रोबोट प्रशिक्षण की वास्तविक लागत

पहले भाग में, हमने चर्चा की कि रोबोट कैसे बुनियादी यांत्रिकी से पर्यावरण को समझने तक विकसित होते हैं। “अंतिम मील” चरण में – जब रोबोट विशिष्ट, कस्टम कार्यों के लिए पोस्ट-ट्रेनिंग से गुजरते हैं – एक अप्रत्याशित बाधा उत्पन्न होती है। यह डेटा से जुड़ा हुआ है: इसके संग्रह, संगठन और वास्तविक दुनिया की स्थितियों में स्केलिंग।

यह वह चरण है जहां अवधारणा और कार्यान्वयन के बीच का अंतर सबसे अधिक स्पष्ट हो जाता है। मुख्य बाधाएं क्या हैं, और उन्हें न्यूनतम घर्षण के साथ कैसे पार किया जा सकता है?

हजारों घंटे का डेटा कैसे वर्षों का काम बन जाता है

तो आइए कल्पना करें कि हमारे पास पहले से ही एक प्रशिक्षित रोबोट है जिसने पूर्व-प्रशिक्षण से गुजरा है। यह अपने आसपास की दुनिया को नेविगेट कर सकता है, चल सकता है, बाधाओं से बच सकता है और वस्तुओं के साथ बातचीत कर सकता है। यह एक “दस साल के बच्चे” की तरह है जो सामान्य रूप से स्वतंत्र रूप से कार्य कर सकता है। अगला कदम यह सिखाना है कि यह विशिष्ट परिस्थितियों में विशिष्ट क्रियाएं करे, जैसे कि एक ऑटोमोटिव उत्पादन लाइन पर ग्लास पैनल और सीलिंग स्ट्रिप्स स्थापित करना।

पहली नज़र में, कार्य सरल लगता है। इसमें एक ही परिदृश्य को मास्टर करना शामिल है, और आवश्यक डेटा की मात्रा पूर्व-प्रशिक्षण की तुलना में काफी कम है। जबकि मूलभूत प्रशिक्षण के लिए सैकड़ों हजारों घंटे की आवश्यकता हो सकती है, पोस्ट-ट्रेनिंग के लिए केवल हजारों घंटे ही पर्याप्त हो सकते हैं। लेकिन ये संख्याएं भ्रामक हैं।

जब इसे वास्तविक समय में अनुवादित किया जाता है, तो प्रक्रिया अपनी वास्तविक जटिलता का खुलासा करती है। एक मानक कार्य कार्यक्रम के तहत, एक व्यक्ति लगभग 160 घंटे प्रति माह काम करता है। हालांकि, इसका मतलब यह नहीं है कि यह सभी समय रिकॉर्डिंग के लिए उपयोग किया जा सकता है।

व्यवहार में, निरंतर व्यवधान होते हैं: बैटरी खत्म हो जाती है, कैमरे बदल जाते हैं, सेंसर विफल हो जाते हैं। उपकरण सेटअप जितना अधिक जटिल होगा, समस्याओं की संभावना उतनी ही अधिक होगी। यहां तक कि एक सरल विफलता जैसे कि ग्लोव पर सेंसर काम करना बंद कर देना प्रक्रिया को रोक सकता है और समय की हानि का कारण बन सकता है।

परिणामस्वरूप, वास्तविक डेटा-संग्रह गति 2-3 गुना कम हो जाती है। एक घंटे की उच्च-गुणवत्ता वाली रिकॉर्डिंग के लिए वास्तविक कार्य के 3 घंटे की आवश्यकता हो सकती है। यह गणना को радिकally बदलता है: 5,000 घंटे का डेटा लगभग 15,000 घंटे के श्रम में अनुवादित होता है।

जटिलता की परतें

पूर्व-प्रशिक्षण के दौरान, यह पर्याप्त हो सकता है कि एक व्यक्ति को एक कैमरा दिया जाए और उनसे रोजमर्रा की गतिविधियों को रिकॉर्ड करने के लिए कहा जाए। इस चरण में, हालांकि, एक विशिष्ट वातावरण तक पहुंच की आवश्यकता होती है, जैसे कि एक कारखाना, एक निर्माण स्थल, या एक विशेष उत्पादन सुविधा।

यह तुरंत व्यावहारिक प्रतिबंध पेश करता है। उदाहरण के लिए, एक निर्माण स्थल पर, श्रमिकों को सुरक्षा हेलमेट पहनने की आवश्यकता होती है, जिसका अर्थ है कि विशेष उपकरण विकसित किया जाना चाहिए: धूल, नमी और प्रभाव के प्रतिरोधी कैमरे के साथ हेलमेट।

फिर साइट तक पहुंच आती है। साइट मालिकों के साथ समझौते किए जाने चाहिए, अनुमतियां प्राप्त की जानी चाहिए, और शर्तें तय की जानी चाहिए। यह लगभग हमेशा अतिरिक्त लागतें शामिल करता है: कंपनियां मुआवजे की उम्मीद करती हैं, और श्रमिकों को भागीदारी के लिए भुगतान की उम्मीद होती है।

बीमा और सुरक्षा अनुपालन भी महत्वपूर्ण चिंताएं बन जाती हैं। यदि उपकरण आवश्यक मानकों को पूरा नहीं करता है, तो बीमा रद्द किया जा सकता है, जिससे पूरी प्रक्रिया को पुनर्गठित करने के लिए मजबूर होना पड़ सकता है।

दैनिक संचालन के स्तर पर, चुनौतियां बनी रहती हैं। कैमरों को चालू करने, निगरानी करने और रखरखाव करने की आवश्यकता होती है। श्रमिक दस्ताने और कठोर परिस्थितियों में काम करते हैं। उपकरण गंदा हो जाता है, खराब हो जाता है और टूट जाता है। एक कैमरा कुछ मिनटों के बाद बंद हो सकता है, और व्यक्ति को इसका पता भी नहीं चल सकता है।

यह भागीदारों को प्रशिक्षित करने की आवश्यकता को जन्म देता है – उन्हें उपकरण का उपयोग करना सीखना होगा। इसके अलावा, निरंतर पर्यवेक्षण की आवश्यकता है – किसी को यह सुनिश्चित करने की आवश्यकता है कि रिकॉर्डिंग जारी है और उपकरण ठीक से काम कर रहा है।

कच्चे वीडियो से प्रशिक्षण डेटा तक

रिकॉर्डिंग के बाद, अगला चरण शुरू होता है: डेटा संग्रह, अपलोडिंग, संरचना, गुणवत्ता की पुष्टि करना और लेबलिंग करना।

कोई भी कच्चा डेटा वीडियो और सेंसर सिग्नल से बना होता है। इसे प्रशिक्षण सामग्री में बदलने के लिए, इसे संरचित किया जाना चाहिए: वस्तुओं की पहचान की जानी चाहिए, क्रियाएं पकड़ी जानी चाहिए, और राज्य, आंदोलन और पर्यावरण के साथ बातचीत का वर्णन किया जाना चाहिए। यहीं पर एनोटेशन की भूमिका आती है। एक तार्किक प्रश्न उत्पन्न होता है – ऐसे एनोटेशन वर्कफ्लो के लिए स्वर्ण मानक क्या है?

कुछ मामलों में, वस्तुओं की पहचान करने के लिए फ्रेम में सरल बाउंडिंग बॉक्स पर्याप्त हैं। अन्य में, समयिक एनोटेशन की आवश्यकता होती है क्रियाओं के क्रम को समय के साथ वर्णित करने के लिए। कुछ परिदृश्यों में, कीपॉइंट और स्केलेटल मॉडल का उपयोग शरीर की गति को पकड़ने के लिए किया जाता है। अधिक जटिल मामलों में, 3D मेश या हाथ की मुद्रा ट्रैकिंग की आवश्यकता होती है परस्पर क्रिया यांत्रिकी को सटीक रूप से प्रस्तुत करने के लिए। अतिरिक्त सेंसर, जैसे कि एक्सेलेरोमीटर, अक्सर गति गतिविधियों और लागू बल को पकड़ने के लिए एकीकृत किए जाते हैं।

इस तरह की परियोजनाओं के लिए अक्सर टीम को स्केल करने की आवश्यकता होती है। लेबलिंग एक बड़ा और जटिल कार्य है जिसमें समय, विशेषज्ञता और महत्वपूर्ण मानव संसाधनों की आवश्यकता होती है। यहीं पर डेटा समाधान प्रदाता आते हैं जिनके पास इन-हाउस एनोटेशन टीमें होती हैं। जैसे कि Keymakr, जो अपनी टीमों को किसी भी डेटा वॉल्यूम से मेल खाने के लिए स्केल करने की क्षमता के लिए विशेष रूप से प्रभावी साबित हुआ है – एक से सैकड़ों एनोटेटर तक।

अभी तक प्रशिक्षण के लिए कोई सही दृष्टिकोण नहीं है

उद्योग अभी भी अन्वेषण चरण में है, क्योंकि यह सहमति नहीं है कि कौन सा डेटा संयोजन सबसे अच्छे परिणाम देता है। कई दृष्टिकोण विशिष्ट प्रयोगों में अनुभवजन्य रूप से मान्य किए जाते हैं। नतीजतन, विभिन्न टीमें अपने स्वयं के अनुभव, कार्यों और प्रतिबंधों द्वारा आकार दिए गए विभिन्न प्रौद्योगिकियों पर निर्भर रहती हैं।

विद्वान और व्यावहारिक स्तर पर, इसका परिणाम खंडित होता है: प्रयोगशालाएं और कंपनियां विभिन्न दिशाओं में आगे बढ़ रही हैं। स्थिति स्वायत्त ड्राइविंग के शुरुआती दिनों की याद दिलाती है जब टेस्ला ने लिडार के बिना दृष्टि-केवल दृष्टिकोण पर दांव लगाया, जबकि अधिकांश अन्य खिलाड़ियों ने लिडार को एक मुख्य सेंसर के रूप में चुना।

आज, लिडार-आधारित प्रणाली अधिक स्थिर प्रदर्शन का प्रदर्शन करने की प्रवृत्ति है, फिर भी टेस्ला का दृष्टिकोण अभी भी विकसित हो रहा है। अंतर यह है कि स्वायत्त ड्राइविंग में, बाजार बड़े पैमाने पर परिपक्व हो गया है: स्थिर वास्तुकला उभरी है, सीमाएं अच्छी तरह से समझी जाती हैं, और महत्वपूर्ण विशेषज्ञता जमा हुई है।

इसके विपरीत, भौतिक एआई और इसी तरह के मॉडल प्रशिक्षण के लिए, इस स्तर की परिपक्वता अभी तक नहीं मिली है। बाजार अभी भी形成 हो रहा है, मानकों की कमी है, और प्रगति का अधिकांश भाग प्रयोग द्वारा संचालित है। मॉडल प्रशिक्षण, दक्षता में सुधार और वास्तविक दुनिया की स्थितियों के अनुकूलन के लिए नए तरीके लगातार उभर रहे हैं, जो सुझाव देते हैं कि इस क्षेत्र में सबसे महत्वपूर्ण सफलताएं अभी भी आगे हैं।

मानव एक पुनरावृत्ति प्रणाली के रूप में

लेबलिंग मॉडल के लिए अकेले में नहीं है, न ही यह केवल मॉडल के लिए है। यह एक उपकरण के रूप में कार्य करता है जो इंजीनियर को मॉडल बनाता है। इसके माध्यम से, वे वास्तविकता को औपचारिक रूप देते हैं, महत्वपूर्ण पैरामीटर की पहचान करते हैं, और प्रणाली के व्यवहार संबंधी नियमों को परिभाषित करते हैं।

इंजीनियर का कार्य प्रणाली को वास्तविक दुनिया की स्थितियों में सही ढंग से कार्य करने के लिए सिखाना है। उदाहरण के लिए, एक बुनियादी परिदृश्य में चार क्रियाएं शामिल हो सकती हैं: एक ग्लास उठाना, नल चालू करना, इसे भरना और नल बंद करना। लेकिन वास्तविकता में, एक विचलन होता है – ग्लास ओवरफ्लो हो जाता है।

उस क्षण में, मॉडल को परिदृश्य को पूरा करने और अतिरिक्त क्रियाएं करने की अपेक्षा की जाती है: पानी के प्रवाह को रोकना, पानी के स्तर को समायोजित करना और छलकाव को रोकना। यह संदर्भिक समझ पर आधारित व्यवहार तर्क है।

इंजीनियर एक चक्र का पालन करता है: डेटा को एनोटेट करें, मॉडल को प्रशिक्षित करें, इसे परीक्षण करें। यदि प्रणाली काम करती है, तो परिकल्पना की पुष्टि होती है। यदि नहीं, तो विश्लेषण शुरू होता है।

किसी बिंदु पर, यह स्पष्ट हो सकता है कि मॉडल एक महत्वपूर्ण पैरामीटर की कमी है, जैसे कि ग्लास का भरने का स्तर। पहले, डेटा में वस्तुओं (ग्लास, नल, हैंडल) और क्रियाओं (खोलने, भरने, बंद करने) के लिए एनोटेशन शामिल हो सकते थे, लेकिन राज्य, जैसे भरने की डिग्री के लिए नहीं।

तब प्रक्रिया में एक नई परत जोड़ी जाती है: भरने के स्तर को एनोटेट करना, उसके बाद औपचारिककरण, जैसे कि 85% से अधिक को एक महत्वपूर्ण राज्य के रूप में परिभाषित करना।

यह प्रशिक्षण की अगली पुनरावृत्ति की ओर ले जाता है। आपके पास ऐसी सैकड़ों पुनरावृत्तियां हो सकती हैं।

कोई यह नहीं मानता है कि प्रणाली तुरंत सही ढंग से काम करेगी। इसके विपरीत, प्रक्रिया को पुनरावृत्तियों के माध्यम से निर्मित किया जाता है: पहले, एक बेसलाइन संस्करण बनाया जाता है; फिर इसे वास्तविक या लगभग वास्तविक स्थितियों में परीक्षण किया जाता है; अंतराल की पहचान की जाती है; और प्रणाली को परिष्कृत किया जाता है। यह वह बात है जिस पर मैं अक्सर Introspector के साथ ग्राहकों के साथ चर्चा करता हूं, जिनके साथ हम पूरे भौतिक एआई यात्रा को एक साथ करते हैं।

एक निश्चित बिंदु पर, वांछित परिणाम प्राप्त किया जाता है। लेकिन इसका मूल्य न केवल इस तथ्य में है कि प्रणाली काम करना शुरू कर देती है, बल्कि उस अनुभव में भी है जो इस परिणाम को अधिक विश्वसनीय रूप से पुन: उत्पन्न करने की अनुमति देता है।

हर कोई जो अर्थशास्त्र भूल जाता है

पिछले एक साल में, मैंने देखा है कि कंपनियां जो एगोकेंट्रिक डेटा के साथ काम करती हैं, उनमें सबसे बड़ी गलती तकनीक से जुड़ी नहीं है।

मूल समस्या वास्तव में परियोजना अर्थशास्त्र को कम आंकने में है।

विचार चरण में, तकनीक केंद्र चरण पर है – कौन से मॉडल का उपयोग करना है, उन्हें कैसे प्रशिक्षित करना है, और किन दृष्टिकोणों को लागू करना है। आप अध्ययन करते हैं, शोध करते हैं, संरचनाओं पर चर्चा करते हैं और परिकल्पनाओं का परीक्षण करते हैं। यह प्राकृतिक है: तकनीक सबसे अधिक स्पष्ट और स्पष्ट समस्या का हिस्सा लगती है।

लेकिन इस चरण में, टीमें कम बार सीधा और व्यावहारिक प्रश्न पूछती हैं: यह कितना खर्च करेगा?

जब एक परियोजना सिद्धांत से कार्यान्वयन में बदलती है, तो यह स्पष्ट हो जाता है कि प्रत्येक मॉडल के पीछे दसियों हजारों घंटे का डेटा है। इस डेटा को इकट्ठा करने के लिए समय, वास्तविक वातावरण तक पहुंच और विशेषज्ञों की भागीदारी की आवश्यकता होती है। लेबलिंग एक और परत जोड़ती है जटिलता और लागत। नतीजतन, अंतिम संख्याएं अक्सर अपेक्षा से कई गुना अधिक होती हैं।

इसका मतलब यह नहीं है कि ऐसी परियोजनाओं को नहीं चलाया जाना चाहिए। इसके विपरीत, वे उद्योग को आगे बढ़ाने वाले हैं।

लेकिन जो महत्वपूर्ण है वह यह है कि चुनौती के पैमाने को शुरू से ही समझना। यह समझना कि मॉडल प्रशिक्षण में, हर अद्भुत अल्गोरिदम के पीछे जटिल, संसाधन-गहन डेटा कार्य है।

यहां तक कि मजबूत विचार भी पूर्ण कार्यान्वयन तक नहीं पहुंच पाते हैं जब डेटा लागतें अच्छी तरह से सात अंकों से ऊपर चली जाती हैं।

और शायद रोबोटिक्स में आज हो रहा सबसे महत्वपूर्ण बदलाव इस बात से जुड़ा हुआ है। इन प्रणालियों का भविष्य यह निर्धारित करेगा कि वे कितने “बुद्धिमान” हैं और पूरे डेटा पाइपलाइन को कितनी प्रभावी और सटीक रूप से बनाया गया है – डेटा संग्रह से लेकर अंतिम व्याख्या तक।