Η Πραγματική Κόστος Εκπαίδευσης Ρομπότ

Στο πρώτο μέρος, συζητήσαμε πώς τα ρομπότ εξελίσσονται από βασική μηχανική σε κατανόηση του περιβάλλοντος. Στο στάδιο του “τελευταίου μιλίου” – όταν τα ρομπότ υποβάλλονται σε μετα-εκπαίδευση για συγκεκριμένες, εξειδικευμένες εργασίες – εμφανίζεται ένα απροσδόκητο εμπόδιο. Συνδέεται με τα δεδομένα: συλλογή, οργάνωση και κλιμάκωση σε πραγματικές συνθήκες.

Είναι ακριβώς σε αυτό το στάδιο που το χάσμα μεταξύ εννοίας και εφαρμογής γίνεται πιο εμφανές. Ποια είναι τα βασικά εμπόδια και πώς μπορούν να υπερβεί με ελάχιστη τριβή;

Γιατί χιλιάδες ώρες δεδομένων μετατρέπονται σε χρόνια εργασίας

Ας φανταστούμε ότι ήδη έχουμε ένα εκπαιδευμένο ρομπότ που έχει υποβληθεί σε προ-εκπαίδευση. Μπορεί να πλοηγηθεί στο περιβάλλον του, να κινηθεί, να αποφύγει εμπόδια και να αλληλεπιδράσει με αντικείμενα. Είναι σαν ένα “παιδί δέκα ετών” που είναι γενικά ικανό να ενεργεί ανεξάρτητα. Το επόμενο βήμα είναι να το διδάξουμε να εκτελεί συγκεκριμένες ενέργειες υπό συγκεκριμένες συνθήκες, για παράδειγμα, εγκατάσταση γυάλινων πάνελ και σφραγιστικών λωρίδων σε μια γραμμή παραγωγής αυτοκινήτων.

Σε πρώτη ματιά, η εργασία φαίνεται απλούστερη. Περιλαμβάνει την εξοικείωση με ένα μόνο σενάριο και ο όγκος των δεδομένων που απαιτούνται είναι σημαντικά μικρότερος από ό,τι κατά τη διάρκεια της προ-εκπαίδευσης. Ενώ η βασική εκπαίδευση μπορεί να απαιτήσει εκατοντάδες χιλιάδες ώρες, η μετα-εκπαίδευση μπορεί να διαρκέσει μόνο χιλιάδες. Αλλά αυτά τα νούμερα είναι παραπλανητικά.

Όταν μεταφραστούν σε πραγματικό χρόνο, η διαδικασία αποκαλύπτει την πραγματική της πολυπλοκότητα. Υπό ένα τυπικό ωράριο εργασίας, ένας άνθρωπος εργάζεται περίπου 160 ώρες το μήνα. Ωστόσο, αυτό δεν σημαίνει ότι όλο αυτό το χρόνο μπορεί να χρησιμοποιηθεί για ηχογράφηση.

Στην πράξη, συνέβησαν συνεχείς διακοπές: μπαταρίες εξαντλούνται, κάμερες μετακινούνται, αισθητήρες αποτυγχάνουν. Όσο πιο σύνθετο είναι το σύστημα εξοπλισμού, τόσο υψηλότερη είναι η πιθανότητα προβλημάτων. Ακόμη και μια απλή αποτυχία, όπως οι αισθητήρες σε ένα γάντι που παύουν να λειτουργούν, μπορεί να σταματήσει τη διαδικασία και να οδηγήσει σε χαμένο χρόνο.

Ως αποτέλεσμα, η πραγματική ταχύτητα συλλογής δεδομένων είναι 2-3 φορές χαμηλότερη. Μια ώρα υψηλής ποιότητας ηχογράφησης μπορεί να απαιτήσει μέχρι τρεις ώρες πραγματικής εργασίας. Αυτό αλλάζει δραματικά τον υπολογισμό: 5.000 ώρες δεδομένων μεταφράζονται σε περίπου 15.000 ώρες εργασίας.

Στρώσεις πάνω σε στρώσεις πολυπλοκότητας

Κατά τη διάρκεια της προ-εκπαίδευσης, μπορεί να είναι αρκετό να δώσετε σε一个人 μια κάμερα και να του ζητήσετε να ηχογραφήσει καθημερινές δραστηριότητες. Σε αυτό το στάδιο, ωστόσο, απαιτείται πρόσβαση σε ένα συγκεκριμένο περιβάλλον, όπως ένα εργοστάσιο, ένας χώρος κατασκευής ή một εξειδικευμένη εγκατάσταση παραγωγής.

Αυτό εισάγει αμέσως πρακτικούς περιορισμούς. Για παράδειγμα, σε einen χώρο κατασκευής, οι εργάτες απαιτείται να φορούν κράνη ασφαλείας, που σημαίνει ότι πρέπει να αναπτυχθεί εξειδικευμένος εξοπλισμός: κράνη με ενσωματωμένες κάμερες που είναι ανθεκτικές στη σκόνη, την υγρασία και τις επιπτώσεις.

Στη συνέχεια έρχεται η πρόσβαση στον χώρο himself. Οι συμφωνίες πρέπει να γίνουν με τους ιδιοκτήτες του χώρου, οι άδειες πρέπει να ληφθούν και οι συνθήκες πρέπει να διαπραγματευτούν. Αυτό几乎 πάντα περιλαμβάνει πρόσθετους κόστους: οι εταιρείες περιμένουν αποζημίωση και οι εργάτες περιμένουν να πληρωθούν για τη συμμετοχή τους.

Η ασφάλιση και η συμμόρφωση με τις προδιαγραφές ασφαλείας γίνονται επίσης κρίσιμες ανησυχίες. Nếu ο εξοπλισμός δεν πληροί τις απαιτούμενες προδιαγραφές, η ασφάλιση μπορεί να ακυρωθεί,迫使 την ολόκληρη διαδικασία να αναδιαρθρωθεί.

ΕVEN στο επίπεδο της ημερήσιας λειτουργίας, οι προκλήσεις παραμένουν. Οι κάμερες πρέπει να ενεργοποιηθούν, να παρακολουθούνται και να διατηρούνται. Οι εργάτες λειτουργούν με γάντια και σε δυσχερείς συνθήκες. Ο εξοπλισμός γίνεται βρόμικος, φθαρεί και σπάει. Μια κάμερα μπορεί να κλείσει μετά από quelques λεπτά και ο άνθρωπος μπορεί να μην το καταλάβει καν.

Αυτό δημιουργεί την ανάγκη για τους συμμετέχοντες να εκπαιδευτούν – πρέπει να κατανοήσουν πώς να χρησιμοποιούν τον εξοπλισμό. Επιπλέον, απαιτείται συνεχής εποπτεία – κάποιος πρέπει να διασφαλίσει ότι η ηχογράφηση συνεχίζεται και ότι τα συσκευές λειτουργούν σωστά.

Από сыρό βίντεο σε δεδομένα εκπαίδευσης

Μετά την ηχογράφηση, αρχίζει το επόμενο στάδιο: συλλογή δεδομένων, ανέβασμα, δομή, επικύρωση της ποιότητας και επισήμανση.

Κάθε сыρό δεδομένο αποτελείται από βίντεο και σήματα αισθητήρων. Για να το μετατρέψει σε υλικό εκπαίδευσης, πρέπει να δομηθεί: τα αντικείμενα πρέπει να αναγνωριστούν, οι ενέργειες πρέπει να καταγραφούν και οι καταστάσεις, οι κινήσεις και οι αλληλεπιδράσεις με το περιβάλλον πρέπει να περιγραφούν. Αυτό είναι όπου η επισήμανση έρχεται στο παιχνίδι. Μια λογική ερώτηση προκύπτει – τι είναι το χρυσωμένο πρότυπο για τέτοια ροή εργασίας επισήμανσης;

Σε ορισμένες περιπτώσεις, απλές περιγράμματα είναι αρκετά για να αναγνωρίσουν αντικείμενα σε ένα πλαίσιο. Σε άλλες, χρονική επισήμανση απαιτείται για να περιγράψει ακολουθίες ενεργειών με την πάροδο του χρόνου. Σε ορισμένες περιπτώσεις, κλειδιά και σκελετικά μοντέλα χρησιμοποιούνται για να καταγράψουν την κίνηση του σώματος. Σε πιο σύνθετες περιπτώσεις, 3D πλέγματα ή παρακολούθηση στάσεων χεριών απαιτούνται για να αναπαραστήσουν ακριβώς τη μηχανική αλληλεπίδρασης. Πρόσθετοι αισθητήρες, όπως επιταχύνσεις, συχνά ενσωματώνονται για να καταγράψουν τη δυναμική της κίνησης και την εφαρμοζόμενη δύναμη.

Πρότζεκτ όπως αυτά επίσης συχνά απαιτούν την κλιμάκωση της ομάδας. Η επισήμανση είναι μια μεγάλη και σύνθετη εργασία herself, που απαιτεί χρόνο, εμπειρογνωσία και σημαντικούς ανθρώπινους πόρους. Αυτό είναι όπου οι παρόχοι λύσεων δεδομένων με εσωτερικές ομάδες επισήμανσης έρχονται στο παιχνίδι. Όπως το Keymakr, το οποίο έχει αποδειχθεί ιδιαίτερα αποτελεσματικό χάρη στην ικανότητά του να κλιμακώνει τις ομάδες για να ταιριάζουν σε οποιοδήποτε όγκο δεδομένων, από έναν seul ειδικό σε εκατοντάδες annotators.

Δεν υπάρχει σωστός τρόπος εκπαίδευσης ακόμη

Η βιομηχανία βρίσκεται ακόμη σε μια εξερευνητική φάση, καθώς δεν υπάρχει συναίνεση σχετικά με ποια συνδυασμός δεδομένων δίνει τα καλύτερα αποτελέσματα. Πολλές προσεγγίσεις επικυρώνονται εμπειρικά επειδή λειτουργούν σε συγκεκριμένα πειράματα. Ως αποτέλεσμα, διαφορετικές ομάδες συνεχίζουν να βασίζονται σε διαφορετικές τεχνολογίες, διαμορφωμένες από την εμπειρία, τις εργασίες και τους περιορισμούς τους.

Σε ακαδημαϊκό και εφαρμοσμένο επίπεδο, αυτό οδηγεί σε κατακερματισμό: εργαστήρια και εταιρείες κινούνται σε διαφορετικές κατευθύνσεις. Η κατάσταση θυμίζει τις πρώτες μέρες της αυτονομίας οδήγησης όταν η Tesla στοίχησε σε μια προοπτική μόνο προσέγγιση χωρίς LiDAR, ενώ οι περισσότεροι άλλοι παίκτες επέλεξαν το LiDAR ως βασικό αισθητήρα.

Σήμερα, τα συστήματα που βασίζονται στο LiDAR τείνουν να δείχνουν πιο σταθερές επιδόσεις, ωστόσο η προσέγγιση της Tesla συνεχίζει να εξελίσσεται. Η διαφορά είναι ότι στην αυτονομία οδήγησης, η αγορά έχει largement ωριμάσει: σταθερές αρχιτεκτονικές έχουν εμφανιστεί, οι περιορισμοί είναι καλά κατανοητοί και σημαντική εμπειρογνωσία έχει συσσωρευτεί.

Αντιθέτως, για τη Φυσική AI και παρόμοια εκπαίδευση μοντέλων, αυτό το επίπεδο ωριμότητας δεν έχει ακόμη επιτευχθεί. Η αγορά βρίσκεται ακόμη σε διαμόρφωση, οι προδιαγραφές λείπουν και πολλή πρόοδος οδηγείται από πειραματισμό. Νέες μεθόδους για την εκπαίδευση μοντέλων, τη βελτίωση της αποδοτικότητας και την προσαρμογή σε πραγματικές συνθήκες συνεχίζουν να εμφανίζονται, υποδεικνύοντας ότι οι πιο σημαντικές επαναστάσεις σε αυτό το πεδίο είναι ακόμη μπροστά.

Ο άνθρωπος ως σύστημα ενίσχυσης

Η επισήμανση δεν υπάρχει σε απομόνωση, ούτε μόνο για το μοντέλο. Λειτουργεί ως εργαλείο για τον μηχανικό που κατασκευάζει αυτό το μοντέλο. Μέσω αυτής, формαλίζει την πραγματικότητα, αναγνωρίζει κρίσιμους παραμέτρους και ορίζει τους κανόνες συμπεριφοράς του συστήματος.

Η εργασία του μηχανικού είναι να διδάξει το σύστημα να εκτελεί ενέργειες σωστά σε πραγματικές συνθήκες. Για παράδειγμα, ένα βασικό σενάριο μπορεί να αποτελείται από τέσσερις ενέργειες: πιάστε ένα γυάλινο, ενεργοποιήστε το νεροχύτη, γεμίστε το και σβήστε το νεροχύτη. Αλλά στην πραγματικότητα, μια απόκλιση συμβαίνει – το γυάλινο ξεχειλίζει.

Σε εκείνο το σημείο, το μοντέλο αναμένεται να ολοκληρώσει το σενάριο και να thựcει дополнительικές ενέργειες: σταματήστε τη ροή του νερού, προσαρμόστε το επίπεδο του νερού και προотвείστε την υπερχείλιση. Αυτή είναι η λογική συμπεριφοράς που βασίζεται στην контекτουαλική κατανόηση.

Ο μηχανικός ακολουθεί έναν κύκλο: επισήμανση δεδομένων, εκπαίδευση του μοντέλου, δοκιμή. Nếu το σύστημα λειτουργεί, η υπόθεση επιβεβαιώνεται. Nếu όχι, η ανάλυση αρχίζει.

Σε κάποιο σημείο, μπορεί να γίνει σαφές ότι το μοντέλο λείπει ενός σημαντικού παραμέτρου, όπως το επίπεδο γεμίσματος του γυαλιού. Προηγουμένως, τα δεδομένα μπορεί να περιελάμβαναν επισήμανση για αντικείμενα (γυάλινο, νεροχύτη, χέρι) και ενέργειες (ανοίγοντας, γεμίζοντας, κλείνοντας), αλλά έλλειπαν επισήμανση για κατάσταση, όπως το βαθμό πληρότητας.

Μια νέα στρώση προστίθεται στη διαδικασία: επισήμανση του επιπέδου γεμίσματος, ακολουθούμενη από формαλισμό, για παράδειγμα, ορισμό οτιδήποτε πάνω από 85% ως κρίσιμη κατάσταση.

Αυτό οδηγεί στην επόμενη επανάληψη της εκπαίδευσης. Μπορείτε να έχετε εκατοντάδες τέτοιες επαναλήψεις.

Κανείς δεν υποθέτει ότι το σύστημα θα λειτουργήσει σωστά αμέσως. Αντίθετα, η διαδικασία είναι χτισμένη γύρω από διαδοχικές προσεγγίσεις: πρώτα, δημιουργείται μια βασική έκδοση, στη συνέχεια δοκιμάζεται σε πραγματικές ή σχεδόν πραγματικές συνθήκες, τα κενά αναγνωρίζονται και το σύστημα βελτιώνεται. Αυτό είναι κάτι που συχνά συζητώ με πελάτες στο Introspector, με τους οποίους περνάμε ολόκληρο το ταξίδι της Φυσικής AI μαζί.

Σε κάποιο σημείο, το επιθυμητό αποτέλεσμα επιτυγχάνεται. Αλλά η αξία του δεν βρίσκεται μόνο στο ότι το σύστημα αρχίζει να λειτουργεί, αλλά στην συσσωρευμένη εμπειρία που επιτρέπει αυτό το αποτέλεσμα να αναπαραχθεί πιο προβλέψιμα.

Η οικονομία που όλοι ξεχνούν

Τον τελευταίο χρόνο ή περίπου, έχω παρατηρήσει ότι το μεγαλύτερο λάθος που κάνουν οι εταιρείες όταν εργάζονται με εγωκεντρικά δεδομένα έχει λίγη σχέση με την τεχνολογία.

Το βασικό πρόβλημα είναι στην πραγματικότητα η υποεκτίμηση της οικονομικής των προτζεκτ.

Στο στάδιο της ιδέας, η τεχνολογία βρίσκεται στο κέντρο: ποια μοντέλα να χρησιμοποιηθούν, πώς να τα εκπαιδεύσουν και ποιες προσεγγίσεις να εφαρμοστούν. Μελέτη, έρευνα, συζήτηση αρχιτεκτονικών, δοκιμή υποθέσεων. Αυτό είναι φυσιολογικό: η τεχνολογία φαίνεται η πιο ορατή και πιο σαφής μέρος του προβλήματος.

Αλλά πολύ λιγότερο συχνά σε αυτό το στάδιο, οι ομάδες ρωτούν μια直接ική και πρακτική ερώτηση: πόσο θα κοστίσει;

Όταν ένα προτζεκτ μεταβαίνει από τη θεωρία στην εφαρμογή, γίνεται σαφές ότι πίσω από κάθε μοντέλο υπάρχουν δεκάδες χιλιάδες ώρες δεδομένων. Η συλλογή αυτών των δεδομένων απαιτεί χρόνο, πρόσβαση σε πραγματικά περιβάλλοντα και την εμπλοκή ειδικών. Η επισήμανση προσθέτει ακόμη μια στρώση πολυπλοκότητας και κόστους. Ως αποτέλεσμα, τα τελικά νούμερα είναι συχνά μεγαλύτερα από ό,τι αρχικά αναμενόταν.

Αυτό δεν σημαίνει ότι τέτοια προτζεκτ δεν πρέπει να ακολουθηθούν. Αντίθετα, είναι αυτά που οδηγούν την βιομηχανία μπροστά.

Αλλά αυτό που έχει σημασία είναι η κατανόηση του μεγέθους της πρόκλησης από την αρχή. Το να αναγνωρίζετε ότι στην εκπαίδευση μοντέλων, πίσω από κάθε εκπληκτικό αλγόριθμο υπάρχει σύνθετη, πλουσιοπάροχη δουλειά δεδομένων.

ΕVEN οι ισχυρές ιδέες αποτυγχάνουν να φτάσουν στην πλήρη εφαρμογή όταν τα κόστη δεδομένων αρχίζουν να ανεβαίνουν πολύ πάνω από επτά ψηφία.

Και ίσως η πιο σημαντική μετατόπιση που συμβαίνει στη ρομποτική σήμερα είναι συνδεδεμένη με αυτήν την πραγματικότητα. Το μέλλον αυτών των συστημάτων θα καθοριστεί από το πόσο “έξυπνα” είναι και από το πόσο αποτελεσματικά και ακριβώς ολόκληρη η διαδικασία δεδομένων είναι χτισμένη – από τη συλλογή δεδομένων μέχρι την τελική ερμηνεία.