Το πραγματικό κόστος της εκπαίδευσης των 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 ξεπεραστούν 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.

Με μια 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 όλος αυτός ο χρόνος μπορεί να χρησιμοποιηθεί για καταγραφή.

Στην πράξη, συμβαίνουν 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 καταγραφής 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 ένα άτομο μια κάμερα και να του ζητήσετε να καταγράψει καθημερινές δραστηριότητες. Σε αυτό το στάδιο, ωστόσο, απαιτείται πρόσβαση σε ένα συγκεκριμένο περιβάλλον, όπως ένα εργοστάσιο, ένας χώρος κατασκευής ή μια εξειδικευμένη εγκατάσταση παραγωγής.

Αυτό εισάγει αμέσως πρακτικούς περιορισμούς. Για παράδειγμα, σε ένα εργοτάξιο, 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 κρούσεις.

Στη συνέχεια έρχεται η πρόσβαση στον ίδιο τον χώρο. Οι συμφωνίες πρέπει να γίνουν με τους ιδιοκτήτες του χώρου, οι άδειες πρέπει να ληφθούν και οι συνθήκες πρέπει να διαπραγματευτούν. Αυτό σχεδόν πάντα περιλαμβάνει πρόσθετα κόστη: 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. Αν ο εξοπλισμός δεν πληροί τις απαιτούμενες προδιαγραφές, η ασφάλιση μπορεί να ακυρωθεί, αναγκάζοντας ολόκληρη τη διαδικασία να αναδιαρθρωθεί.

Ακόμη και 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, φθείρεται και σπάει. Μια κάμερα μπορεί να κλείσει μετά από μερικά 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 καταγραφή συνεχίζεται και ότι οι συσκευές λειτουργούν σωστά.

Από ακατέργαστο βίντεο σε δεδομένα εκπαίδευσης

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

Τα ακατέργαστα δεδομένα αποτελούνται από βίντεο και σήματα αισθητήρων. Για να μετατραπούν σε εκπαιδευτικό υλικό, πρέπει να δομηθούν: 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 – ποιο είναι το πρότυπο αναφοράς για μια τέτοια ροή εργασίας επισήμανσης;

Σε ορισμένες περιπτώσεις, απλά πλαίσια οριοθέτησης αρκούν για την αναγνώριση αντικειμένων σε ένα καρέ. Σε άλλες, χρονική επισήμανση απαιτείται για να περιγράψει ακολουθίες ενεργειών με την πάροδο του χρόνου. Σε ορισμένες περιπτώσεις, βασικά σημεία 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 επιταχυνσιόμετρα, 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 από μόνη της, 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 μόνο ειδικό έως εκατοντάδες επισημειωτές.

Δεν υπάρχει σωστός τρόπος εκπαίδευσης ακόμη

Η βιομηχανία βρίσκεται ακόμη σε μια εξερευνητική φάση, καθώς δεν υπάρχει συναίνεση σχετικά με το ποιος 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 αυτόνομης οδήγησης όταν η Tesla (TSLA ) στοίχησε σε μια προσέγγιση βασισμένη αποκλειστικά στην όραση, 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 αυτόνομη οδήγηση, η αγορά έχει ωριμάσει σε μεγάλο βαθμό: 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 μέθοδοι 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, τυποποιεί την πραγματικότητα, αναγνωρίζει κρίσιμες 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: να πάρει ένα ποτήρι, να ανοίξει τη βρύση, να γεμίσει το ποτήρι και να κλείσει τη βρύση. Στην πραγματικότητα όμως προκύπτει μια απόκλιση: το ποτήρι ξεχειλίζει.

Σε εκείνο το σημείο, το μοντέλο αναμένεται να ολοκληρώσει το σενάριο και να εκτελέσει πρόσθετες ενέργειες: να σταματήσει τη ροή του νερού, να προσαρμόσει τη στάθμη και να αποτρέψει την υπερχείλιση. Αυτή είναι η λογική συμπεριφοράς που βασίζεται στη συμφραζομενική κατανόηση.

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

Σε κάποιο σημείο, μπορεί να γίνει σαφές ότι από το μοντέλο λείπει μια σημαντική παράμετρος, όπως η στάθμη πλήρωσης του ποτηριού. Προηγουμένως, τα δεδομένα μπορεί να περιελάμβαναν επισήμανση για αντικείμενα (ποτήρι, βρύση, λαβή) και ενέργειες (ανοίγοντας, γεμίζοντας, κλείνοντας), αλλά έλειπαν επισημάνσεις για την κατάσταση, όπως τον βαθμό πληρότητας.

Μια νέα στρώση προστίθεται στη διαδικασία: επισήμανση του επιπέδου γεμίσματος, ακολουθούμενη από τυποποίηση, 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 στη 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 των οικονομικών απαιτήσεων των έργων.

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

Αλλά πολύ λιγότερο συχνά σε αυτό το στάδιο, οι ομάδες ρωτούν μια άμεση 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 κατά τάξεις μεγέθους υψηλότερα 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 εργασία δεδομένων που απαιτεί πολλούς πόρους.

Ακόμη και 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.