Den Sande Omkostning Ved Uddannelse Af Robotter

I den første del diskuterede vi, hvordan robotter udvikler sig fra grundlæggende mekanik til at forstå deres omgivelser. Ved “sidste mil”-stadiet – hvor robotter undergår efteruddannelse for bestemte, brugerdefinerede opgaver – opstår der en uventet barriere. Den er forbundet med data: indsamling, organisation og skalering i virkelige forhold.

Det er netop på dette stadium, at gapet mellem koncept og implementering bliver mest åbenlyst. Hvad er de vigtigste flaskehalse, og hvordan kan de overvindes med minimalt slid?

Hvorfor tusinder af timers data bliver til års arbejde

Lad os forestille os, at vi allerede har en uddannet robot, der har gennemgået foruddannelse. Den kan navigere i sin omgivelse, bevæge sig, undgå hindringer og interagere med objekter. Det er som en “ti-årig” barn, der generelt kan fungere uafhængigt. Næste skridt er at lære det at udføre bestemte handlinger under bestemte betingelser, f.eks. montering af glaspaneler og tætningsstriber på en bilproduktionslinje.

På overfladen ser opgaven ud til at være enklere. Den indebærer at mestre en enkelt scenario, og datavolumenet er betydeligt mindre end under foruddannelse. Mens grundlæggende træning kan kræve hundredtusinder af timer, kan efteruddannelse kun tage få tusinder. Men disse tal er misvisende.

Når de oversættes til reel tid, afslører processen sin sande kompleksitet. Under en standardarbejdstid arbejder en person omkring 160 timer om måneden. Dette betyder dog ikke, at al denne tid kan bruges til optagelse.

I praksis opstår der konstant forstyrrelser: batterier løber tømmer, kameraer skifter, sensorer fejler. Jo mere kompleks udstyret er, desto højere er sandsynligheden for problemer. Selv et simpelt fejl som sensorer på en håndskoe, der holder op med at fungere, kan standse processen og resultere i tabt tid.

Som følge heraf er den faktiske datavolume 2-3 gange lavere. En time højkvalitets optagelse kan kræve op til tre timer reelt arbejde. Dette ændrer radikalt beregningen: 5.000 timers data oversætter til omtrent 15.000 timers arbejde.

Lag på lag af kompleksitet

Under foruddannelse kan det være nok at give en person et kamera og bede dem om at optage dagligdagsaktiviteter. På dette stadium kræves adgang til en bestemt omgivelse, såsom en fabrik, et byggeområde eller en specialiseret produktionsfacilitet.

Dette introducerer straks praktiske begrænsninger. F.eks. på et byggeområde skal arbejdere bære sikkerhedshjelme, hvilket betyder, at specialudstyr må udvikles: hjelme med integrerede kameraer, der er resistente over for støv, fugt og påvirkning.

Så kommer adgangen til selv området. Der skal aftales med ejere af området, tilladelser skal erhverves, og betingelser skal forhandles. Dette indebærer næsten altid ekstra omkostninger: virksomheder forventer kompensation, og arbejdere forventer at blive betalt for deres deltagelse.

Forsikring og sikkerhedsstandarder bliver også kritiske bekymringer. Hvis udstyret ikke opfylder de nødvendige standarder, kan forsikringen være ugyldig, hvilket tvinger hele processen til at blive omstruktureret.

Selv på niveauet for daglige operationer består udfordringerne. Kameraer skal tændes, overvåges og vedligeholdes. Arbejdere opererer i handsker og under hårde forhold. Udstyret bliver beskidt, slidt og ødelagt. Et kamera kan lukke af efter få minutter, og personen måske ikke engang bemærker det.

Dette skaber behov for, at deltagere selv uddanner sig – de må forstå, hvordan de skal bruge udstyret. Desuden kræves kontinuerlig overvågning – nogen skal sikre, at optagelsen er i gang, og at enhederne fungerer korrekt.

Fra rå video til træningsdata

Efter optagelse begynder næste skridt: dataindsamling, upload, strukturering, validering af kvaliteten og mærkning.

Enhver rå data består af video- og sensorsignaler. For at omdanne det til træningsmateriale skal det struktureres: objekter skal identificeres, handlinger skal indfanges, og tilstande, bevægelser og interaktioner med omgivelsen skal beskrives. Her kommer mærkning ind i billedet. En logisk spørgsmål opstår – hvad er standarden for en sådan mærkningsproces?

I visse tilfælde er simple begrænsningsbokse nok til at identificere objekter i en ramme. I andre tilfælde kræves tidsmæssig mærkning for at beskrive handlingers sekvenser over tid. I visse scenarier bruges nøglepunkter og skeletmodeller til at indfange kropsbevægelser. I mere komplekse tilfælde bruges 3D-net eller håndstillingsspor til at præcisere interaktionsmekanikken. Yderligere sensorer, såsom accelerometre, integreres ofte for at indfange bevægelsesdynamik og påvirkningskraft.

Projekter som disse kræver ofte en udvidelse af holdet. Mærkning er en stor og kompleks opgave i sig selv, der kræver tid, ekspertise og betydelige menneskelige ressourcer. Her kommer data-løsningsudbydere med interne mærkningshold ind i billedet. Såsom Keymakr, der har vist sig at være særligt effektiv på grund af deres evne til at udvide hold til at matche ethvert datavolume, fra en enkelt specialist til hundredvis af mærkere.

Der er ingen ret vej til træning endnu

Branchen er stadig i en eksplorerende fase, da der ikke er enighed om, hvilken kombination af data giver de bedste resultater. Mange tilgange valideres empirisk, fordi de virker i bestemte eksperimenter. Som følge heraf fortsætter forskellige hold med at stole på forskellige teknologier, formede af deres egen erfaring, opgaver og begrænsninger.

På både akademisk og anvendt niveau fører dette til fragmentering: laboratorier og virksomheder bevæger sig i forskellige retninger. Situationen minder om de tidlige dage af selvstændig kørsel, hvor Tesla satte sin lid til en vision-baseret tilgang uden LiDAR, mens de fleste andre spillere valgte LiDAR som en kerne-sensor.

I dag tenderer LiDAR-baserede systemer til at demonstrere mere stabilt præstation, mens Teslas tilgang fortsat udvikler sig. Forskellen er, at i selvstændig kørsel har markedet i høj grad modnet: stabile arkitekturer er opstået, begrænsninger er godt forstået, og betydelig ekspertise er opbygget.

I modsætning hertil har dette niveau af modning endnu ikke være nået for Fysisk AI og lignende modeltræning. Markedet er stadig under udvikling, standarder mangler, og meget af fremgangen drives af eksperimenter. Nye metoder til modeltræning, effektivitetsforbedring og tilpasning til virkelige scenarier fortsætter med at opstå, hvilket antyder, at de vigtigste gennembrud i dette felt stadig er foran os.

Mennesket som en forstærkningssystem

Mærkning eksisterer ikke i isolation, ej heller for modellen alene. Den fungerer som et værktøj for ingeniøren, der bygger modellen. Gennem den formaliserer de virkeligheden, identificerer nøgleparametre og definerer systemets adfærdsregler.

Ingeniørens opgave er at lære systemet at udføre handlinger korrekt i virkelige forhold. F.eks. kan en grundlæggende scenario bestå af fire handlinger: samle et glas op, tænde for vandet, fylde det og slukke for vandet. Men i virkeligheden opstår en afvigelse – glasset løber over.

På det tidspunkt forventes modellen at fuldføre scenariet og udføre yderligere handlinger: stoppe vandstrømmen, justere vandniveauet og forhindre overskylning. Dette er adfærdslogik baseret på kontekstforståelse.

Ingeniøren følger en cyklus: mærke data, træne modellen, teste den. Hvis systemet fungerer, bekræftes hypotesen. Hvis ikke, begynder analysen.

På et tidspunkt kan det blive klart, at modellen mangler en vigtig parameter, såsom glassets fyldningsniveau. Tidligere kan data have indeholdt mærkninger for objekter (glas, vand, håndtag) og handlinger (åbning, fyldning, lukning), men manglede mærkninger for tilstand, såsom graden af fuldhed.

En ny lag tilføjes herefter til processen: mærkning af fyldningsniveauet, efterfulgt af formalisering, f.eks. definition af alt over 85% som en kritisk tilstand.

Dette fører til den næste iteration af træning. Du kan have hundredvis af sådanne iterationer.

Ingen antager, at systemet vil fungere korrekt med det samme. Tværtimod er processen bygget op omkring succesive tilnærmelser: først oprettes en baseline-version; derefter testes den i virkelige eller næsten-virkelige forhold; huller identificeres; og systemet forfineres. Dette er noget, jeg ofte diskuterer med kunder på Introspector, hvor vi går gennem hele den fysiske AI-rejse sammen.

På et bestemt tidspunkt opnås det ønskede resultat. Men dets værdi ligger ikke kun i, at systemet begynder at fungere, men i den opbyggede erfaring, der tillader dette resultat at blive reproduceret mere forudsigeligt.

Økonomien, alle glemmer

I løbet af det sidste år eller så har jeg bemærket, at den største fejl, virksomheder begår, når de arbejder med egocentrisk data, har lidt at gøre med teknologi.

Det centrale problem er faktisk underestimering af projektøkonomien.

Ved ide-stadiet er teknologi i centrum – hvilke modeller at bruge, hvordan at træne dem, og hvilke tilgange at anvende. Du studerer, forsker, diskuterer arkitekturer og tester hypoteser. Dette er naturligt: teknologi føles som den mest konkrete og åbenlyse del af problemet.

Men langt mindre ofte stiller hold på dette stadium et direkte og praktisk spørgsmål: hvor meget vil det koste?

Når et projekt bevæger sig fra teori til implementering, bliver det klart, at bag hver model ligger titusinder af timers data. At indsamle disse data kræver tid, adgang til virkelige omgivelser og deltagelse af specialister. Mærkning tilføjer endnu en lag af kompleksitet og omkostninger. Som følge heraf er de endelige tal ofte mange gange højere, end forventet.

Dette betyder ikke, at sådanne projekter ikke skal forfølges. Tværtimod er de det, der driver branchen fremad.

Men det, der betyder noget, er at forstå udfordringens størrelse fra begyndelsen. At erkende, at i modeltræning ligger bag hver fantastisk algoritme kompleks, ressourcekrævende dataarbejde.

Selv stærke idéer mislykkes med at nå fuld implementering, når dataomkostningerne begynder at stige langt over syv cifre.

Og måske den vigtigste ændring, der sker i robotteknologi i dag, er forbundet med denne erkendelse. Fremtiden for disse systemer vil blive defineret af, hvor “intelligente” de er, og hvor effektivt og præcist hele dataprocessen er bygget – fra dataindsamling til endelig fortolkning.