이러한 시스템을 함께 사용하려면 어떻게 해야 합니까? 그 환경에서 제대로 작동하게 할 수 있다면 기본적으로 괜찮을 것입니다. 그러나 특정 SLA 내에서 대기 시간과 함께 항상 깨끗한 연결을 유지해야 합니다. 그렇지 않으면 현실 세계에서 문제에 직면하게 될 것입니다.