التكلفة الحقيقية لتدريب الروبوتات

في الجزء الأول، ناقشنا كيف تطور الروبوتات من الميكانيكا الأساسية إلى فهم بيئتها. في مرحلة “الميل الأخير” – عندما يخضع الروبوتون للتدريب بعد التطبيق لمهام مخصصة معينة – تظهر حاجز غير متوقع. وهو مربوط بالبيانات: جمعها، تنظيمها، وتوسيعها في ظروف العالم الحقيقي.

إنها بالضبط في هذه المرحلة أن الفجوة بين المفهوم والتنفيذ تصبح أكثر وضوحًا. ما هي العوائق الرئيسية، وكيف يمكن التغلب عليها بأقل احتكاك ممكن؟

لماذا تتحول آلاف الساعات من البيانات إلى سنوات من العمل

لنفترض أن لدينا بالفعل روبوتًا مدربًا قد خضع للتدريب المسبق. يمكنه التنقل في محيطه، والحركة، وتجنب العوائق، والتفاعل مع الأشياء. إنه مثل “طفل في العاشرة من عمره” الذي يمكنه عمومًا التصرف بشكل مستقل. الخطوة التالية هي تعليمه أداء أفعال محددة في ظروف محددة، على سبيل المثال، تركيب لوحات الزجاج والأشرطة المطاطية على خط إنتاج السيارات.

عند النظر الأول، يبدو المهم أصغر. إنه يتضمن تطبيق سيناريو واحد، وحجم البيانات المطلوبة أقل بكثير من التدريب المسبق. في حين أن التدريب التأسيسي قد يتطلب مئات الآلاف من الساعات، قد يتطلب التدريب بعد التطبيق فقط آلاف الساعات. لكن هذه الأرقام مضللة.

عندما تُترجم إلى الوقت الحقيقي، يكشف العملية عن تعقيداتها الحقيقية. في جدول عمل قياسي، يعمل شخص ما حوالي 160 ساعة في الشهر. ومع ذلك، هذا لا يعني أن كل هذا الوقت يمكن استخدامه للتسجيل.

في الممارسة، تحدث انقطاعات دائمة: يتم استنفاد البطاريات، وتتحرك الكاميرات، وتتعطل الحساسات. كلما زادت تعقيد إعداد المعدات، زادت احتمالية المشكلات. حتى فشل بسيط مثل توقف عمل الحساسات على قفاز يمكن أن يوقف العملية ويؤدي إلى فقدان الوقت.

نتيجة لذلك، يصبح معدل جمع البيانات الفعلي 2-3 أضعاف أقل. يمكن أن يتطلب ساعة واحدة من التسجيل عالي الجودة ما يصل إلى ثلاث ساعات من العمل الحقيقي. هذا يغير الحساب بشكل جذري: 5000 ساعة من البيانات تترجم إلى حوالي 15000 ساعة من العمل.

طبقات وطبقات من التعقيد

خلال التدريب المسبق، قد يكون من đủ أن تعطى لشخص كاميرا وتطلب منه تسجيل الأنشطة اليومية. في هذه المرحلة، ومع ذلك، يتطلب الوصول إلى بيئة محددة، مثل مصنع أو موقع بناء أو منشأة إنتاج متخصصة.

هذا يطرح قيودًا عملية على الفور. على سبيل المثال، في موقع البناء، يُطلب من العمال ارتداء خوذات أمان، مما يعني تطوير معدات متخصصة: خوذات مع كاميرات مدمجة مقاومة للغبار والرطوبة والصدمات.

ثم يأتي الوصول إلى الموقع نفسه. يجب إبرام اتفاقيات مع أصحاب الموقع، والحصول على التصاريح، والتفاوض على الشروط. هذا ي涉ب دائمًا تكاليف إضافية: الشركات تتوقع تعويضًا، والعمال يتوقعون دفع أجرهم للمشاركة.

ت trởن أيضًا التأمين والامتثال للسلامة إلى قضايا حيوية. إذا لم تكن المعدات تتوافق مع المعايير المطلوبة، قد يتم إلغاء التأمين، مما يضطر إلى إعادة هيكلة العملية بأكملها.

حتى على مستوى العمليات اليومية، تستمر التحديات. يجب تشغيل الكاميرات، ومراقبتها، وصيانتها. يعمل العمال في قفازات وبيئات قاسية. تتعرض المعدات للاتساخ، والتحلل، والكسر. قد تطفئ الكاميرا بعد بضع دقائق، وقد لا يلاحظ الشخص ذلك حتى.

هذا يخلق حاجة للمشاركين لتدريب أنفسهم – يجب أن يفهموا كيفية استخدام المعدات. بالإضافة إلى ذلك، يتطلب الإشراف المستمر – يجب على شخص ما أن يضمن استمرار التسجيل وأن تعمل الأجهزة بشكل صحيح.

من الفيديو الخام إلى بيانات التدريب

بعد التسجيل، يبدأ المرحلة التالية: جمع البيانات، ورفعها، وتنظيمها، وتصحيح جودتها، وتعليمها.

تتكون أي بيانات خام من إشارات فيديو وحساسات. لتحويلها إلى مواد تدريبية، يجب أن يتم تنظيمها: يجب تحديد الأشياء، وتسجيل الأفعال، ووصف الحالات، والحركات، والتفاعلات مع البيئة. هنا يأتي دور التعليق. يطرح سؤال منطقي – ما هو المعيار الذهبي لتدفق التعليق مثل هذا؟

في بعض الحالات، تكون المربعات البسيطة كافية لتحديد الأشياء في الإطار. في حالات أخرى، يتطلب التعليق الزمني وصف تسلسلات الأفعال بمرور الوقت. في بعض السيناريوهات، يتم استخدام نقاط رئيسية ونماذج هيكلية لتقاط حركة الجسم. في حالات أكثر تعقيدًا، يتم استخدام شبكات ثلاثية الأبعاد أو تتبع وضع اليد لتمثيل ميكانيكا التفاعل بدقة. غالبًا ما يتم دمج حساسات إضافية، مثل المسرع، لتقاط ديناميكيات الحركة والقوة المطبقة.

تتطلب مشاريع مثل هذه أيضًا توسيع فريق العمل. التعليق هو مهمة كبيرة ومعقدة في حد ذاتها، تتطلب وقتًا، وخبرة، وموارد بشرية كبيرة. هنا يأتي دور مزودي حلول البيانات الذين لديهم فرق تعليق داخلية. مثل Keymakr، الذي أثبت فاعليته بشكل خاص بفضل قدرته على توسيع الفرق لتطابق أي حجم بيانات، من خبير واحد إلى مئات من المعلقين.

لا يوجد نهج صحيح للتدريب بعد

ما زالت الصناعة في مرحلة استكشافية، حيث لا يوجد إجماع على أي مزيج من البيانات يولد أفضل النتائج. يتم التحقق من العديد من النهج تجريبيًا لأنها تعمل في تجارب محددة. نتيجة لذلك، تستمر الفرق المختلفة في الاعتماد على تقنيات مختلفة، شُكلت من خلال خبرتهم، ومهامهم، وقيودهم.

على المستويين الأكاديمي والتطبيقي، يؤدي هذا إلى تفتيت: مختبرات وشركات تتحرك في اتجاهات مختلفة. الوضع يذكرنا بأيام السيارات ذاتية القيادة في البداية، عندما ربت تيسلا على نهج رؤية فقط دون ليدار، في حين اختار معظم اللاعبين الآخرين ليدار كحساس أساسي.

اليوم، تميل أنظمة ليدار إلى إظهار أداء أكثر استقرارًا، ومع ذلك، يستمر نهج تيسلا في التطور. الفرق هو أن سوق السيارات ذاتية القيادة قد نضج إلى حد كبير: ظهرت هياكل مستقرة، وفهمت القيود جيدًا، وتراكمت خبرة كبيرة.

في المقابل، بالنسبة للذكاء الاصطناعي الفيزيائي وتدريب النماذج المماثل، لم تصل هذه المستوى من النضج بعد. لا يزال السوق في طور التكوين، ولا توجد معايير، وتقود معظم التقدم التجارب. تستمر في الظهور طرق جديدة لتدريب النماذج، وتحسين الكفاءة، والتكيف مع السيناريوهات الحقيقية، مما يشير إلى أن أهم الإنجازات في هذا المجال لا تزال قادمة.

الإنسان كنظام تعزيز

لا يوجد التعليق في عزل، ولا للنموذج وحده. إنه يخدم كأداة للمهندس الذي يبني هذا النموذج. من خلاله، يُحدد الواقع، ويحدد المعلمات الرئيسية، ويعرف قواعد السلوك للنظام.

مهمة المهندس هي تعليم النظام أداء الأفعال بشكل صحيح في ظروف العالم الحقيقي. على سبيل المثال، قد تتكون سيناريو أساسي من أربعة أفعال: رفع الكأس، وفتح الحنفية، وملء الكأس، وإغلاق الحنفية. لكن في الواقع، يحدث انحراف – يفيض الكأس.

في تلك اللحظة، من المتوقع أن يكمل النموذج السيناريو ويتخذ أفعالًا إضافية: إيقاف تدفق الماء، وتعديل مستوى الماء، ومنع الانسكاب. هذا هو المنطق السلوكي بناءً على الفهم السياقي.

يتابع المهندس دورة: يعلق البيانات، ويدرب النموذج، ويفحصه. إذا عمل النظام، يتم تأكيد الفرضية. إذا لم يكن كذلك، يبدأ التحليل.

في بعض النقاط، قد ي trởن واضحًا أن النموذج يفتقر إلى معامل مهم، مثل مستوى ملء الكأس. في السابق، قد تكون البيانات قد 포함ت تعليقات على الأشياء (الكأس، الحنفية، المقبض) والافعال (الفتح، الملء، الإغلاق)، لكنها لم تكن تحتوي على تعليقات على الحالة، مثل درجة الامتلاء.

ثم يضاف طبقة جديدة إلى العملية: تعليم مستوى الملء، متبوعًا بالتدوين، على سبيل المثال، تحديد أي شيء يزيد عن 85% كحالة حرجة.

هذا يؤدي إلى التكرار التالي للتدريب. يمكنك أن يكون لديك مئات من هذه التكرارات.

لا أحد يفترض أن النظام سيعمل بشكل صحيح على الفور. على العكس، يتم بناء العملية حول التقارب المتتالي: أولاً، يتم إنشاء إصدار أساسي؛ ثم يتم اختباره في ظروف حقيقية أو شبه حقيقية؛ يتم تحديد الفجوات؛ ويتم تحسين النظام. هذا شيء أتناوله عادة مع العملاء في Introspector، حيث نمر معًا بكل رحلة الذكاء الاصطناعي الفيزيائي.

في مرحلة معينة، يتم تحقيق النتيجة المرغوبة. لكن قيمتها لا تكمن فقط في أن النظام يبدأ في العمل، بل في الخبرة المتراكمة التي تمكن من إعادة إنتاج هذه النتيجة بطريقة أكثر قابلية للتوقع.

الاقتصاد الذي ي 忽نه الجميع

خلال السنة الماضية أو نحو ذلك، لاحظت أن أكبر خطأ يرتكبه الشركات عند العمل مع البيانات الإيجوسنترية لا يتعلق كثيرًا بالتكنولوجيا.

المشكلة الأساسية هي في الواقع تقليل تقدير اقتصاديات المشروع.

في مرحلة الفكرة، تحتل التكنولوجيا الصدارة – ما هي النماذج التي يجب استخدامها، وكيفية تدريبها، ونهجها التي يجب تطبيقها. تدرس، وتبحث، وتناقش الهياكل، وتختبر الفرضيات. هذا هو الطبيعى: التكنولوجيا تشعر بأنها الجزء الأكثر ملموسية وواضحة من المشكلة.

لكن نادرًا ما تسأل الفرق سؤالاً مباشراً وعملياً في هذه المرحلة: كم سيكون التكلفة؟

عندما تنتقل المشروع من النظرية إلى التنفيذ، ي trởن واضحًا أن هناك عشرات الآلاف من ساعات البيانات وراء كل نموذج. يتطلب جمع هذه البيانات وقتًا، ووصولًا إلى بيئات حقيقية، ومشاركة أخصائيين. يضيف التعليق طبقة أخرى من التعقيد والتكلفة. نتيجة لذلك، تكون الأرقام النهائية غالبًا أعلى بكثير من المتوقع في البداية.

هذا لا يعني أن هذه المشاريع لا ينبغي متابعتها. على العكس، هي التي تدفع الصناعة إلى الأمام.

لكن ما يهم هو فهم حجم التحدي من البداية. الاعتراف بأن هناك عمل بيانات معقد ومكلف الموارد وراء كل خوارزمية رائعة.

حتى الأفكار القوية تفشل في الوصول إلى التنفيذ الكامل عندما تبدأ تكاليف البيانات في الارتفاع إلى ما فوق سبع أرقام.

و ربما أهم تحول يحدث في الروبوتات اليوم مربوط بهذا الإدراك. مستقبل هذه الأنظمة سيكون محددًا بكيفية “ذكاء”ها وبكيفية بناء трубة البيانات بأكملها بدقة – من جمع البيانات إلى التفسير النهائي.