Adevăratul cost al antrenării roboților

În prima parte, am discutat despre modul în care roboții evoluează de la mecanică de bază la înțelegerea mediului lor. La etapa “ultimului mil” – când roboții sunt supuși antrenamentului post-învățare pentru sarcini specifice și personalizate – apare o barieră neașteptată. Este legată de date: colectarea, organizarea și scalarea lor în condiții reale.

Acesta este exact stadiul în care se face cea mai evidentă diferență între concept și implementare. Care sunt principalele blocaje și cum pot fi depășite cu minimum de fricțiune?

De ce mii de ore de date se transformă în ani de muncă

Să ne imaginăm că avem deja un robot antrenat care a suferit pre-antrenament. El poate naviga prin mediul său, se poate deplasa, evita obstacole și interacționa cu obiecte. Este ca un “copil de zece ani” care este, în general, capabil să acționeze independent. Următorul pas este să îl învățăm să execute acțiuni specifice în condiții specifice, de exemplu, instalarea panourilor de sticlă și a benzilor de etanșare pe o linie de producție auto.

La prima vedere, sarcina pare mai simplă. Ea implică stăpânirea unui singur scenariu, iar volumul de date necesar este semnificativ mai mic decât în timpul pre-antrenamentului. În timp ce antrenamentul de bază poate necesita sute de mii de ore, antrenamentul post-învățare poate dura doar mii de ore. Dar aceste numere sunt înșelătoare.

Când sunt traduse în timp real, procesul revelează complexitatea sa reală. Sub un program de lucru standard, o persoană lucrează aproximativ 160 de ore pe lună. Cu toate acestea, acest lucru nu înseamnă că toată această perioadă poate fi utilizată pentru înregistrare.

În practică, apar întreruperi constante: bateriile se descarcă, camerele se deplasează, senzorii nu funcționează. Cu cât echipamentul este mai complex, cu atât este mai mare probabilitatea apariției problemelor. Chiar și o defecțiune simplă, cum ar fi senzorii de pe o mănușă care încetează să funcționeze, poate opri procesul și poate duce la pierderea de timp.

Ca urmare, viteza reală de colectare a datelor este de 2-3 ori mai mică. O oră de înregistrare de înaltă calitate poate necesita până la trei ore de muncă reală. Acest lucru schimbă radical calculul: 5.000 de ore de date se traduc în aproximativ 15.000 de ore de muncă.

Straturi peste straturi de complexitate

În timpul pre-antrenamentului, poate fi suficient să dai unei persoane o cameră și să o rogi să înregistreze activități de zi cu zi. În acest stadiu, însă, este necesar accesul la un mediu specific, cum ar fi o fabrică, un șantier de construcții sau o unitate de producție specializată.

Acest lucru introduce imediat constrângeri practice. De exemplu, pe un șantier de construcții, lucrătorii sunt obligați să poarte căști de protecție, ceea ce înseamnă că trebuie dezvoltat echipament special: căști cu camere integrate care sunt rezistente la praf, umiditate și impact.

Apoi vine accesul la șantierul însuși. Trebuie încheiate acorduri cu proprietarii șantierului, obținute permise și negociate condiții. Acest lucru implică aproape întotdeauna costuri suplimentare: companiile așteaptă compensații, iar lucrătorii așteaptă să fie plătiți pentru participare.

Asigurarea și conformitatea cu normele de siguranță devin, de asemenea, preocupări critice. Dacă echipamentul nu îndeplinește standardele cerute, asigurarea poate fi anulată, ceea ce obligă întregul proces să fie restructurat.

Chiar și la nivelul operațiunilor zilnice, provocările persistă. Camerele trebuie activate, monitorizate și întreținute. Lucrătorii lucrează cu mănuși și în condiții dure. Echipamentul se murdărește, se uzură și se strică. O cameră poate închide după câteva minute, iar persoana poate nu-și da seama.

Acest lucru creează nevoia ca participanții să se antreneze pe ei înșiși – ei trebuie să înțeleagă cum să utilizeze echipamentul. Mai mult, este necesară supravegherea continuă – cineva trebuie să se asigure că înregistrarea este în desfășurare și că dispozitivele funcționează corect.

De la videoclipuri brute la date de antrenament

După înregistrare, începe următoarea etapă: colectarea datelor, încărcarea, structurarea, validarea calității și etichetarea.

Orice date brute constă în semnale video și de senzori. Pentru a le transforma în material de antrenament, ele trebuie structurate: obiectele trebuie identificate, acțiunile capturate și stările, mișcările și interacțiunile cu mediul descrise. Aici intervine etichetarea. O întrebare logică apare – ce este standardul de aur pentru un astfel de flux de lucru de etichetare?

În unele cazuri, cutii de delimitare simple sunt suficiente pentru a identifica obiectele dintr-un cadru. În altele, este necesară etichetarea temporală pentru a descrie secvențele de acțiuni în timp. În anumite scenarii, se utilizează puncte cheie și modele scheletice pentru a captura mișcarea corpului. În cazuri mai complexe, se utilizează rețele 3D sau urmărirea poziției mâinii pentru a reprezenta cu acuratețe mecanica interacțiunii. Senzori suplimentari, cum ar fi accelerometrele, sunt adesea integrate pentru a capta dinamica mișcării și forța aplicată.

Proiecte precum acestea necesită, de asemenea, scalarea echipei. Etichetarea este o sarcină mare și complexă în sine, care necesită timp, expertiză și resurse umane substanțiale. Aici intervin furnizorii de soluții de date cu echipe de etichetare interne. Cum ar fi Keymakr, care s-a dovedit a fi deosebit de eficient datorită capacității sale de a scala echipe pentru a se potrivi oricărui volum de date, de la un singur specialist la sute de etichetatori.

Nu există o abordare corectă pentru antrenament

Industria se află încă într-o fază de explorare, deoarece nu există un consens cu privire la care combinație de date oferă cele mai bune rezultate. Multe abordări sunt validate empiric, deoarece funcționează în experimente specifice. Ca urmare, diferite echipe continuă să se bazeze pe tehnologii diferite, modelate de experiența, sarcinile și constrângerile proprii.

La niveluri atât academic, cât și aplicat, acest lucru duce la fragmentare: laboratoarele și companiile se deplasează în direcții diferite. Situația este similară cu zilele de început ale conducerii autonome, când Tesla a pariat pe o abordare bazată pe viziune, fără LiDAR, în timp ce majoritatea celorlalți jucători au ales LiDAR ca senzor principal.

Astăzi, sistemele bazate pe LiDAR tind să demonstreze o performanță mai stabilă, dar abordarea Tesla continuă să evolueze. Diferența este că, în conducerea autonomă, piața s-a maturizat în mare măsură: arhitecturi stabile au apărut, limitările sunt bine înțelese și s-a acumulat o experiență semnificativă.

În contrast, pentru Inteligența Fizică și antrenamentul de modele similare, acest nivel de maturitate nu a fost încă atins. Piața este încă în formare, lipsesc standardele și mult din progresul este condus de experimentare. Noi metode pentru antrenarea modelelor, îmbunătățirea eficienței și adaptarea la scenarii din lumea reală continuă să apară, ceea ce sugerează că cele mai importante descoperiri în acest domeniu sunt încă înainte.

Omul ca sistem de întărire

Etichetarea nu există în izolare, nici pentru model. Ea servește ca un instrument pentru inginerul care construiește modelul. Prin ea, el formalizează realitatea, identifică parametrii cheie și definește regulile de comportament ale sistemului.

Sarcina inginerului este să învețe sistemul să execute acțiuni corect în condiții reale. De exemplu, un scenariu de bază poate consta în patru acțiuni: a lua un pahar, a deschide robinetul, a umple paharul și a închide robinetul. Dar, în realitate, apare o abatere – paharul se umple prea mult.

În acel moment, modelul este așteptat să finalizeze scenariul și să execute acțiuni suplimentare: a opri curgerea apei, a ajusta nivelul apei și a preveni scurgerea. Acesta este un logic bazat pe înțelegerea contextuală.

Inginerul urmează un ciclu: etichetarea datelor, antrenarea modelului, testarea. Dacă sistemul funcționează, ipoteza este confirmată. Dacă nu, începe analiza.

La un moment dat, poate deveni clar că modelul lipsește un parametru important, cum ar fi nivelul de umplere a paharului. Înainte, datele ar fi putut include etichetări pentru obiecte (pahar, robinet, mâner) și acțiuni (deschidere, umplere, închidere), dar ar fi lipsit etichetări pentru stări, cum ar fi gradul de umplere.

Un nou strat este adăugat apoi la proces: etichetarea nivelului de umplere, urmată de formalizare, de exemplu, definirea oricărui lucru deasupra 85% ca stare critică.

Acest lucru duce la următoarea iterație de antrenament. Poți avea sute de astfel de iterații.

Nimeni nu presupune că sistemul va funcționa corect imediat. Dimpotrivă, procesul este construit în jurul aproximărilor succesive: mai întâi, se creează o versiune de bază; apoi este testată în condiții reale sau aproape reale; se identifică lacunele; și sistemul este rafinat. Acesta este ceva pe care îl discut adesea cu clienții mei la Introspector, cu care trecem împreună întregul parcurs al Inteligenței Fizice.

La un moment dat, se obține rezultatul dorit. Dar valoarea sa nu constă doar în faptul că sistemul începe să funcționeze, ci și în experiența acumulată care permite ca acest rezultat să fie reprodus mai predictibil.

Economia pe care toată lumea o uită

În ultimul an sau aproximativ, am observat că cea mai mare greșeală pe care o fac companiile atunci când lucrează cu date egocentrice are puțin de-a face cu tehnologia.

Problema de bază este, de fapt, subestimarea economiei proiectului.

La stadiul de idee, tehnologia este în centrul atenției – ce modele să se utilizeze, cum să se antreneze și ce abordări să se aplice. Studiezi, cercetezi, discuți arhitecturi și testezi ipoteze. Acest lucru este natural: tehnologia pare a fi cea mai tangibilă și evidentă parte a problemei.

Dar mult mai puțin frecvent la acest stadiu, echipele pun o întrebare directă și practică: cât va costa?

Când un proiect trece de la teorie la implementare, devine clar că, în spatele fiecărui model, se află zeci de mii de ore de date. Colectarea acestor date necesită timp, acces la medii reale și implicarea specialiștilor. Etichetarea adaugă încă un strat de complexitate și cost. Ca urmare, numerele finale sunt adesea de ordinul zecilor de mii de ori mai mari decât se așteptau inițial.

Acest lucru nu înseamnă că astfel de proiecte nu ar trebui urmărite. Dimpotrivă, ele sunt cele care impulsionează industria înainte.

Dar ceea ce contează este înțelegerea amploarei provocării de la început. Recunoașterea faptului că, în antrenamentul modelului, în spatele fiecărui algoritm uimitor se află o muncă de date complexă și intensivă.

Chiar și ideile puternice eșuează în a ajunge la implementarea completă atunci când costurile datelor încep să crească mult peste câteva zeci de mii de dolari.

Și, probabil, cea mai importantă schimbare care are loc în robotică astăzi este legată de această realizare. Viitorul acestor sisteme va fi definit de cât de “inteligente” sunt și de cât de eficient și precis este construită întreaga conductă de date – de la colectarea datelor la interpretarea finală.