В системе Standard Bots для машинного обслуживания модель ищет и распознаёт детали, а обычная программа управляет движением робота и логикой рабочей ячейки. Так схему в интервью Latent Space описал руководитель ИИ компании Лейф Йентофт. Это рассказ представителей Standard Bots о своей архитектуре, а не независимая проверка её характеристик.
По словам Йентофта, компания использует для машинного обслуживания zero-shot-систему: пользователь сообщает роботу, какие детали нужно искать для конкретной задачи. Модель отвечает за восприятие — поиск и идентификацию деталей, — тогда как обычное программирование управляет движением и логикой ячейки. В интервью также опубликована демонстрация машинного обслуживания; она показывает пример работы, но сама по себе не доказывает производительность системы или её серийное внедрение.
Сооснователь и CEO Standard Bots Эван Бирд сообщил, что обучение моделей проходит в облаке, а вывод — обработка данных моделью во время работы — выполняется локально. Компания объясняет это тем, что у многих заводов и складов ненадёжное интернет-соединение, а бесперебойная работа важна для заказчиков. В описанной для машинного обслуживания схеме камеры и другие датчики передают данные локальным вычислительным системам, где графические процессоры формируют фрагменты действий для системы управления роботом.
Йентофт также сказал, что базовая модель для этой задачи обучена более чем на миллиарде изображений. По его описанию, это помогает системе различать детали при разных условиях освещения и на разных материалах, а также отделять объект от фона. Число и заявленное объяснение возможностей приведены со слов Standard Bots; в интервью их не подтверждают независимыми испытаниями.
Компания сообщает, что собирает сигналы ошибок и исправления людей во время развёртывания роботов, однако использование этих данных зависит от условий конкретного заказчика. По словам Йентофта, в изолированных от внешних сетей средах данные не возвращаются. Для клиентов без такого ограничения Standard Bots говорит о возможности использовать данные для улучшения решений в рамках fleet learning. Интервью не содержит независимой оценки того, насколько эти исправления повышают качество работы.
