AI 연구실 조교 구축

상상해보세요, 여러분을 대신해 노트를 취하고, 실험실 장비를 제어하며, 데이터를 플롯하고, 모든 결과를 한 번에 분석해주는 실험실 조교가 있다고 합니다. 이 개념은 사실상 영원히 존재해왔습니다. 이 분야에서 새로운 점은 이러한 활동을 인간이 수행하지 않고 AI가 수행한다는 것입니다. 이 글에서는 스마트폰과 라즈베리 파이만을 사용하여 AI 실험실 조교를 활용할 수 있는 혁신 기술을 살펴볼 것입니다.

실용적인 응용

구현을 보여주기 전에, 우리의 AI 실험실 조교의 실용적인 응용을 살펴보겠습니다. 저는 새로운 보드의 전원을 켜는 절차에 직면할 때 공통적인 도전을 마주합니다. 한 손으로 보드의 다른 부분을 탐색하고, 다른 한 손으로 오실로스코프를 조정하며, 동시에 전원 공급 장치를 켜고 끄기도 합니다(인러시 전류나 다른 전원 켜기 특성을 관찰하기 위해). 여기에 DC 전자 부하를 활성화하는 작업까지 추가하면, 손이 부족해집니다. 최선의 경우, 보드를 시작하는 데 도움을 줄 파트너가 있을 수 있습니다. 혼자서 이 모든 작업을 처리하는 것은 꽤 성가실 수 있습니다.

우리의 AI 조교에게 순차적으로 우리의 기기를 켜거나 활성화하라는 지시를 내릴 수 있는 방법이 있다면 어떨까요?

그림 1: 자연어를 사용하여 전원 공급 장치 설정 및 켜기 요청

한 단계 더 나아가서 우리를 대신해 데이터를 수집할 수 있는지도 살펴보겠습니다

그림 2: 전원 공급 장치에서의 전압 및 전류 리드백

코드 인터프리터(고급 데이터 분석으로도 알려짐)를 사용하여, 손가락 하나 까딱하지 않고도 우리가 기기에서 얻은 데이터를 플롯하기 위한 시각화 라이브러리를 활용할 수 있습니다.

그림 3: 플롯 요청

그림 4: 플로팅 코드 및 결과

이제 몇 가지 예를 보았으니, 이 모든 것이 어떻게 작동하는지 살펴보겠습니다.

작동 원리

하드웨어와 대화하는 맞춤형 GPT 액션 구축 방법에서는 Raspberry Pi에 연결된 LED를 ChatGPT에 자연어 요청을 통해 토글하는 매우 간단한 애플리케이션을 함께 구성했습니다. 생성 AI를 사용하여 IoT 기능으로 실험실 기기를 개조하기에서는 인터넷을 통해 제어할 수 있도록 기기 주변에 웹 서비스를 구축했습니다. 이제 두 기사의 개념을 결합하여 AI 실험실 보조원을 만들 계획입니다.

원칙적으로, 우리의 접근 방식은 이전 기사와 유사하지만 복잡성이 추가되었습니다. 이 경우 대규모 언어 모델, 즉 ChatGPT의 GPT 4 엔진은 변하지 않습니다. ChatGPT에 대한 유일한 업데이트는 맞춤형 GPT 액션을 위해 제공하는 기능에 대한 세부 정보를 제공하는 수정된 OpenAPI 문서입니다. 예를 들어, "LED 토글"이나 "서버에서 무작위로 생성된 숫자 가져오기"와 같은 기본 엔드포인트를 제공하는 대신 "DP832 전원 공급 장치의 출력을 활성화하라"고 지시합니다. 이러한 모든 지시사항은 리포지토리 내의 openapi.yaml 파일에서 찾을 수 있습니다.

하드웨어와 대화하는 맞춤형 GPT 액션 구축 방법에서 했던 것처럼, SSL 인증서, openapi.yaml, Nginx 구성 파일, 그리고 전체 애플리케이션을 구축하기 위한 모든 Docker 파일이 필요합니다. Nginx 구성은 이제 서로 독립적으로 실행되는 여러 웹 애플리케이션이 있기 때문에 약간 변경됩니다. 단일 모놀리스로 실행하는 대신 각각에 대해 별도의 경로를 구성했습니다. 원한다면 단일 웹 애플리케이션으로 번들링할 수 있습니다. Dockerfile과 Docker Compose는 기본 이미지를 구축한 다음 각각의 개별 웹 애플리케이션에 대해 두 번 사용자 정의하기 때문에 조금 더 까다롭습니다. 모든 세부 사항은 리포지토리에서 찾을 수 있습니다.

리포지토리는 Docker가 설치되어 있고 README를 따라 인증서를 구성하고 일부 파일을 도메인 이름으로 교체했다고 가정하고 바로 사용할 수 있도록 구성되었습니다. 간단히 말해서, Raspberry Pi(또는 다른 경량 Linux 박스)에서 실행하면 최상의 결과를 얻을 수 있습니다. 실험실 기기 제어와 결합된 AI의 힘을 정말로 보여주는 마지막 예를 살펴보겠습니다.

고급 보조원

이제 우리는 전체 생태계를 구성했으므로 보조원에게 이와 같은 더 복잡한 작업을 시작할 수 있습니다:
전원 공급 장치를 직접 DC 전자 부하에 연결했습니다. 두 기기 사이의 케이블 손실을 살펴보고 싶습니다. 이 정보를 얻기 위해 따라야 할 단계는 다음과 같습니다:

1. 전원 공급 장치를 5V 1A로 설정합니다

2. 전원 공급 장치를 켭니다

3. DC 전자 부하를 전류 제어 모드로 설정하고 활성화합니다

4. 전원 공급 장치 전압을 측정합니다(나중에 사용하기 위해 저장)

5. DC 전자 부하 전압을 측정합니다(나중에 사용하기 위해 저장)

6. DC 전자 부하 싱크 전류를 0.1A로 설정합니다

7. 다음 싱크 전류 값에 대해 4-6단계를 반복합니다: 0.5A, 0.9A

8. X축에 실행 번호를, Y축에는 전원 공급 장치 전압과 DC 전자 부하 전압이 각각 별도의 선으로 표시된 플롯을 생성합니다.

참고: 원하는 응답은 분석의 한 줄 요약과 제공할 플롯의 뷰뿐입니다.

결과:

그림 5: 최종 응답

보시다시피 이것은 우리를 위해 일련의 작업을 수행할 뿐만 아니라 결과를 플롯하고 분석할 수도 있습니다. 이것은 우리가 과거에 관찰했던 표준 "지시 로봇"이 아니라 훨씬 더 큰 것입니다.

결론

이 기사에서는 우리의 AI 실험실 조수의 몇 가지 기능을 보여주고 이를 구성하는 데 필요한 몇 가지 구성 요소를 살펴보았습니다. 저장소에는 하드웨어와 대화하는 맞춤형 GPT 액션 구축 방법 및 이것이 기반으로 하는 Generative AI를 사용하여 실험실 기기에 IoT 기능을 추가하는 방법과 같은 이전 튜토리얼 외에 시작하는 데 필요한 모든 것이 포함되어 있습니다. 이 프로젝트는 AI의 변혁적인 힘을 밝히고 실험실 환경 내에서 이를 활용하는 방법을 보여줍니다. AI가 귀하의 실험실을 어떻게 변화시키고 있습니까? 이 예제 프로젝트(또는 그 변형)를 실행해 보고 잘된 점과 그렇지 않은 점에 대한 생각을 공유해 보세요.

이 프로젝트에서 사용된 모든 소스 코드는 다음에서 찾을 수 있습니다: https://gitlab.com/ai-examples/instrument-controllables.