ロボットのトレーニングの真のコスト

前編では、ロボットが基本的なメカニズムから環境を理解するまでに進化する方法について説明しました。ロボットが特定のタスクに特化したトレーニングを受ける「ラストマイル」の段階で、予期せぬ障壁が現れます。これは、データの収集、整理、そして現実の環境で収集規模を拡大することに関わります。

これは、概念と実装のギャップが最も明らかになる段階です。主なボトルネックは何ですか? それらを最小限の摩擦でどのように克服できますか?

なぜ数千時間のデータが何年もの作業になるのか

既に事前トレーニングを受けたロボットがいることを想定しましょう。ロボットは周囲を移動し、障害物を避け、物体と相互作用することができます。おおむね自立して行動できる「10歳の子供」のようなものです。次のステップは、特定の条件下で特定のアクションを実行することを教えることです。例えば、自動車生産ラインでガラスパネルとシーリングストリップを取り付けます。

一見すると、タスクはよりシンプルに見えます。特定のシナリオをマスターすることが含まれており、必要なデータ量は事前トレーニングよりもはるかに小さくなります。事前トレーニングには数十万時間が必要になるかもしれませんが、事後トレーニングには数千時間しかかからないかもしれません。しかし、これらの数字は誤解を招きます。

これを実際の所要時間に換算すると、プロセスの真の複雑さが明らかになります。標準的な作業スケジュールでは、人は約160時間/月働きます。しかし、これはすべての時間がレコーディングに使用できるということを意味しません。

実際には、常に中断が発生します。バッテリーが切れる、カメラが移動する、センサーが故障します。機器の設定が複雑になるほど、問題が発生する可能性は高くなります。たとえば、グローブのセンサーが動作を停止すると、プロセスが停止し、時間が失われる可能性があります。

結果として、実際のデータ収集速度は想定の2分の1から3分の1になります。1時間分の高品質な記録を得るのに、最大3時間の実作業が必要になることがあります。これにより、計算が根本的に変わります。5,000時間のデータは約15,000時間の労力に相当します。

複雑さの層

事前トレーニングでは、人にカメラを渡し、日常活動をレコーディングするだけで十分かもしれません。しかし、この段階では、工場、建設現場、または専門的な生産施設などの特定の環境へのアクセスが必要です。

これにより、実用的な制約がすぐに導入されます。たとえば、建設現場では、作業員は安全ヘルメットを着用する必要があります。つまり、専用の機器を開発する必要があります。ダスト、湿気、衝撃に耐性のあるカメラを搭載したヘルメットです。

次に、現場への立ち入りが必要になります。現場の所有者との合意、許可の取得、条件の交渉が必要です。これにはほぼ常に追加のコストが伴います。企業は補償を期待し、作業員は参加に対して支払われることを期待します。

保険と安全性のコンプライアンスも重要な懸念事項になります。機器が必要な基準を満たさない場合、保険が無効になる可能性があり、プロセス全体を再構成する必要があります。

日常業務のレベルでは、課題が続きます。カメラをオンにし、監視し、維持する必要があります。作業員は手袋を着用し、厳しい条件下で作業します。機器は汚れ、劣化し、故障します。カメラは数分後にオフになり、人はそれに気付かないかもしれません。

これにより、参加者が自分自身をトレーニングする必要性が生じます。彼らは機器の使用方法を理解する必要があります。また、継続的な監督が必要です。誰かがレコーディングが進行中であり、デバイスが正常に機能していることを確認する必要があります。

生のビデオからトレーニングデータへ

レコーディングの後、次の段階が始まります。データの収集、アップロード、構造化、品質の検証、ラベル付け。

生のデータはビデオとセンサー信号で構成されます。これをトレーニング資料に変換するには、構造化する必要があります。オブジェクトを識別し、アクションを捉え、状態、動き、環境との相互作用を記述する必要があります。これがアノテーションの役割です。アノテーション ワークフローにはどのようなゴールドスタンダードがあるのでしょうか?

一部のケースでは、オブジェクトをフレーム内で識別するためにシンプルなバウンディングボックスが十分です。他のケースでは、時間的アノテーションが必要です。アクションのシーケンスを時間の経過とともに記述する必要があります。特定のシナリオでは、キーポイントとスケルトンモデルを使用してボディの動きを捉えます。より複雑なケースでは、相互作用の仕組みを正確に表現するため、3Dメッシュや手の姿勢追跡が必要になります。加速度計などの追加センサーは、動きのダイナミクスと適用された力を捉えるために頻繁に統合されます。

このようなプロジェクトでは、チームの規模拡大も必要になることがよくあります。ラベル付けは、時間、専門知識、人的資源を大量に必要とする大規模で複雑なタスクです。これが、インハウスのアノテーションチームを備えたデータソリューションプロバイダーが登場する背景です。たとえば、Keymakrは、1人の専門家から数百人のアノテーターまで、データ量に応じてチームを拡大できるため、特に効果を発揮しています。

まだトレーニングに正しいアプローチはない

業界はまだ探索段階にあり、どのデータの組み合わせが最も良い結果をもたらすのかについての合意はありません。多くのアプローチは、特定の実験でうまく機能することを根拠に、経験的に検証されています。したがって、さまざまなチームは、独自の経験、タスク、制約に形作られたさまざまなテクノロジーに依存し続けています。

学術的および応用的なレベルでは、これにより断片化が生じます。研究室や企業は異なる方向に進んでいます。状況は、テスラ (TSLA ) がLiDARなしでビジョンだけのアプローチに賭けた自動運転の初期のようです。他のプレーヤーのほとんどは、LiDARをコアセンサーとして選択しました。

現在、LiDARベースのシステムはより安定したパフォーマンスを示している傾向がありますが、テスラのアプローチはまだ進化を続けています。違いは、自動運転の市場がほとんど成熟していることです。安定したアーキテクチャが登場し、限界がよく理解されており、豊富な専門知識が蓄積されています。

対照的に、Physical AIや同様のモデルトレーニングの場合、まだこのレベルの成熟度には達していません。市場はまだ形成中です。標準が不足しており、多くの進歩は実験によって推進されています。モデルをトレーニングするための新しい方法、効率を向上させる方法、現実世界のシナリオに適応する方法が続々と登場しています。これは、最も重要なブレークスルーがまだ先にあることを示唆しています。

人間は強化システムである

ラベル付けは単独で存在するものでも、モデルだけのためのものでもありません。エンジニアがモデルを構築するためのツールです。ラベル付けを通じて、エンジニアは現実を形式化し、重要なパラメーターを特定し、システムの動作ルールを定義します。

エンジニアのタスクは、システムが現実世界の条件下で正しく動作するように教えることです。たとえば、基本的なシナリオは4つのアクションで構成されます。コップを手に取る、蛇口を開く、水を入れる、蛇口を閉じるという動作です。しかし、現実には想定からの逸脱が起こり、コップから水があふれます。

その時点で、モデルはシナリオを完了し、追加のアクションを実行することが期待されます。水の流れを停止し、水位を調整し、こぼれを防ぐ。これは、コンテキストに基づく行動ロジックです。

エンジニアはサイクルに従います。データをアノテートし、モデルをトレーニングし、テストします。もしシステムが機能する場合、仮説は確認されます。もし機能しない場合、分析が開始されます。

ある時点で、モデルが重要なパラメーターを欠いていることが明らかになる場合があります。たとえば、コップの水位です。以前のデータには、オブジェクト（コップ、蛇口、ハンドル）とアクション（開く、満たす、閉じる）のアノテーションが含まれていたかもしれませんが、状態（満水に対する割合）についてのアノテーションは含まれていませんでした。

プロセスに新しいレイヤーが追加されます。充填レベルをアノテートし、形式化します。たとえば、コップの充填率が85%を超えた状態を臨界状態として定義します。

これにより、トレーニングの次のイテレーションが行われます。数百のイテレーションが可能です。

システムがすぐに正しく機能するとは誰も想定していません。逆に、プロセスは連続的な近似に基づいて構築されています。まず、ベースラインバージョンを作成し、次にそれを実際の、またはほぼ実際の条件でテストし、ギャップを特定し、システムを改良します。これは、私がIntrospectorのクライアントと一緒に頻繁に話し合うことです。クライアントと共にPhysical AIの全行程を歩んでいます。

ある時点で、望ましい結果が達成されます。しかし、その価値は、システムが動作し始めることだけにありません。蓄積された経験により、結果をより予測可能に再現できるようになります。

みんなが忘れている経済学

過去1年ほどで、企業がエゴセントリックデータを扱う際の最大の間違いは、技術とはあまり関係がないことに気づきました。

核心的な問題は、プロジェクトの採算や費用を過小評価していることです。

アイデア段階では、テクノロジーが主役です。どのモデルを使用するか、どのようにトレーニングするか、どのアプローチを適用するかを研究し、調査し、議論し、仮説をテストします。これは自然なことです。テクノロジーは問題の最も具体的で明らかな部分であると感じるからです。

しかし、この段階で「いくらかかるのか」という直接的で実務的な問いを投げかけるチームは、はるかに少ないのです。

プロジェクトが理論から実装に移行すると、各モデルの背後に何万時間ものデータがあることが明らかになります。データの収集には時間、現実の環境へのアクセス、専門家の関与が必要です。ラベル付けはさらに複雑さとコストを加えます。結果として、最終的な金額が当初の予想を桁違いに上回ることがよくあります。

これは、そうしたプロジェクトに取り組むべきではないことを意味しません。実際、業界を前進させるのはそうしたプロジェクトです。

しかし、重要なのは、最初から課題の規模を理解することです。モデルトレーニングでは、驚くべきアルゴリズムの背後には複雑でリソースを大量に消費するデータ作業があることを認識することです。

強いアイデアでも、データコストが7桁の金額を大幅に上回り始めると、完全な実装に到達できなくなります。

そして、おそらく今日のロボティクスで最も重要な変化は、この認識に結びついています。システムの将来は、それらがどれほど「知的」であるかと、データパイプライン全体がどのくらい効果的で正確に構築されているかによって定義されます。データ収集から最終的な解釈までです。