قادة الفكر

التكلفة الحقيقية لتدريب الروبوتات

Michael Abramov
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيتطلب جمع البيانات للتدريب اللاحق للروبوتات ثلاثة أضعاف الجهد البشري مقارنة بما تشير…
عرض المزيد
  • يتطلب جمع البيانات للتدريب اللاحق للروبوتات ثلاثة أضعاف الجهد البشري مقارنة بما تشير إليه ساعات العمل الخام.
  • تقوم الشركات بشكل روتيني بتقليل تقديرات تكاليف المشاريع من خلال تجاهل نفقات وضع العلامات على البيانات والوصول إلى العالم الحقيقي.
  • تفتقر صناعة الروبوتات إلى إجماع حول التركيبات المثلى للبيانات، مما يعكس حالة التجزؤ المبكر في مجال القيادة الذاتية.

في الجزء الأول، ناقشنا كيف تتطور الروبوتات من الميكانيكا الأساسية إلى فهم بيئتها. في مرحلة “الميل الأخير” – عندما تخضع الروبوتات للتدريب اللاحق على مهام محددة ومخصصة – يظهر حاجز غير متوقع. وهو مرتبط بالبيانات: جمعها وتنظيمها وتوسيع نطاق جمعها في ظروف العالم الحقيقي.

في هذه المرحلة تحديدًا تصبح الفجوة بين المفهوم والتنفيذ 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” يمكنه عمومًا التصرف بشكل مستقل. الخطوة التالية هي تعليمه أداء أفعال محددة في ظروف محددة، على سبيل المثال، تركيب الألواح الزجاجية وشرائط الإحكام على خط إنتاج السيارات.

للوهلة الأولى، تبدو المهمة أبسط. فهي تتطلب إتقان سيناريو واحد، وحجم البيانات المطلوبة أقل بكثير من التدريب المسبق. في حين أن التدريب التأسيسي قد يتطلب مئات الآلاف من الساعات، قد يتطلب التدريب اللاحق فقط آلاف الساعات. لكن هذه الأرقام مضللة.

عندما تُحوّل هذه الأرقام إلى وقت فعلي، تكشف العملية عن تعقيدها الحقيقي. 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: تنفد شحنة البطاريات، وتتحرك الكاميرات، وتتعطل الحساسات. كلما زاد تعقيد تجهيز المعدات، زادت احتمالية المشكلات. حتى فشل بسيط مثل توقف عمل الحساسات على قفاز يمكن أن يوقف العملية ويؤدي إلى فقدان الوقت.

نتيجة لذلك، ينخفض معدل جمع البيانات الفعلي إلى النصف أو الثلث. يمكن أن تتطلب 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 يكفي أن تعطي شخصًا كاميرا وتطلب منه تسجيل الأنشطة اليومية. أما في هذه المرحلة، فيلزم 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. وهذا يتضمن تكاليف إضافية في أغلب الأحيان: الشركات تتوقع تعويضًا، والعمال يتوقعون دفع أجرهم للمشاركة.

يصبح التأمين والامتثال لمتطلبات السلامة أيضًا من القضايا الحاسمة. 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، والاهتراء، والتعطل. قد تنطفئ 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، يلزم إشراف مستمر – يجب على شخص ما أن يضمن استمرار التسجيل وأن تعمل الأجهزة بشكل صحيح.

من الفيديو الخام إلى بيانات التدريب

بعد التسجيل، تبدأ المرحلة التالية: جمع البيانات، ورفعها، وتنظيمها، والتحقق من جودتها، ووسمها.

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 الوسم. يطرح سؤال منطقي – ما هو المعيار الذهبي لسير عمل الوسم من هذا النوع؟

في بعض الحالات، تكون مربعات الإحاطة البسيطة كافية لتحديد الأشياء في الإطار. في حالات أخرى، يلزم وسم زمني لوصف تسلسل الأفعال على امتداد الوقت. في بعض السيناريوهات، يتم استخدام نقاط رئيسية ونماذج هيكلية لالتقاط 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 مقاييس التسارع، لالتقاط ديناميكيات الحركة والقوة المطبقة.

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

لا يوجد حتى الآن نهج صحيح واحد للتدريب

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، تشكلت بناءً على خبراتها ومهامها وقيودها.

على المستويين الأكاديمي والتطبيقي، يؤدي هذا إلى تفتيت: مختبرات وشركات تتحرك في اتجاهات مختلفة. الوضع يذكرنا بأيام السيارات ذاتية القيادة في البداية، عندما راهنت تيسلا (TSLA ) على نهج يعتمد على الرؤية وحدها 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، وأصبحت القيود مفهومة جيدًا، وتراكمت خبرة كبيرة.

في المقابل، بالنسبة للذكاء الاصطناعي الفيزيائي وتدريب النماذج المماثل، لم يتحقق هذا المستوى من النضج بعد. لا يزال السوق في طور التكوين، ولا توجد معايير، وتقود التجارب معظم التقدم. 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 الوسم بمعزل عن غيره، ولا يخدم النموذج وحده. بل هو أداة للمهندس الذي يبني النموذج، يصوغ بها الواقع بصورة رسمية ويحدد المعلمات الرئيسية وقواعد سلوك النظام.

مهمة المهندس هي تعليم النظام أداء الأفعال بشكل صحيح في ظروف العالم الحقيقي. على سبيل المثال، قد يتكون 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: يسم البيانات، ويدرب النموذج، ويفحصه. إذا عمل النظام، يتم تأكيد الفرضية. إذا لم يكن كذلك، يبدأ التحليل.

في مرحلة ما، قد يتضح أن النموذج يفتقر إلى معامل مهم، مثل مستوى ملء الكأس. في السابق، قد تكون البيانات قد تضمنت وسومًا للأشياء (الكأس، الحنفية، المقبض) والأفعال (الفتح، الملء، الإغلاق)، لكنها لم تكن تحتوي على وسوم للحالة، مثل درجة الامتلاء.

ثم تُضاف طبقة جديدة إلى العملية: وسم مستوى الملء، ثم صياغته بصورة رسمية، على سبيل المثال، تعريف مستوى امتلاء يتجاوز 85% بأنه حالة حرجة.

هذا يؤدي إلى التكرار التالي للتدريب. قد تكون هناك 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.

الجانب الاقتصادي الذي يتجاهله الجميع

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

المشكلة الأساسية هي في الواقع التقليل من تقدير المتطلبات الاقتصادية للمشروع.

في مرحلة الفكرة، تحتل التكنولوجيا الصدارة – ما هي النماذج التي يجب استخدامها، وكيفية تدريبها، وما النهج التي يجب تطبيقها. تدرس، وتبحث، وتناقش الهياكل، وتختبر الفرضيات. وهذا طبيعي: إذ تبدو التكنولوجيا الجزء الأكثر وضوحًا وملموسية من المشكلة.

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

عندما ينتقل المشروع من النظرية إلى التنفيذ، يتضح أن هناك عشرات الآلاف من ساعات البيانات وراء كل نموذج. يتطلب جمع هذه البيانات وقتًا، ووصولًا إلى بيئات حقيقية، ومشاركة أخصائيين. يضيف الوسم طبقة أخرى من التعقيد والتكلفة. نتيجة لذلك، تكون الأرقام النهائية غالبًا أعلى بعدة مراتب من حيث المقدار مما كان متوقعًا 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 وراء كل خوارزمية رائعة في تدريب النماذج عملًا معقدًا وكثيف الموارد على البيانات.

حتى الأفكار القوية تفشل في الوصول إلى التنفيذ الكامل عندما تبدأ تكاليف البيانات في الارتفاع إلى ما يتجاوز بكثير مبالغ من سبعة أرقام.

ولعل أهم تحول يحدث في الروبوتات اليوم مرتبط بهذا الإدراك. سيتحدد مستقبل هذه الأنظمة بمدى «ذكائها» وبمدى فعالية ودقة بناء مسار البيانات بأكمله، من جمع البيانات إلى تفسيرها النهائي.

مايكل أبراموف هو المؤسس والرئيس التنفيذي لشركة Scryon، ويجلب أكثر من 15+ سنة من خبرة الهندسة البرمجية وأنظمة الذكاء الاصطناعي للرؤية الحاسوبية إلى بناء أدوات تصنيف على مستوى المؤسسات.

بدأ مايكل مسيرته كمهندس برمجيات ومدير البحث والتطوير، حيث بنى أنظمة بيانات قابلة للتوسع وأدار فرقًا هندسية متعددة التخصصات. حتى عام 2025، شغل منصب الرئيس التنفيذي لشركة Keymakr، وهي شركة خدمات تصنيف البيانات، حيث كان رائدًا في تطوير سير عمل بمشاركة الإنسان، وأنظمة ضمان جودة متقدمة، وأدوات مخصصة لدعم احتياجات البيانات الضخمة للرؤية الحاسوبية والأنظمة الذاتية.

يحمل درجة البكالوريوس في علوم الحاسوب وخلفية في الهندسة والفنون الإبداعية، مما يمنحه منظورًا متعدد التخصصات لحل المشكلات الصعبة. يعيش مايكل عند تقاطع الابتكار التكنولوجي والقيادة الاستراتيجية للمنتجات والتأثير الواقعي، ويساهم في دفع الحدود التالية للأنظمة الذاتية والأتمتة الذكية.