AI റോബോട്ടുകൾ ഡെമോകളിൽ നിന്ന് യഥാർത്ഥ ജോലിയിലേക്ക് മാറുന്നത് എന്തുകൊണ്ട്?

വൈറൽ വീഡിയോകൾക്ക് അപ്പുറം

വർഷങ്ങളായി, റോബോട്ടിക്സിനെക്കുറിച്ചുള്ള പൊതുധാരണ രൂപപ്പെട്ടത് ബാക്ക്‌ഫ്ലിപ്പുകൾ ചെയ്യുന്നതോ പോപ്പ് ഗാനങ്ങൾക്ക് അനുസരിച്ച് നൃത്തം ചെയ്യുന്നതോ ആയ ഹ്യൂമനോയിഡ് മെഷീനുകളുടെ മിനുക്കിയ വീഡിയോകളിലൂടെയാണ്. ഈ ക്ലിപ്പുകൾ ശ്രദ്ധേയമായിരുന്നു, എന്നാൽ അവ വ്യാവസായിക ജോലിയുടെ യഥാർത്ഥവും കുഴപ്പങ്ങൾ നിറഞ്ഞതുമായ യാഥാർത്ഥ്യത്തെ പ്രതിഫലിപ്പിക്കുന്നില്ല. ഒരു നിയന്ത്രിത ലാബിൽ, ഒരു റോബോട്ടിനെ ഓരോ തവണയും വിജയിക്കാൻ പ്രോഗ്രാം ചെയ്യാൻ കഴിയും. എന്നാൽ ഒരു വെയർഹൗസിലോ നിർമ്മാണ സൈറ്റിലോ സാഹചര്യങ്ങൾ അനന്തമാണ്. ഈ സ്റ്റേജ് ഡെമോകളിൽ നിന്ന് യഥാർത്ഥവും ഉൽപ്പാദനക്ഷമവുമായ തൊഴിലിലേക്കുള്ള മാറ്റം ഒടുവിൽ സംഭവിക്കുകയാണ്. ഈ മാറ്റം ലോഹത്തിലോ മോട്ടോറുകളിലോ ഉണ്ടായ പെട്ടെന്നുള്ള മുന്നേറ്റമല്ല, മറിച്ച് മെഷീനുകൾ തങ്ങളുടെ ചുറ്റുപാടുകളെ എങ്ങനെ പ്രോസസ്സ് ചെയ്യുന്നു എന്നതിലെ അടിസ്ഥാനപരമായ മാറ്റമാണ്. നമ്മൾ കർക്കശമായ പ്രോഗ്രാമിംഗിൽ നിന്ന് പഠിക്കാനും പൊരുത്തപ്പെടാനും കഴിയുന്ന സംവിധാനങ്ങളിലേക്ക് മാറുകയാണ്.

ബിസിനസ്സുകൾക്കും നിരീക്ഷകർക്കും ഇതിലെ പ്രധാന പാഠം എന്തെന്നാൽ, ഒരു റോബോട്ടിന്റെ മൂല്യം അതിന്റെ ശാരീരിക ചടുലത കൊണ്ട് മാത്രം അളക്കാൻ കഴിയില്ല എന്നതാണ്. പകരം, ആ ചടുലതയ്ക്ക് പിന്നിലെ ബുദ്ധിയിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നത്. ഓരോ അഞ്ച് മിനിറ്റിലും മനുഷ്യന്റെ ഇടപെടലില്ലാതെ യഥാർത്ഥ ലോകത്തിന്റെ പ്രവചനാതീതമായ സ്വഭാവം കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന സംവിധാനങ്ങളാണ് കമ്പനികൾ ഇപ്പോൾ തിരയുന്നത്. ഈ മാറ്റം മുമ്പ് വളരെ സങ്കീർണ്ണമോ ചെലവേറിയതോ ആയ ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യാൻ സാധ്യമാക്കുന്നു. നമ്മൾ ലേക്ക് കടക്കുമ്പോൾ, സോഷ്യൽ മീഡിയ എൻഗേജ്‌മെന്റിനേക്കാൾ ഉപരിയായി വിശ്വാസ്യതയ്ക്കും നിക്ഷേപത്തിന്റെ വരുമാനത്തിനുമാണ് മുൻഗണന നൽകുന്നത്. ചെലവേറിയ കളിപ്പാട്ടങ്ങളുടെ കാലം അവസാനിക്കുന്നു, സ്വയംഭരണാധികാരമുള്ള തൊഴിലാളികളുടെ കാലം തുടങ്ങുന്നു.

ഹാർഡ്‌വെയറിനൊപ്പം സോഫ്റ്റ്‌വെയറും വളരുന്നു

ഇത് എന്തുകൊണ്ട് ഇപ്പോൾ സംഭവിക്കുന്നു എന്ന് മനസ്സിലാക്കാൻ, നമ്മൾ സോഫ്റ്റ്‌വെയർ സ്റ്റാക്കിലേക്ക് നോക്കണം. മുൻകാലങ്ങളിൽ, ഒരു ബോക്സ് എടുക്കാൻ ഒരു റോബോട്ടിനെ വേണമെങ്കിൽ, ആ ബോക്സിന്റെ കൃത്യമായ കോർഡിനേറ്റുകൾക്കായി നിങ്ങൾ പ്രത്യേക കോഡ് എഴുതേണ്ടതുണ്ടായിരുന്നു. ബോക്സ് രണ്ട് ഇഞ്ച് ഇടത്തേക്ക് മാറിയാൽ, റോബോട്ട് പരാജയപ്പെടും. ആധുനിക സംവിധാനങ്ങൾ embodied AI എന്ന് വിളിക്കപ്പെടുന്നവയാണ് ഉപയോഗിക്കുന്നത്. ഈ സമീപനം ക്യാമറകളും സെൻസറുകളും ഉപയോഗിച്ച് തത്സമയം അതിന്റെ പരിസ്ഥിതി മനസ്സിലാക്കാൻ മെഷീനെ അനുവദിക്കുന്നു. ഒരു നിശ്ചിത സ്ക്രിപ്റ്റ് പിന്തുടരുന്നതിന് പകരം, എങ്ങനെ നീങ്ങണമെന്ന് തീരുമാനിക്കാൻ റോബോട്ട് ഒരു ഫൗണ്ടേഷൻ മോഡൽ ഉപയോഗിക്കുന്നു. ഇത് വലിയ ലാംഗ്വേജ് മോഡലുകൾ ടെക്സ്റ്റ് പ്രോസസ്സ് ചെയ്യുന്നതിന് സമാനമാണ്, എന്നാൽ ഇത് ശാരീരിക ചലനങ്ങളിലും സ്ഥലപരമായ അവബോധത്തിലും പ്രയോഗിക്കുന്നു.

ഈ സോഫ്റ്റ്‌വെയർ പുരോഗതി അർത്ഥമാക്കുന്നത് റോബോട്ടുകൾക്ക് ഇപ്പോൾ അവർ ഇതുവരെ കണ്ടിട്ടില്ലാത്ത വസ്തുക്കളെ കൈകാര്യം ചെയ്യാൻ കഴിയും എന്നാണ്. ഒരു ഗ്ലാസ് കുപ്പിയും പ്ലാസ്റ്റിക് ബാഗും തമ്മിലുള്ള വ്യത്യാസം തിരിച്ചറിഞ്ഞ്, അതിനനുസരിച്ച് അവയുടെ ഗ്രിപ്പ് ശക്തി ക്രമീകരിക്കാൻ അവയ്ക്ക് സാധിക്കുന്നു. ദശാബ്ദങ്ങളായി നഷ്ടപ്പെട്ടുകൊണ്ടിരുന്ന കാര്യമായിരുന്നു ഈ തലത്തിലുള്ള സാമാന്യവൽക്കരണം. ഹാർഡ്‌വെയർ വളരെക്കാലമായി താരതമ്യേന പക്വതയുള്ളതാണ്. ഇരുപതാം നൂറ്റാണ്ടിന്റെ അവസാനം മുതൽ തന്നെ നമുക്ക് കഴിവുള്ള റോബോട്ടിക് കൈകളും മൊബൈൽ ബേസുകളും ഉണ്ടായിരുന്നു. എന്നിരുന്നാലും, ആ മെഷീനുകൾ ഫലത്തിൽ അന്ധവും ബുദ്ധിയില്ലാത്തതുമായിരുന്നു. പ്രവർത്തിക്കാൻ അവയ്ക്ക് തികച്ചും ഘടനാപരമായ ഒരു അന്തരീക്ഷം ആവശ്യമായിരുന്നു. അത്യാധുനികമായ ധാരണയും യുക്തിയും ചേർത്തുകൊണ്ട്, ആ ഘടനയുടെ ആവശ്യകത നമ്മൾ ഇല്ലാതാക്കുന്നു. ഇത് റോബോട്ടുകളെ അവയുടെ കൂടുകളിൽ നിന്ന് പുറത്തുവരാനും മനുഷ്യരോടൊപ്പം പങ്കിട്ട ഇടങ്ങളിൽ പ്രവർത്തിക്കാനും അനുവദിക്കുന്നു.

ഇതിന്റെ ഫലം കൂടുതൽ വഴക്കമുള്ള ഓട്ടോമേഷനാണ്. ഒരു ഷിഫ്റ്റിലുടനീളം ഒന്നിലധികം ജോലികൾ ചെയ്യാൻ ഒരു റോബോട്ടിനെ ഇപ്പോൾ പരിശീലിപ്പിക്കാം. രാവിലെ ഒരു ട്രക്ക് അൺലോഡ് ചെയ്യാനും ഉച്ചകഴിഞ്ഞ് ഡെലിവറിക്കായി പാക്കേജുകൾ തരംതിരിക്കാനും ഇതിന് കഴിഞ്ഞേക്കാം. ഈ വഴക്കമാണ് ചെറിയ കമ്പനികൾക്ക് സാമ്പത്തികമായി ലാഭകരമാകുന്നത്, കാരണം അവർക്ക് ഓരോ ഘട്ടത്തിനും പ്രത്യേക മെഷീൻ വാങ്ങാൻ കഴിയില്ല. വ്യാവസായിക മേഖലയിൽ സോഫ്റ്റ്‌വെയർ ഒരു വലിയ സമനില പാലിക്കുന്ന ഘടകമായി മാറുകയാണ്.

ഓട്ടോമേഷന്റെ സാമ്പത്തിക എൻജിൻ

റോബോട്ടിക്സിനായുള്ള ആഗോള മുന്നേറ്റം കേവലം മികച്ച സാങ്കേതികവിദ്യയെക്കുറിച്ചല്ല. ഇത് വലിയ സാമ്പത്തിക മാറ്റങ്ങളോടുള്ള പ്രതികരണമാണ്. വികസിത രാജ്യങ്ങൾ പലതും ചുരുങ്ങിക്കൊണ്ടിരിക്കുന്ന തൊഴിൽ സേനയെയും പ്രായമാകുന്ന ജനസംഖ്യയെയും നേരിടുകയാണ്. ലോജിസ്റ്റിക്സ്, നിർമ്മാണം, കൃഷി എന്നീ മേഖലകളിലെ എല്ലാ റോളുകളും നിറയ്ക്കാൻ ആവശ്യത്തിന് ആളുകളില്ല. International Federation of Robotics-ൽ നിന്നുള്ള ഡാറ്റ പ്രകാരം, വിശ്വസനീയമായ തൊഴിലാളികളെ കണ്ടെത്താൻ കമ്പനികൾ പാടുപെടുന്നതിനാൽ വ്യാവസായിക റോബോട്ടുകളുടെ ഇൻസ്റ്റാളേഷൻ റെക്കോർഡ് ഉയരങ്ങളിലെത്തുന്നു. ആവർത്തിച്ചുള്ളതും വൃത്തിഹീനവും അപകടകരവുമായ ജോലികൾക്ക് ഇത് പ്രത്യേകിച്ചും സത്യമാണ്.

നിർമ്മാണം തിരികെ കൊണ്ടുവരുന്ന (reshoring) പ്രവണതയും നമ്മൾ കാണുന്നുണ്ട്. സാധാരണമായി മാറിയ സപ്ലൈ ചെയിൻ തടസ്സങ്ങൾ ഒഴിവാക്കാൻ ഉൽപ്പാദനം സ്വന്തം അതിർത്തികളിലേക്ക് തിരികെ കൊണ്ടുവരാൻ സർക്കാരുകൾ ആഗ്രഹിക്കുന്നു. എന്നിരുന്നാലും, യുഎസിലെയും യൂറോപ്പിലെയും തൊഴിൽ ചെലവ് പരമ്പരാഗത നിർമ്മാണ കേന്ദ്രങ്ങളേക്കാൾ വളരെ കൂടുതലാണ്. ആഭ്യന്തര ഉൽപ്പാദനം ചെലവ് കുറഞ്ഞതാക്കാനുള്ള ഒരേയൊരു മാർഗ്ഗം ഓട്ടോമേഷനാണ്. ഏറ്റവും അടിസ്ഥാനപരമായ ജോലികൾ കൈകാര്യം ചെയ്യാൻ റോബോട്ടുകളെ ഉപയോഗിക്കുന്നതിലൂടെ, കമ്പനികൾക്ക് ലാഭം നിലനിർത്തിക്കൊണ്ടുതന്നെ തങ്ങളുടെ പ്രവർത്തനം പ്രാദേശികമായി നിലനിർത്താൻ കഴിയും. വിലകുറഞ്ഞ തൊഴിലാളികളുടെ പ്രയോജനം കുറയുന്നതോടെ ഈ മാറ്റം ആഗോള വ്യാപാര അന്തരീക്ഷത്തെ മാറ്റിമറിക്കുന്നു.

• ലോജിസ്റ്റിക്സ്, ഇ-കൊമേഴ്‌സ് ഫുൾഫിൽമെന്റ് സെന്ററുകൾ.
• ഓട്ടോമോട്ടീവ്, ഹെവി മെഷിനറി അസംബ്ലി ലൈനുകൾ.
• ഭക്ഷ്യ സംസ്കരണവും കാർഷിക വിളവെടുപ്പും.
• ഇലക്ട്രോണിക് ഘടകങ്ങളുടെ നിർമ്മാണവും പരിശോധനയും.
• മെഡിക്കൽ ലബോറട്ടറി ഓട്ടോമേഷനും ഫാർമസ്യൂട്ടിക്കൽ സോർട്ടിംഗും.

ലോജിസ്റ്റിക്സ് മേഖലയിലാണ് ഇതിന്റെ സ്വാധീനം ഏറ്റവും കൂടുതൽ അനുഭവപ്പെടുന്നത്. ഓൺലൈൻ ഷോപ്പിംഗിന്റെ വർദ്ധനവ് മനുഷ്യ തൊഴിലാളികൾക്ക് നിറവേറ്റാൻ കഴിയാത്ത വേഗതയ്ക്കുള്ള ആവശ്യം സൃഷ്ടിച്ചിട്ടുണ്ട്. റോബോട്ടുകൾക്ക് ഇടവേളകളില്ലാതെ രാത്രി മുഴുവൻ ജോലി ചെയ്യാൻ കഴിയും, ഇത് അർദ്ധരാത്രി ഓർഡർ ചെയ്യുന്ന പാക്കേജ് പുലർച്ചെയോടെ ഡെലിവറിക്ക് തയ്യാറാക്കുന്നു. ഈ 24 മണിക്കൂർ സൈക്കിൾ ആഗോള വാണിജ്യത്തിന്റെ പുതിയ മാനദണ്ഡമായി മാറുകയാണ്. ഈ ട്രെൻഡുകൾ ഭാവിയെ എങ്ങനെ രൂപപ്പെടുത്തുന്നു എന്നതിനെക്കുറിച്ചുള്ള കൂടുതൽ ഉൾക്കാഴ്ചകൾക്കായി, ഞങ്ങളുടെ AI ഇൻസൈറ്റ്സ് ഹബ്ബിലെ ഏറ്റവും പുതിയ റോബോട്ടിക്സ് ട്രെൻഡുകളെക്കുറിച്ച് നിങ്ങൾക്ക് വായിക്കാവുന്നതാണ്.

ദൈനംദിന ജീവിതത്തിലെ മാറ്റം

സാറ എന്ന വെയർഹൗസ് മാനേജരുടെ ഒരു സാധാരണ ദിവസം പരിഗണിക്കുക. കുറച്ച് വർഷങ്ങൾക്ക് മുമ്പ്, ലോഡിംഗ് ഡോക്കിലേക്ക് ആളുകളെ കണ്ടെത്താനുള്ള തിരക്കിട്ട ശ്രമത്തോടെയായിരുന്നു അവളുടെ പ്രഭാതം തുടങ്ങിയിരുന്നത്. രണ്ട് പേർ അസുഖം കാരണം അവധിയെടുത്താൽ, മുഴുവൻ പ്രവർത്തനവും മന്ദഗതിയിലാകുമായിരുന്നു. ഇന്ന്, സാറ ഭാരമേറിയ ജോലികൾ കൈകാര്യം ചെയ്യുന്ന ഓട്ടോണമസ് മൊബൈൽ റോബോട്ടുകളുടെ ഒരു നിരയെയാണ് മേൽനോട്ടം വഹിക്കുന്നത്. ഒരു ട്രക്ക് എത്തുമ്പോൾ, ഈ മെഷീനുകൾ കമ്പ്യൂട്ടർ വിഷൻ ഉപയോഗിച്ച് പലറ്റുകളെ തിരിച്ചറിയുകയും ശരിയായ ഇടനാഴികളിലേക്ക് മാറ്റുകയും ചെയ്യുന്നു. സാറ ഇപ്പോൾ വ്യക്തിഗത ജോലികളല്ല കൈകാര്യം ചെയ്യുന്നത്. അവൾ ഒരു സിസ്റ്റത്തെയാണ് നിയന്ത്രിക്കുന്നത്. അവളുടെ റോൾ മാനുവൽ മേൽനോട്ടത്തിൽ നിന്ന് സാങ്കേതിക ഏകോപനത്തിലേക്ക് മാറിയിരിക്കുന്നു. അവൾ തന്റെ സമയം പെർഫോമൻസ് ഡാറ്റ വിശകലനം ചെയ്യുന്നതിനും ആ ദിവസത്തെ പ്രത്യേക ഇൻവെന്ററിക്കായി റോബോട്ടുകൾ ഒപ്റ്റിമൈസ് ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുന്നതിനും ചെലവഴിക്കുന്നു.

ഈ സാഹചര്യം ലോകമെമ്പാടും സാധാരണമായിക്കൊണ്ടിരിക്കുകയാണ്. ജർമ്മനിയിലെ ഒരു നിർമ്മാണ പ്ലാന്റിൽ, എട്ട് മണിക്കൂർ തുടർച്ചയായി ഒരു മനുഷ്യന് പോലും കഴിയാത്ത കൃത്യതയോടെ ഭാഗങ്ങൾ വെൽഡിംഗ് ചെയ്യുന്നതിന് ഒരു റോബോട്ട് ഉത്തരവാദിയായിരിക്കാം. ഒരു ജാപ്പനീസ് ആശുപത്രിയിൽ, രോഗികളുടെ മുറികളിലേക്ക് ഭക്ഷണവും തുണികളും എത്തിക്കാൻ ഒരു റോബോട്ടിന് കഴിയും, ഇത് നഴ്‌സുമാർക്ക് യഥാർത്ഥ വൈദ്യസഹായത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ സമയം നൽകുന്നു. ഇവ സയൻസ് ഫിക്ഷനിലെ ഹ്യൂമനോയിഡ് റോബോട്ടുകളല്ല. അവ പലപ്പോഴും ചക്രങ്ങളുള്ള ബോക്സുകളോ തറയിൽ ഉറപ്പിച്ചിരിക്കുന്ന കൈകളോ ആണ്. അവ വിരസമാണ്, അതാണ് അവ വിജയകരമാകാനുള്ള കാരണം. ആളുകൾ ചെയ്യാൻ ആഗ്രഹിക്കാത്ത ജോലികൾ അവ ചെയ്യുന്നു, സ്ഥിരമായ കൃത്യതയോടെ അവ അത് നിർവ്വഹിക്കുന്നു.

എന്നിരുന്നാലും, ഈ മാറ്റം എല്ലായ്പ്പോഴും സുഗമമല്ല. ഈ സംവിധാനങ്ങൾ സംയോജിപ്പിക്കുന്നതിന് വലിയ മുൻകൂർ നിക്ഷേപവും കമ്പനി സംസ്കാരത്തിൽ മാറ്റവും ആവശ്യമാണ്. റോബോട്ടുകൾ ജോലിയുടെ ഏറ്റവും കഠിനമായ ഭാഗങ്ങൾ മാത്രമാണ് ഏറ്റെടുക്കുന്നതെങ്കിലും, തങ്ങൾ പകരം വെക്കപ്പെടുമെന്ന് തൊഴിലാളികൾ പലപ്പോഴും ഭയപ്പെടുന്നു. തങ്ങളുടെ ജീവനക്കാരെ പുനഃപരിശീലനത്തിനായി നിക്ഷേപിക്കുന്ന കമ്പനികളാണ് വിജയിക്കുന്നത്. തൊഴിലാളികളെ പിരിച്ചുവിടുന്നതിന് പകരം, പുതിയ മെഷീനുകൾ എങ്ങനെ പരിപാലിക്കാമെന്നും പ്രോഗ്രാം ചെയ്യാമെന്നും അവർ അവരെ പഠിപ്പിക്കുന്നു. ഇത് കൂടുതൽ വൈദഗ്ധ്യമുള്ള ഒരു തൊഴിൽ സേനയെയും കൂടുതൽ കരുത്തുറ്റ ബിസിനസ്സിനെയും സൃഷ്ടിക്കുന്നു. യഥാർത്ഥ ലോകത്തെ സ്വാധീനം മനുഷ്യ ഘടകത്തെ പെട്ടെന്ന് മാറ്റിസ്ഥാപിക്കുന്നതിനേക്കാൾ ജോലിസ്ഥലത്തിന്റെ ക്രമേണയുള്ള പരിണാമമാണ്.

റോബോട്ടുകൾക്ക് ഇപ്പോഴും അവയുടെ ശാരീരിക കഴിവുകളിൽ പരിമിതികളുണ്ട് എന്നതാണ് യാഥാർത്ഥ്യം. മുന്തിരിക്കുലകൾ അല്ലെങ്കിൽ വയറുകളുടെ കുരുക്ക് പോലുള്ള മൃദുവായ അല്ലെങ്കിൽ ക്രമരഹിതമായ വസ്തുക്കൾ കൈകാര്യം ചെയ്യാൻ അവ പാടുപെടുന്നു. മനുഷ്യർ നിസ്സാരമായി കാണുന്ന സാമാന്യബുദ്ധി അവയ്ക്ക് കുറവാണ്. ഒരു റോബോട്ട് വെള്ളക്കെട്ട് കണ്ടാൽ, വഴുതി വീഴാതിരിക്കാനോ ഷോർട്ട് സർക്യൂട്ട് ഒഴിവാക്കാനോ അത് ഒഴിവാക്കണമെന്ന് അതിന് മനസ്സിലായെന്നു വരില്ല. കഴിവിലെ ഈ ചെറിയ വിടവുകളാണ് മനുഷ്യ-റോബോട്ട് പങ്കാളിത്തം ഏറ്റവും പ്രധാനപ്പെട്ടതാക്കുന്നത്. എല്ലാ പരിതസ്ഥിതികളിലും മനുഷ്യന്റെ കൈയുടെയും തലച്ചോറിന്റെയും വൈദഗ്ധ്യവുമായി പൊരുത്തപ്പെടാൻ കഴിയുന്ന ഒരു മെഷീനിൽ നിന്ന് നമ്മൾ ഇപ്പോഴും വർഷങ്ങൾ അകലെയാണ്.

പുരോഗതിയുടെ കാണാത്ത വില

നമ്മൾ ഈ മെഷീനുകളെ നമ്മുടെ ജീവിതത്തിലേക്ക് സംയോജിപ്പിക്കുമ്പോൾ, മറഞ്ഞിരിക്കുന്ന ചെലവുകളെക്കുറിച്ച് നമ്മൾ ബുദ്ധിമുട്ടുള്ള ചോദ്യങ്ങൾ ചോദിക്കേണ്ടതുണ്ട്. ഈ റോബോട്ടുകൾ ശേഖരിക്കുന്ന ഡാറ്റയ്ക്ക് എന്ത് സംഭവിക്കുന്നു? ഒരു വെയർഹൗസിലൂടെയോ വീട്ടിലൂടെയോ നീങ്ങുന്ന ഒരു റോബോട്ട് നിരന്തരം അതിന്റെ പരിസ്ഥിതിയെ സ്കാൻ ചെയ്യുന്നു. അത് സ്ഥലത്തിന്റെ വിശദമായ മാപ്പ് സൃഷ്ടിക്കുകയും അതിനു ചുറ്റുമുള്ള എല്ലാവരുടെയും ചലനങ്ങൾ രേഖപ്പെടുത്തുകയും ചെയ്യുന്നു. ഈ ഡാറ്റ ആരുടേതാണ്, അത് എങ്ങനെയാണ് ഉപയോഗിക്കുന്നത്? ഒരു കമ്പനി അതിന്റെ ഫാക്ടറി നിരീക്ഷിക്കാൻ റോബോട്ടുകളുടെ ഒരു നിര ഉപയോഗിക്കുന്നുണ്ടെങ്കിൽ, അത് അറിയാതെ തന്നെ അതിന്റെ ജീവനക്കാരുടെ സ്വകാര്യ ശീലങ്ങളും നിരീക്ഷിക്കുന്നുണ്ടോ? സ്വകാര്യതയുമായി ബന്ധപ്പെട്ട പ്രത്യാഘാതങ്ങൾ വളരെ വലുതും വലിയൊരു പരിധിവരെ നിയന്ത്രണമില്ലാത്തതുമാണ്.

ഊർജ്ജത്തെയും സുസ്ഥിരതയെയും കുറിച്ചുള്ള ചോദ്യവുമുണ്ട്. ഈ റോബോട്ടുകളെ പ്രവർത്തിപ്പിക്കുന്ന വലിയ മോഡലുകൾ പരിശീലിപ്പിക്കുന്നതിന് വലിയ അളവിൽ വൈദ്യുതി ആവശ്യമാണ്. ഈ കണക്കുകൂട്ടലുകൾ നടത്തുന്ന ഡാറ്റാ സെന്ററുകൾക്ക് വലിയ കാർബൺ ഫുട്പ്രിന്റ് ഉണ്ട്. കൂടാതെ, റോബോട്ടുകൾ തന്നെ നിർമ്മിച്ചിരിക്കുന്നത് ഖനനം ചെയ്യാൻ പ്രയാസമുള്ളതും റീസൈക്കിൾ ചെയ്യാൻ അതിലും പ്രയാസമുള്ളതുമായ അപൂർവ വസ്തുക്കൾ കൊണ്ടാണ്. നമ്മൾ ഒരു കൂട്ടം പാരിസ്ഥിതിക പ്രശ്നങ്ങൾക്ക് പകരം മറ്റൊന്ന് കൈമാറുകയാണോ? ബാറ്ററികളിലെ ധാതുക്കൾ മുതൽ പ്രോസസ്സറുകൾ ഉപയോഗിക്കുന്ന വൈദ്യുതി വരെ ഈ മെഷീനുകളുടെ മുഴുവൻ ജീവിതചക്രവും നമ്മൾ പരിഗണിക്കേണ്ടതുണ്ട്. ഒരു റോബോട്ട് തൊഴിൽ ചെലവിൽ പത്ത് ശതമാനം ലാഭിക്കുകയും എന്നാൽ ഊർജ്ജ ഉപഭോഗം മുപ്പത് ശതമാനം വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നുവെങ്കിൽ, അത് ശരിക്കും ഒരു പുരോഗതിയാണോ?

മനുഷ്യ ഇടപെടൽ കുറയുന്ന ഒരു ലോകത്തിന്റെ സാമൂഹിക ചെലവും നമ്മൾ പരിഗണിക്കണം. റോബോട്ടുകൾ നമ്മുടെ ഡെലിവറികൾ കൈകാര്യം ചെയ്യുകയും ഭക്ഷണം പാകം ചെയ്യുകയും തെരുവുകൾ വൃത്തിയാക്കുകയും ചെയ്താൽ, അത് നമ്മുടെ സമൂഹത്തിന്റെ സാമൂഹിക ഘടനയെ എങ്ങനെ ബാധിക്കും? സേവന സമ്പദ്‌വ്യവസ്ഥയിലെ സാധാരണ ഇടപെടലുകൾ അപ്രത്യക്ഷമാകുമ്പോൾ ഒറ്റപ്പെടൽ വർദ്ധിക്കാനുള്ള സാധ്യതയുണ്ട്. ഏത് ജോലികളാണ് മെഷീനുകൾക്ക് വിട്ടുകൊടുക്കേണ്ടതെന്നും ഏതൊക്കെ ജോലികൾക്ക് മനുഷ്യന്റെ സ്പർശനം ആവശ്യമാണെന്നും നമ്മൾ തീരുമാനിക്കണം. കാര്യക്ഷമത ഒരു ശക്തമായ പ്രേരകമാണ്, എന്നാൽ ഒരു സാങ്കേതികവിദ്യയുടെ വിജയം വിലയിരുത്താൻ നമ്മൾ ഉപയോഗിക്കുന്ന ഒരേയൊരു അളവുകോൽ അതായിരിക്കരുത്. ഓട്ടോമേഷന്റെ ഗുണഫലങ്ങൾ മെഷീനുകളുടെ ഉടമകൾക്ക് മാത്രമായി ചുരുങ്ങാതെ എല്ലാവർക്കും പങ്കുവെക്കപ്പെടുന്നുവെന്ന് നമ്മൾ എങ്ങനെ ഉറപ്പാക്കും?

പുറം കവചത്തിന് താഴെ

പവർ യൂസർമാർക്കും എൻജിനീയർമാർക്കും, യഥാർത്ഥ കഥ നടപ്പിലാക്കുന്നതിലെ വിശദാംശങ്ങളിലാണ്. മിക്ക ആധുനിക വ്യാവസായിക റോബോട്ടുകളും ROS 2 (Robot Operating System) പോലുള്ള സ്റ്റാൻഡേർഡ് സോഫ്റ്റ്‌വെയർ ചട്ടക്കൂടുകളിലേക്ക് മാറുകയാണ്. ഇത് വ്യത്യസ്ത ഹാർഡ്‌വെയറുകൾ തമ്മിലുള്ള മികച്ച പ്രവർത്തനക്ഷമത അനുവദിക്കുന്നു. ഈ മേഖലയിലെ ഏറ്റവും വലിയ വെല്ലുവിളികളിലൊന്ന് latency ആണ്. ഒരു റോബോട്ട് അതിവേഗ ജോലി ചെയ്യുമ്പോൾ, പ്രോസസ്സിംഗ് ലൂപ്പിലെ ഏതാനും മില്ലിസെക്കൻഡ് കാലതാമസം പോലും പരാജയത്തിന് കാരണമാകും. അതുകൊണ്ടാണ് നമ്മൾ എഡ്ജ് കമ്പ്യൂട്ടിംഗിലേക്ക് മാറുന്നത്. പ്രോസസ്സിംഗിനായി ഡാറ്റ ക്ലൗഡിലേക്ക് അയക്കുന്നതിന് പകരം, AI ഇൻഫറൻസിനായി രൂപകൽപ്പന ചെയ്ത പ്രത്യേക ചിപ്പുകൾ ഉപയോഗിച്ച് പ്രാദേശിക ഹാർഡ്‌വെയറിലാണ് കഠിനമായ ജോലികൾ ചെയ്യുന്നത്.

പ്രാദേശിക സ്റ്റോറേജ് മറ്റൊരു നിർണ്ണായക ഘടകമാണ്. ഉയർന്ന റെസല്യൂഷനുള്ള വീഡിയോ ഡാറ്റയും സെൻസർ ലോഗുകളും സൃഷ്ടിക്കുന്ന ഒരു റോബോട്ടിന് ഒരു ഷിഫ്റ്റിൽ തന്നെ നിരവധി ടെറാബൈറ്റ് ഡാറ്റ എളുപ്പത്തിൽ ഉൽപ്പാദിപ്പിക്കാൻ കഴിയും. ലോക്കൽ നെറ്റ്‌വർക്കിനെ തടസ്സപ്പെടുത്താതെ ഈ ഡാറ്റ കൈകാര്യം ചെയ്യുന്നത് വലിയൊരു തടസ്സമാണ്. പരിശീലനത്തിനായി ഏത് ഡാറ്റയാണ് സൂക്ഷിക്കേണ്ടതെന്നും ഏതാണ് ഒഴിവാക്കാമെന്നും എൻജിനീയർമാർ തീരുമാനിക്കേണ്ടതുണ്ട്. റോബോട്ടുകളെ നിലവിലുള്ള എന്റർപ്രൈസ് റിസോഴ്‌സ് പ്ലാനിംഗ് സിസ്റ്റങ്ങളുമായി സംയോജിപ്പിക്കുമ്പോൾ ശ്രദ്ധിക്കേണ്ട കർശനമായ API പരിധികളുമുണ്ട്. ഒരു റോബോട്ടിക് ഫ്ലീറ്റ് സൃഷ്ടിക്കുന്ന സെക്കൻഡിൽ ആയിരക്കണക്കിന് സ്റ്റാറ്റസ് അപ്‌ഡേറ്റുകൾ കൈകാര്യം ചെയ്യാൻ ഒരു വെയർഹൗസ് മാനേജ്‌മെന്റ് സിസ്റ്റം രൂപകൽപ്പന ചെയ്തിട്ടുണ്ടാകില്ല. പ്രധാന ഡാറ്റാബേസിൽ എത്തുന്നതിന് മുമ്പ് ഡാറ്റ ശേഖരിക്കാനും ഫിൽട്ടർ ചെയ്യാനും കഴിയുന്ന ഒരു മിഡിൽവെയർ ലെയർ ഇതിന് ആവശ്യമാണ്.

• തത്സമയ തടസ്സങ്ങൾ ഒഴിവാക്കുന്നതിനുള്ള ഇൻഫറൻസ് വേഗത.
• 24 മണിക്കൂർ പ്രവർത്തനത്തിനായുള്ള ബാറ്ററി ഡെൻസിറ്റിയും തെർമൽ മാനേജ്‌മെന്റും.
• LiDAR, ഡെപ്ത് ക്യാമറകൾ, IMU-കൾ എന്നിവ സംയോജിപ്പിക്കുന്ന സെൻസർ ഫ്യൂഷൻ സാങ്കേതികതകൾ.
• ലോക്കൽ വൈഫൈ വഴി കൈമാറ്റം ചെയ്യപ്പെടുന്ന എല്ലാ ഡാറ്റയ്ക്കും എൻഡ്-ടു-എൻഡ് എൻക്രിപ്ഷൻ.
• ഫ്ലോറിൽ വേഗത്തിൽ അറ്റകുറ്റപ്പണികൾ അനുവദിക്കുന്നതിനായി മോഡുലാർ ഹാർഡ്‌വെയർ ഡിസൈൻ.

വർക്ക്ഫ്ലോ സംയോജനമാണ് മിക്ക പ്രോജക്റ്റുകളും പരാജയപ്പെടുന്ന ഇടം. ഒരു ലാബിൽ ഒരു റോബോട്ടിനെ പ്രവർത്തിപ്പിക്കുന്നത് ഒരു കാര്യമാണ്, എന്നാൽ ഒരു ആഗോള കോർപ്പറേഷൻ ഉപയോഗിക്കുന്ന നിലവിലുള്ള സോഫ്റ്റ്‌വെയറുമായി അത് പൊരുത്തപ്പെടുന്നത് മറ്റൊന്നാണ്. സുരക്ഷയും പരമപ്രധാനമായ ആശങ്കയാണ്. ഹാക്ക് ചെയ്യപ്പെട്ട ഒരു റോബോട്ട് കേവലം ഡാറ്റാ റിസ്ക് മാത്രമല്ല, അത് ശാരീരിക സുരക്ഷാ റിസ്ക് കൂടിയാണ്. ഈ മെഷീനുകൾ ഹൈജാക്ക് ചെയ്യപ്പെടില്ലെന്ന് ഉറപ്പാക്കുന്നതിന് സുരക്ഷിത ബൂട്ട് പ്രക്രിയകളിലും ഹാർഡ്‌വെയർ-ലെവൽ എൻക്രിപ്ഷനിലും ആഴത്തിലുള്ള ശ്രദ്ധ ആവശ്യമാണ്. നമ്മൾ ലേക്ക് കടക്കുമ്പോൾ, ഡെവലപ്പർമാരുടെ ശ്രദ്ധ ഈ സംവിധാനങ്ങളെ അവ ചേരുന്ന പരമ്പരാഗത ഐടി ഇൻഫ്രാസ്ട്രക്ചർ പോലെ കരുത്തുറ്റതും സുരക്ഷിതവുമാക്കുന്നതിലാണ്.

Napomena urednika: Kreirali smo ovaj sajt kao višejezični centar za vesti i vodiče o veštačkoj inteligenciji za ljude koji nisu kompjuterski genijalci, ali ipak žele da razumeju veštačku inteligenciju, koriste je sa više samopouzdanja i prate budućnost koja već stiže.

തൊഴിലിന്റെ അടുത്ത ദശകം

ഡെമോകളിൽ നിന്ന് യഥാർത്ഥ ജോലിയിലേക്കുള്ള മാറ്റം സാങ്കേതികവിദ്യ വിപണിയുടെ സൂക്ഷ്മപരിശോധനയെ നേരിടാൻ മാത്രം പക്വത പ്രാപിച്ചു എന്നതിന്റെ സൂചനയാണ്. നടക്കാൻ കഴിയുന്ന ഒരു റോബോട്ടിനെ കണ്ട് നമ്മൾ ഇപ്പോൾ അത്ഭുതപ്പെടുന്നില്ല, അത് തകരാറിലാകാതെ പത്ത് മണിക്കൂർ ജോലി ചെയ്യാൻ കഴിയുമോ എന്ന് അറിയാനാണ് നമ്മൾ ആഗ്രഹിക്കുന്നത്. വെയർഹൗസുകളിലെയും ഫാക്ടറികളിലെയും നിശബ്ദമായ നേട്ടങ്ങൾ ഏതൊരു വൈറൽ വീഡിയോയേക്കാളും വളരെ പ്രധാനപ്പെട്ടതാണ്. ഈ മെഷീനുകൾ ആഗോള വ്യാവസായിക സ്റ്റാക്കിന്റെ ഒരു സാധാരണ ഭാഗമായി മാറുകയാണ്. സിനിമകളിൽ കാണുന്നതുപോലെ ആകർഷകമല്ലെങ്കിലും, തൊഴിലിലെയും ലോജിസ്റ്റിക്സിലെയും യഥാർത്ഥ പ്രശ്നങ്ങൾക്ക് അവ പരിഹാരം കാണുന്നു. ഓട്ടോമേറ്റ് ചെയ്യാനുള്ള സാമ്പത്തിക സമ്മർദ്ദം വർദ്ധിക്കുകയേയുള്ളൂ, ആ ആവശ്യം നിറവേറ്റാൻ സോഫ്റ്റ്‌വെയർ ഒടുവിൽ തയ്യാറായിക്കഴിഞ്ഞു.

ഈ സംവിധാനങ്ങൾ എത്ര വേഗത്തിൽ സ്കെയിൽ ചെയ്യാൻ കഴിയും എന്നതാണ് ബാക്കിയുള്ള വലിയ ചോദ്യം. ഒരു സൗകര്യത്തിൽ പത്ത് റോബോട്ടുകളെ വിന്യസിക്കുന്നത് ഒരു കാര്യമാണ്, എന്നാൽ ആഗോള നെറ്റ്‌വർക്കിലുടനീളം പതിനായിരക്കണക്കിന് റോബോട്ടുകളെ നിയന്ത്രിക്കുന്നത് മറ്റൊന്നാണ്. ഈ മെഷീനുകളെ സ്കെയിലിൽ എങ്ങനെ പരിപാലിക്കണം, അപ്‌ഡേറ്റ് ചെയ്യണം, സുരക്ഷിതമാക്കണം എന്ന് നമ്മൾ ഇപ്പോഴും പഠിച്ചുകൊണ്ടിരിക്കുകയാണ്. ഹാർഡ്‌വെയർ കൂടുതൽ താങ്ങാനാവുന്നതും സോഫ്റ്റ്‌വെയർ കൂടുതൽ കഴിവുള്ളതുമാകുമ്പോൾ, മാനുവൽ, ഓട്ടോമേറ്റഡ് തൊഴിലുകൾ തമ്മിലുള്ള അതിർവരമ്പ് മങ്ങുന്നത് തുടരും. റോബോട്ടുകൾ ഇവിടെയുണ്ട്, അവ ഒടുവിൽ ജോലിക്ക് തയ്യാറായിക്കഴിഞ്ഞു. അടുത്ത കുറച്ച് വർഷങ്ങൾ നമ്മൾ അവരോടൊപ്പം എങ്ങനെ ജീവിക്കുകയും ജോലി ചെയ്യുകയും ചെയ്യുമെന്ന് നിർണ്ണയിക്കും.