Robottien koulutuksen todellinen hinta

Ensimmäisessä osassa keskustelimme siitä, miten robotit kehittyvät perusmekaniikasta ympäristönsä ymmärtämiseen. “Viimeisen mailin” vaiheessa – kun robotit käyvät koulutuksen jälkeen erityisiä, mukautettuja tehtäviä varten – odottamaton este ilmenee. Se liittyy tietoihin: niiden keräämiseen, järjestämiseen ja skaalautumiseen todellisissa olosuhteissa.

Tässä vaiheessa kuilu konseptin ja toteutuksen välillä tulee selkeimmin esiin. Mitkä ovat avainpullonkaulat, ja miten niitä voidaan voittaa minimoiden kitkaa?

Miksi tuhannet tuntia dataa muuttuvat vuosiksi työtä

Kuvitelkaamme, että meillä on jo koulutettu robotti, joka on käynyt esikoulutuksen. Se pystyy navigoimaan ympäristössään, liikkumaan, välttämään esteitä ja vuorovaikuttamaan objekteiden kanssa. Se on kuin “kymmenenvuotias lapsi”, joka on yleisesti ottaen kykenevä toimimaan itsenäisesti. Seuraava askel on opettaa sille tiettyjä toimintoja tiettyjen olosuhteiden alaisena, esimerkiksi asentamaan lasilevyjä ja tiivisteitä autonvalmistuksen tuotantolinjalle.

Ensimmäisellä silmäyksellä tehtävä näyttää yksinkertaisemmalta. Se vaatii hallitsemaan yhden skenaarion, ja tarvittava tietojen määrä on huomattavasti pienempi kuin esikoulutuksessa. Peruskoulutuksessa voi vaatia satoja tuhansia tunteja, mutta jälkikoulutuksessa voi riittää vain tuhannet tunnit. Mutta nämä luvut ovat harhaanjohtavia.

Kun ne käännetyksi todelliseksi ajaksi, prosessi paljastaa oikean monimutkaisuutensa. Standardityöaikataulun mukaan henkilö työskentelee noin 160 tuntia kuukaudessa. Tämä ei kuitenkaan tarkoita, että kaikki tämä aika voidaan käyttää tallentamiseen.

Käytännössä jatkuva keskeytykset tapahtuvat: akut loppuvat, kamerat siirtyvät, anturit epäonnistuvat. Mitä monimutkaisempi laitteiston asennus on, sitä suurempi on ongelmien todennäköisyys. Jopa yksinkertainen virhe, kuten sensoreiden loppuminen hanskoissa, voi pysäyttää prosessin ja johtaa ajan menetykseen.

Tämän seurauksena todellinen tietojen keräämisen nopeus on 2-3 kertaa hitaampi. Yksi tunti laadukasta tallennusta voi vaatia jopa kolme tuntia todellista työtä. Tämä muuttaa laskelmaa radikaalisti: 5 000 tuntia dataa vastaa noin 15 000 tuntia työtä.

Monimutkaisuuskerroksia

Esikoulutuksessa voi riittää, että henkilölle annetaan kamera ja pyydetään tallentamaan arkipäivän toimintoja. Tässä vaiheessa vaaditaan kuitenkin pääsy tiettyyn ympäristöön, kuten tehtaaseen, rakennusalueelle tai erityiseen tuotantolaitokseen.

Tämä esittää välittömästi käytännön rajoituksia. Esimerkiksi rakennusalueella työntekijöiden on käytettävä turvallisuuden vuoksi suojakypärää, mikä edellyttää erityisen laitteiston kehittämistä: kypärää, jossa on integroitu kamera, joka kestää pölyä, kosteutta ja iskuja.

Sitten tulee itse alueen pääsy. On tehtävä sopimukset alueen omistajien kanssa, haettava lupia ja neuvoteltava ehtoja. Tämä vaatii lähes aina lisäkustannuksia: yritykset odottavat korvauksia, ja työntekijät odottavat palkkaa osallistumisestaan.

Vakuutus ja turvallisuuden noudattaminen tulevat myös tärkeiksi kysymyksiksi. Jos laitteisto ei täytä vaadittuja standardeja, vakuutus voidaan mitätöidä, mikä pakottaa koko prosessin uudelleenjärjestelyyn.

Myös päivittäisessä toiminnassa haasteet jatkuvat. Kameroiden on käynnistettävä, valvottava ja ylläpidettävä. Työntekijät työskentelevät hanskoissa ja karheissa olosuhteissa. Laitteet likaantuvat, kuluvat ja hajoavat. Kamera voi sammua muutaman minuutin kuluttua, eikä henkilö edes huomaa.

Tämä luo tarpeen osallistujien koulutukselle – heidän on ymmärrettävä, miten laitteita käytetään. Lisäksi jatkuva valvonta on tarpeen – joku on varmistettava, että tallennus on meneillään ja laitteet toimivat oikein.

Raw-videosta koulutusdataksi

Tallennuksen jälkeen seuraava vaihe alkaa: tietojen kerääminen, lataaminen, järjestäminen, laadun validointi ja merkintä.

Mikä tahansa raakadata koostuu videosta ja anturisignaaleista. Sen muuttamiseksi koulutusmateriaaliksi se on järjestettävä: objekteja on tunnistettava, toimintoja on tallennettava ja tiloja, liikkeitä ja vuorovaikutuksia ympäristön kanssa on kuvaillaan. Tässä vaiheessa merkintä tulee esiin. Looginen kysymys nousee – mikä on kultainen standardi tällaiselle merkintätyölle?

Joissakin tapauksissa yksinkertaiset reunakkeet riittävät objekteiden tunnistamiseen kehyskoossa. Toisissa tapauksissa aikamerkintä vaaditaan toimintojen kuvaamiseen ajan myötä. Tietyissä skenaarioissa avainpisteet ja luurangomallit käytetään kehon liikkeen tallentamiseen. Monimutkaisemmissa tapauksissa 3D-verkkoja tai käden asennon seurantaa tarvitaan vuorovaikutusmekaniikan tarkkaan kuvaamiseen. Lisäksi muita antureita, kuten kiihtyvyysantureita, käytetään liikkeen dynamiikan ja sovelletun voiman tallentamiseen.

Tällaiset projektit vaativat usein myös tiimin laajentamista. Merkintä on suuri ja monimutkainen tehtävä itsessään, joka vaatii aikaa, asiantuntemusta ja merkittäviä inhimillisiä resursseja. Tässä vaiheessa tietojen ratkaisujen tarjoajat, joilla on sisäiset merkintätiimit, tulevat mukaan. Kuten Keymakr, joka on osoittautunut erityisen tehokkaaksi kykynsä ansiosta skaalata tiimejä vastaamaan mitä tahansa tietojen määrää – yhdestä asiantuntijasta satoihin merkintätyöntekijöihin.

Ei ole oikeaa lähestymistapaa koulutukseen vielä

Teollisuus on edelleen tutkimusvaiheessa, eikä konsensusta ole saavutettu siitä, mikä tietojen yhdistelmä tuottaa parhaat tulokset. Monet lähestymistavat vahvistetaan empiirisesti, koska ne toimivat tietyissä kokeissa. Sen seurauksena eri tiimit jatkavat eri teknologioiden käyttämistä, jotka muotoillaan heidän omalla kokemuksellaan, tehtävillään ja rajoituksillaan.

Tämä johtaa hajaantumiseen sekä akateemisella että soveltavalla tasolla: laboratoriot ja yritykset liikkuvat eri suuntiin. Tilanne muistuttaa itseohjautuvan ajamisen varhaisia päiviä, kun Tesla panosti visio-ainesta ilman LiDARia, kun taas useimmat muut toimijat valitsivat LiDARin ydinanturiksi.

Nykyään LiDAR-pohjaiset järjestelmät osoittavat usein vakaampaa suorituskykyä, mutta Teslan lähestymistapa jatkaa kehittymistään. Ero on, että itseohjautuvassa ajossa markkinat ovat jo kypsiä: vakaat arkkitehtuurit ovat kehittyneet, rajoitukset ovat hyvin ymmärretty ja merkittävä asiantuntemus on kertynyt.

Vastakohtana fysiikan AI:lle ja vastaavanlaiselle mallin koulutukselle tämä taso tyytyväisyyttä ei ole vielä saavutettu. Markkinat ovat edelleen muotoutumassa, standardeja ei ole, ja suurin osa edistymisestä perustuu kokeiluihin. Uudet menetelmät mallien kouluttamiseen, tehokkuuden parantamiseen ja sopeutumiseen todellisiin skenaarioihin jatkavat nousemista, mikä viittaa siihen, että tärkeimmät läpimurrot tässä alalla ovat edelleen edessä.

Ihminen vahvistusjärjestelmänä

Merkintä ei ole olemassa erillään eikä vain mallille. Se toimii työkaluna insinöörille, joka rakentaa mallin. Sen kautta he formalisoivat todellisuuden, tunnistavat avainparametrit ja määrittelevät järjestelmän käyttäytymissäännöt.

Insinöörin tehtävä on opettaa järjestelmälle toimimaan oikein todellisissa olosuhteissa. Esimerkiksi perusskenaario voi koostua neljästä toiminnosta: lasin nostamisesta, hanan avaamisesta, täyttämisestä ja hanan sulkemisesta. Mutta todellisuudessa poikkeama tapahtuu – lasi ylittyy.

Tässä vaiheessa mallia odotetaan suorittavan skenaarion ja tekemään lisätoimintoja: veden virtauksen lopettamista, veden tason säätämistä ja roiskumisen estämistä. Tämä on käyttäytymislogiikkaa kontekstuaalisen ymmärryksen perusteella.

Insinööri seuraa sykliä: merkitse dataa, kouluta mallia, testaa sitä. Jos järjestelmä toimii, hypoteesi vahvistetaan. Jos ei, analyysi alkaa.

Jonkin vaiheen jälkeen voi selvitä, että malli puuttuu tärkeästä parametrasta, kuten lasin täyttöasteesta. Aikaisemmin data olisi sisältänyt merkintöjä objekteille (lasi, hana, käsittely), mutta ei merkintöjä tilalle, kuten täyttöasteelle.

Uusi kerros lisätään prosessiin: täyttöasteen merkintä, jota seuraa formalisointi, esimerkiksi määritelmä, jossa kaikki yli 85 %:n täyttöaste on kriittinen tila.

Tämä johtaa seuraavaan koulutuksen iteraatioon. Voit käydä läpi satoja tällaisia iteraatioita.

Kukaan ei oleta, että järjestelmä toimisi oikein välittömästi. Sen sijaan prosessi on rakennettu peräkkäisten approksimointien ympärille: ensin luodaan perusversio; sitten se testataan todellisissa tai lähes todellisissa olosuhteissa; aukot tunnistetaan; ja järjestelmä jalostetaan. Tämä on asia, josta usein keskustelen asiakkaideni kanssa Introspectorissa, jossa kuljemme koko fysiikan AI-matkan yhdessä.

Tiettyyn vaiheeseen haluttu tulos saavutetaan. Mutta sen arvo ei ole ainoastaan siinä, että järjestelmä alkaa toimia, vaan kertyneessä kokemuksesta, joka mahdollistaa tuloksen toistamisen ennustettavammin.

Kaikki unohtavat talous

Viimeisen vuoden aikana olen huomannut, että suurin virhe, jonka yritykset tekevät työskennellessään egosentrisen datan kanssa, liittyy vain vähän tekniikkaan.

Perusongelma on itse asiassa projektin taloudellisessa aliarvioinnissa.

Idean vaiheessa tekniikka on keskipisteenä – mitä malleja käytetään, miten niitä koulutetaan ja mitkä lähestymistavat sovelletaan. Tutkimme, teemme tutkimusta, keskustelemme arkkitehtuureista ja testaamme hypoteeseja. Tämä on luonnollista: tekniikka tuntuu konkreettisimmalta ja ilmeisimmältä osalta ongelmaa.

Harvemmin tiimit kysyvät suoraa ja käytännöllistä kysymystä tässä vaiheessa: kuinka paljon se maksaa?

Kun projekti siirtyy teorian toteutukseen, selviää, että jokaisen mallin takana on kymmeniä tuhansia tunteja dataa. Tämän datan kerääminen vaatii aikaa, pääsyä todellisiin ympäristöihin ja asiantuntijoiden osallistumista. Merkintä lisää vielä yhden kerroksen monimutkaisuutta ja kustannuksia. Tuloksena lopulliset numerot ovat usein useita kertoja suuremmat kuin aluksi odotettiin.

Tämä ei tarkoita, ettei tällaisia projekteja pitäisi toteuttaa. Päinvastoin, ne ajavat alan eteenpäin.

Mikä on tärkeää, on ymmärtää haasteen mittakaava alusta alkaen. Tunnustaa, että mallin koulutuksessa on takana monimutkainen, resursseja vaativa tietotyö.

Myös vahvat ideat epäonnistuvat täydellisessä toteutuksessa, kun datan kustannukset alkavat kasvaa hyvin yli seitsemän numeron.

Ja ehkä tärkein muutos, joka tapahtuu robottiikassa tänään, liittyy tähän toteamaan. Tulevaisuus näistä järjestelmistä määritellään siitä, kuinka “älykkäitä” ne ovat ja kuinka tehokkaasti ja tarkasti koko tietoputki on rakennettu – tietojen keräämisestä lopulliseen tulkintaan.