ロボットのトレーニングの真のコスト

最初の部分では、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どのように進化するかについて説明しました。ロボットが特定のカスタムタスクのためのポストトレーニングを受ける「最後の1マイル」の段階では、予期せぬ障壁が現れます。これは、データの収集、組織化、実世界でのスケーリングに結びついています。

これは、概念と実装の間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？

何千時間ものデータが何年もの作業になるのか

まず、すで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、物体と対話することができます。10歳の子供のようなもので、一般的に独立して行動することができます。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。たとえば、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。単一のシナリオをマスターすることに関係し、必要なデータの量は事前トレーニングよりもはるかに小さくなります。基礎トレーニングには数十万時間かかるかもしれませんが、ポスト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。

実時間に翻訳されたプロセスは、その真の複雑さを明らかにします。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。ただし、これはすべての時間が記録に使用できることを意味しません。

実践では、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。装置の設定が複雑になるほど、問題の可能性は高くなります。たとえば、グローブに付いている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2〜3倍低下します。1時間の高品質のレコーディングには、実際に3時間の労働が必要になる可能性があります。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時間の労働に相当します。

複雑さの層

事前トレーニングでは、人にカメラを渡し、日常的な活動を記録するよう依頼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、または専門の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、実際的な制約が導入されます。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、ダスト、湿気、衝撃に対して耐性のあるカメラが内蔵されたヘルメットなどの特殊な装置が開発される必要があります。

次に、サイト自体へのアクセスが来ます。サイト所有者との合意、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。装置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、メンテナンスする必要があります。作業員は厳しい条件でグローブを着用して作業します。装置は汚れ、劣化し、故障します。カメラは数分でオフになる可能性があり、作業員は気付かない可能性があります。

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。彼らは装置の使用方法を理解する必要があります。さらに、継続的な監督が必要です。誰かが記録を継続して行い、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

記録の後、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。

生データはビデオとセンシング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、アクションをキャプチャし、状態、動き、環境との相互作用を説明する必要があります。これが注釈の出番です。論理的な疑問が生じます。注釈のワークフローのゴールドスタンダードは何ですか？

場合によっては、オブジェクトをフレーム内で識別するのに単純なバウンディングボックスが十分です。他の場合、時間的注釈が必要です。時間経過に伴うアクションのシーケンスを記述するには。他のシナリオでは、ボディの動きをキャプチャするためにキーポイントとスケルトンモデルが使用されます。より複雑な場合、3Dメッシュまたはハンドポーズトラッキングが必要です。相互作用メカニズムを正確に表現するには。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る力をキャプチャす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、チームのスケーリングも必要です。ラベル付けは、時間、専門知識、多大な人的資源を必要とする大きなタスクです。これが、インハウスの注釈チームを持つデータソリューションプロバイダーが登場する場所です。たとえば、Keymakrは、1人の専門家から数百人の注釈者まで、任意のデータ量にチームをスケーリングできる能力により、特に効果的であることを証明しています。

まだ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よい結果をもたらすかについての合意はありません。多くのアプローチは、特定の実験で機能するため、経験的に検証されています。結果として、さまざまなチームは、独自の経験、タスク、制約によって形成された異なる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、この結果は断片化につながります。研究室と企業は異なる方向に進んでいます。状況は、オートノミアスドライビングの初期の日々を彷彿とさせます。テスラは、LiDARなしでビジョンのみのアプローチに賭けましたが、ほとんどの他のプレーヤーはLiDARをコアセンサーとして選択しました。

今日、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す傾向がありますが、テスラのアプローチはまだ進化しています。違いは、オートノミアスドライビング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、重大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、このレベルの成熟度にはまだ達していません。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、効率性の向上、実世界のシナリオへの適応が続々と登場し、この分野での最も重要なブレークスルーは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、モデルだけのために存在するのではなく、モデルを構築するエンジニアのためのツールです。エンジニアは、現実を形式化し、重要なパラメータを特定し、システムの動作ルールを定義するためにそれを使用します。

エンジニアのタスクは、システムが現実の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る可能性があります。ガラスを拾う、蛇口をオンにする、ガラスを満たす、蛇口をオフにする。しかし、現実には、偏差が発生します。ガラスがオーバーフローします。

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。コンテキストを理解した上での行動ロジックです。

エンジニアは、データを注釈付けする、モデルをトレーニングする、テストするというサイクルに従います。如果システムが機能する場合、仮説は確認されます。如果機能しない場合、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、たとえばガラスの充填レベルを欠いていることが明らかになる可能性があります。以前のデータには、オブジェクト（ガラス、蛇口、ハンドル）やアクション（開く、満たす、閉じる）に関する注釈が含まれていたかもしれませんが、状態、たとえば充填度についての注釈は含まれていませんでした。

プロセスに新しい層が追加されます。充填レベルを注釈付けし、たとえば、85%を超えるものを臨界状態として定義することによって、形式化されます。

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。

誰もがシステムがすぐに正しく機能することを想定していません。逆に、プロセスは連続した近似値を中心に構築されています。まず、ベースラインバージョンが作成され、次にそれが実際の、またはほぼ実際の条件でテストされ、ギャップが特定され、システムが改良されます。これは、Introspectorのクライアントと話すことが多いことです。私たちが一緒にPhysical AIの旅を経験します。

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、システムが機能し始めることだけにあります。結果をより予測可能に再現できるようにする、蓄積された経験もあります。

みんなが忘れる経済学

過去1年ほどで、企業がエゴセントリックデータを使用する際に最も大きな間違いは、技術とは関係がないことがわかりました。

核心的な問題は、実際にはプロジェクトの経済学を過小評価していることです。

アイデア段階では、テクノロジーが中心です。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、テストし、仮説を検証します。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られるからです。

しかし、段階で、チームが直接的で実用的な質問をしないことがよくあります。どのくらいのコストがかかるでしょうか？

プロジェクトが理論から実装に移行すると、モデル背後の何十千時間ものデータが必要であることが明らかになります。データの収集には時間、実際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る別の層を追加します。結果として、最終的な数字は、予想よりもはるかに高いことがよくあります。

これは、プロジェクトが追求されないことを意味するのではなく、逆に、業界を牽引するものであることを意味します。

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。モデルをトレーニングする場合、複雑でリソースを大量に消費するデータ作業が、驚くほど優れたアルゴリズムの背後に存在することを認識することです。

強いアイデアは、データコストが7桁を超えて増加し始めると、完全に実装されることはありません。

そして、おそらく、今日ロボティクスで起こっている最も重要な変化は、この認識に結びついています。これらのシステムの将来は、どのくらい「賢い」か、また、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。