Il Vero Costo dell’Addestramento dei Robot

Nella prima parte, abbiamo discusso di come i robot evolvono da meccanismi basilari alla comprensione del loro ambiente. Allo stadio del “ultimo miglio” – quando i robot subiscono un addestramento post-trattamento per compiti specifici e personalizzati – emerge un ostacolo inaspettato. È legato ai dati: alla loro raccolta, organizzazione e scalabilità in condizioni del mondo reale.

È proprio a questo stadio che il divario tra concetto e implementazione diventa più evidente. Quali sono gli ostacoli chiave e come possono essere superati con il minimo attrito?

Perché migliaia di ore di dati si trasformano in anni di lavoro

Immaginiamo di avere già un robot addestrato che ha subito un pre-addestramento. Può navigare nel suo ambiente, muoversi, evitare ostacoli e interagire con gli oggetti. È come un “bambino di dieci anni” che è generalmente in grado di agire in modo indipendente. Il prossimo passo è insegnargli a eseguire azioni specifiche in condizioni specifiche, ad esempio installare pannelli di vetro e strisce di sigillatura su una linea di produzione automobilistica.

A prima vista, il compito sembra più semplice. Richiede il dominio di un singolo scenario e il volume di dati necessario è significativamente inferiore rispetto al pre-addestramento. Mentre l’addestramento di base può richiedere centinaia di migliaia di ore, il post-addestramento potrebbe richiedere solo migliaia di ore. Ma questi numeri sono ingannevoli.

Quando tradotti in tempo reale, il processo rivela la sua vera complessità. In base a un orario di lavoro standard, una persona lavora circa 160 ore al mese. Tuttavia, ciò non significa che tutto quel tempo possa essere utilizzato per la registrazione.

Nella pratica, si verificano costanti interruzioni: le batterie si esauriscono, le telecamere si spostano, i sensori falliscono. Più è complesso l’impostazione dell’attrezzatura, maggiore è la probabilità di problemi. Anche un semplice guasto come i sensori su un guanto che smettono di funzionare può bloccare il processo e comportare una perdita di tempo.

Di conseguenza, la velocità effettiva di raccolta dei dati è 2-3 volte inferiore. Un’ora di registrazione di alta qualità può richiedere fino a tre ore di lavoro reale. Ciò cambia radicalmente il calcolo: 5.000 ore di dati si traducono in circa 15.000 ore di lavoro.

Strati su strati di complessità

Durante il pre-addestramento, potrebbe essere sufficiente dare a una persona una telecamera e chiederle di registrare attività quotidiane. A questo stadio, tuttavia, è necessario accedere a un ambiente specifico, come una fabbrica, un cantiere edile o una struttura di produzione specializzata.

Ciò introduce immediatamente vincoli pratici. Ad esempio, in un cantiere edile, i lavoratori sono tenuti a indossare caschi di sicurezza, il che significa che devono essere sviluppati attrezzi speciali: caschi con telecamere integrate resistenti alla polvere, all’umidità e all’impatto.

Poi c’è l’accesso al sito stesso. Devono essere presi accordi con i proprietari del sito, ottenuti permessi e negoziati condizioni. Ciò comporta quasi sempre costi aggiuntivi: le aziende si aspettano un compenso e i lavoratori si aspettano di essere pagati per la partecipazione.

L’assicurazione e la conformità alla sicurezza diventano anche questioni critiche. Se l’attrezzatura non soddisfa gli standard richiesti, l’assicurazione potrebbe essere annullata, costringendo l’intero processo a essere ristrutturato.

Anche a livello di operazioni quotidiane, le sfide persistono. Le telecamere devono essere accese, monitorate e mantenute. I lavoratori operano con guanti e in condizioni estreme. L’attrezzatura si sporca, si logora e si rompe. Una telecamera potrebbe spegnersi dopo pochi minuti e la persona potrebbe non accorgersene nemmeno.

Ciò crea la necessità per i partecipanti di addestrarsi – devono capire come utilizzare l’attrezzatura. Inoltre, è richiesta una supervisione continua – qualcuno deve assicurarsi che la registrazione sia in corso e che i dispositivi funzionino correttamente.

Dai video grezzi ai dati di addestramento

Dopo la registrazione, inizia la prossima fase: raccolta dei dati, caricamento, strutturazione, convalida della qualità e etichettatura.

I dati grezzi consistono in segnali video e di sensori. Per trasformarli in materiale di addestramento, devono essere strutturati: gli oggetti devono essere identificati, le azioni catturate e gli stati, i movimenti e le interazioni con l’ambiente descritti. È qui che entra in gioco l’annotazione. Sorge una domanda logica – qual è lo standard aureo per un flusso di lavoro di annotazione?

In alcuni casi, sono sufficienti semplici rettangoli di delimitazione per identificare gli oggetti in un frame. In altri, è necessaria un’annotazione temporale per descrivere sequenze di azioni nel tempo. In alcuni scenari, vengono utilizzati punti chiave e modelli scheletrici per catturare il movimento del corpo. In casi più complessi, sono necessi mesh 3D o tracciamento della posizione della mano per rappresentare con precisione la meccanica di interazione. Vengono spesso integrati sensori aggiuntivi, come accelerometri, per catturare la dinamica del movimento e la forza applicata.

Progetti come questi richiedono spesso di scalare il team. L’etichettatura è un compito grande e complesso, che richiede tempo, competenze e risorse umane sostanziali. È qui che entrano in gioco i fornitori di soluzioni di dati con team di annotazione interni. Come Keymakr, che si è dimostrato particolarmente efficace grazie alla sua capacità di scalare i team per soddisfare qualsiasi volume di dati, da un singolo specialista a centinaia di annotatori.

Non c’è un approccio giusto all’addestramento

L’industria è ancora in una fase esplorativa, poiché non c’è un consenso su quale combinazione di dati produca i migliori risultati. Molti approcci sono validati empiricamente perché funzionano in esperimenti specifici. Di conseguenza, diversi team continuano a fare affidamento su tecnologie diverse, plasmate dalla loro esperienza, compiti e vincoli.

A livello sia accademico che applicativo, ciò porta a una frammentazione: laboratori e aziende si muovono in direzioni diverse. La situazione ricorda i primi giorni della guida autonoma, quando Tesla puntava su un approccio basato solo sulla visione senza LiDAR, mentre la maggior parte degli altri giocatori sceglieva LiDAR come sensore principale.

Oggi, i sistemi basati su LiDAR tendono a dimostrare prestazioni più stabili, ma l’approccio di Tesla continua a evolversi. La differenza è che nella guida autonoma, il mercato si è in gran parte consolidato: sono emerse architetture stabili, le limitazioni sono ben comprese e sono state accumulate competenze significative.

Al contrario, per l’Intelligenza Artificiale Fisica e la formazione di modelli simili, questo livello di maturità non è stato ancora raggiunto. Il mercato è ancora in formazione, mancano gli standard e gran parte del progresso è guidato da esperimenti. Continuano a emergere nuovi metodi per la formazione dei modelli, il miglioramento dell’efficienza e l’adattamento a scenari del mondo reale, suggerendo che i più importanti progressi in questo campo sono ancora davanti a noi.

L’essere umano come sistema di rinforzo

L’etichettatura non esiste in isolamento, né solo per il modello. Serve come strumento per l’ingegnere che costruisce quel modello. Attraverso di essa, formalizza la realtà, identifica i parametri chiave e definisce le regole di comportamento del sistema.

Il compito dell’ingegnere è insegnare al sistema a eseguire azioni correttamente in condizioni del mondo reale. Ad esempio, uno scenario di base potrebbe consistere in quattro azioni: raccogliere un bicchiere, accendere il rubinetto, riempirlo e spegnere il rubinetto. Ma nella realtà, si verifica una deviazione – il bicchiere trabocca.

In quel momento, il modello è atteso a completare lo scenario e intraprendere azioni aggiuntive: interrompere il flusso d’acqua, regolare il livello d’acqua e prevenire lo spreco. Questa è la logica di comportamento basata sulla comprensione del contesto.

L’ingegnere segue un ciclo: annota i dati, addestra il modello, lo testa. Se il sistema funziona, l’ipotesi è confermata. Se non funziona, inizia l’analisi.

A un certo punto, potrebbe diventare chiaro che il modello manca di un parametro importante, come il livello di riempimento del bicchiere. In precedenza, i dati potrebbero aver incluso annotazioni per oggetti (bicchiere, rubinetto, maniglia) e azioni (apertura, riempimento, chiusura), ma mancavano annotazioni per lo stato, come il grado di pieno.

Viene quindi aggiunto un nuovo livello al processo: annotare il livello di riempimento, seguito da formalizzazione, ad esempio definendo qualsiasi cosa al di sopra dell’85% come stato critico.

Ciò porta alla prossima iterazione dell’addestramento. Potresti avere centinaia di tali iterazioni.

Nessuno assume che il sistema funzionerà correttamente immediatamente. Al contrario, il processo è costruito intorno a successive approssimazioni: prima, viene creata una versione di base; poi viene testata in condizioni reali o quasi reali; vengono identificati i gap e il sistema viene raffinato. Questo è qualcosa che discuto spesso con i clienti di Introspector, con cui percorriamo l’intero viaggio dell’Intelligenza Artificiale Fisica insieme.

A un certo punto, si raggiunge il risultato desiderato. Ma il suo valore non risiede solo nel fatto che il sistema inizia a funzionare, ma nell’esperienza accumulata che consente di riprodurre questo risultato in modo più prevedibile.

L’economia che tutti dimenticano

Nell’ultimo anno o giù di lì, ho notato che il più grande errore che le aziende commettono quando lavorano con dati egocentrici ha poco a che fare con la tecnologia.

Il problema principale è in realtà la sottostima dell’economia del progetto.

Allo stadio dell’idea, la tecnologia è al centro dell’attenzione – quali modelli utilizzare, come addestrarli e quali approcci applicare. Studi, ricerche, discussioni su architetture e test di ipotesi. Ciò è naturale: la tecnologia sembra la parte più tangibile e ovvia del problema.

Ma molto meno spesso, a questo stadio, i team si pongono una domanda diretta e pratica: quanto costerà?

Quando un progetto passa dalla teoria all’implementazione, diventa chiaro che dietro ogni modello ci sono decine di migliaia di ore di dati. La raccolta di questi dati richiede tempo, accesso a ambienti reali e il coinvolgimento di specialisti. L’etichettatura aggiunge un altro livello di complessità e costo. Di conseguenza, i numeri finali sono spesso di ordini di grandezza superiori a quanto inizialmente previsto.

Ciò non significa che tali progetti non debbano essere intrapresi. Al contrario, sono quelli che spingono l’industria in avanti.

Ma ciò che conta è capire la scala della sfida fin dall’inizio. Riconoscere che nella formazione dei modelli, dietro ogni algoritmo incredibile c’è un lavoro di dati complesso e dispendioso in termini di risorse.

Anche le idee più forti falliscono nel raggiungere una completa implementazione quando i costi dei dati iniziano a salire ben al di sopra di sette cifre.

E forse il cambiamento più importante che sta avvenendo nella robotica oggi è legato a questa consapevolezza. Il futuro di questi sistemi sarà definito da quanto sono “intelligenti” e da quanto efficacemente e precisamente l’intera pipeline di dati è costruita – dalla raccolta dei dati all’interpretazione finale.