Bagaimana Robot Asisten Pribadi Menjadi Realitas Sehari-Hari

Saya baru-baru ini menghadiri MWC Shanghai, di mana robot mendominasi lantai—mesin-mesin massal dan canggih yang perusahaan pamerkan dalam harapan mendapatkan kedudukan di pasar yang berkembang pesat. Salah satu yang mencolok adalah Tug, robot perawat mobile yang lebih terlihat seperti kotak beroda daripada android sci-fi. Namun ia membawa semua ciri robot mobile modern: navigasi presisi, penghindaran halangan, kemampuan untuk berhenti ketika seseorang melangkah di depannya, dan bahkan meminta lift untuk mengubah lantai.

Dirancang untuk mengirimkan obat dan makanan kepada pasien, Tug sudah aktif di 37 rumah sakit Veterans Affairs AS. Bayangkan lega yang ini membawa kepada staf perawat yang kelebihan beban kerja. Di luar perawatan kesehatan, asisten serupa sedang diterapkan di rumah asuh lansia, pengaturan pendidikan, restoran, dan hotel. Setelah kesuksesan smart speaker, gelombang berikutnya dari asisten pribadi berubah menjadi robot sehari-hari yang nyata—Amazon, misalnya, mengoperasikan lebih dari 100.000 robot di gudangnya dan siap membawa solusi robot rumah kepada konsumen.

Meskipun ide itu terasa seperti fiksi ilmiah, kenyataannya adalah bahwa robot asisten rumah sedang dikirim saat ini. Tantangan, namun, sangat besar dan lebih mirip dengan masalah pemandangan otonom daripada berbeda. Isu kunci meliputi navigasi dalam lingkungan indoor yang dinamis, penghindaran halangan real-time, dan kemampuan untuk menyesuaikan diri dengan perubahan sementara—pikirkan standing IV tiba-tiba atau paket yang jatuh. Berbeda dengan mobil, di mana jalur yang jelas dan aturan lalu lintas menyederhanakan navigasi, robot indoor harus terus-menerus memetakan dan memetakan ulang lingkungan mereka. Selain itu, antarmuka bahasa alami bukanlah mewah; ia esensial untuk komunikasi yang jelas dalam pengaturan di mana pengiriman yang salah dapat memiliki konsekuensi serius.

Gartner baru-baru ini mengidentifikasi sepuluh kemampuan AI dan sensing teratas yang akan mendasari robot asisten di masa depan:

• Computer vision: analisis scene dan pengenalan objek.
• Pengenalan dan autentikasi biometrik: memastikan hanya pengguna yang diotorisasi yang dapat mengeluarkan perintah.
• Antarmuka konversasi: pengenalan suara yang digabungkan dengan pemrosesan bahasa alami.
• Analisis scene akustik: mendeteksi suara khas seperti anjing menyalak atau kaca pecah.
• Pemeriksaan lokasi: menentukan posisi dan kedekatan dengan orang atau objek secara berkelanjutan.
• Gerakan otonom: menavigasi ke lokasi target tanpa bertabrakan dengan halangan.
• AI sisi edge: mengeksekusi fungsi inti secara lokal daripada bergantung sepenuhnya pada cloud.

Banyak pengembang memulai dengan prototipe pada platform GPU multi-core, yang menawari solusi yang nyaman dan kuat untuk pengujian awal. Namun, seiring pertumbuhan volume produksi, biaya tinggi, konsumsi daya yang signifikan, dan kurangnya diferensiasi yang inheren pada GPU off-the-shelf menjadi faktor pembatas. Di sinilah solusi ASIC atau DSP khusus memainkan peran, yang memberikan kecerdasan yang sama dengan biaya dan konsumsi energi yang lebih rendah.

DSP dikenal karena keunggulan performa-per-wattnya dibandingkan GPU dalam beban kerja pembelajaran mesin, berkat operasi fixed-point yang efisien dan kuantisasi yang fleksibel. Dalam aplikasi edge yang sensitif volume, DSP khusus seringkali lebih unggul dari GPU generik baik dalam biaya maupun efisiensi.

Jadi, apakah DSP dapat mencocokkan kemampuan GPU? Untuk banyak tugas inti, ya. Beban kerja visi komputer—seperti penempatan, pelacakan, pengenalan objek, dan deteksi gerakan—dapat ditangani oleh platform embedded DSP saat ini. Navigasi otonom yang mendukung pelatihan ulang lokal, tanpa perlu terus-menerus mengkueri cloud, juga memanfaatkan kemampuan pengenalan yang sama yang ditemukan pada GPU.

Pengenalan suara, autentikasi, dan analisis scene akustik sama dapat dialihkan ke solusi embedded. Alur—dari tangkapan mikrofon dan pencarian arah hingga deteksi kata dasar dan bahkan pemahaman bahasa alami—dapat diproses secara lokal untuk banyak aplikasi. Dalam skenario yang memerlukan hanya kosakata terbatas atau deteksi tanda non-verbal, seluruh proses dapat berjalan sepenuhnya di edge, menghilangkan kebutuhan akan sumber daya cloud sama sekali. Penelitian yang berkembang menunjukkan bahwa bahkan tugas NLP yang lebih canggih mungkin dapat dilakukan di perangkat di masa dekat.

Ekosistem saat ini menawari serangkaian platform edge-AI yang berkembang yang menyederhanakan pemrosesan suara front-end, inferensi deep learning, dan integrasi IoT. Dengan memanfaatkan solusi ini, pengembang dapat mempercepat penerapan robot asisten pribadi yang serbaguna.

Moshe Sheier adalah Direktur Pemasaran Strategis, CEVA, di mana dia mengawasi pengembangan perusahaan dan kemitraan strategis untuk pasar sasaran inti dan area pertumbuhan masa depan CEVA. Moshe terlibat dengan perusahaan SW dan IP terkemuka untuk membawa solusi berbasis DSP inovatif ke pasar. Di waktu luangnya, Moshe bersepeda gunung dan berlatih Aikido.