Düşünce Liderleri

Yeni Robotik Yarışı İçinde: Veri, Modeller ve Üretim

Michael Abramov
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarRobotik yarışı, donanım atılımlarından ziyade beceri gerektiren görevler için veri…
Daha fazla göster
  • Robotik yarışı, donanım atılımlarından ziyade beceri gerektiren görevler için veri toplama üzerine odaklanıyor.
  • Belirli insan hareketleri üzerine eğitilmiş özel modeller, endüstriyel otomasyona giden gerçekçi bir yol sunuyor.
  • Şirketler, mevcut ekonomik verimsizliğe rağmen gelecekteki liderliği güvence altına almak için robotiğe şimdiden yatırım yapıyor.

İnovasyon genellikle izolasyon içinde ortaya çıkmaz. Daha sık, mühendisler, kurucular, araştırmacılar ve yatırımcıların teknolojinin nereye gittiğini anlamaya çalıştıkları sohbetler arasında doğar.

Geçtiğimiz bir yıl boyunca, dünya çapında düzinelerce konferansa katıldım. İş gezileri bazen aylarca sürebiliyor ve ortaklar ve müşterilerle görüşmeler Asya’dan Kuzey Amerika’ya kadar gerçekleşiyor. Ancak İsviçre’ye yapmış olduğum son gezim özellikle ilginç çıktı – büyük ölçüde orada gerçekleşen sohbetler ve insanlarla tanıştığım için.

Zürih, robotik ve Fiziksel AI geleceğinin aktif olarak tartışıldığı yerlerden biri olduğunu kanıtladı. Ve bu sohbetler ne kadar derine inerse, robotikteki gerçek yarışın verilerin etrafında döndüğü o kadar açık hale geliyor.

Avrupa’nın Silikon Vadisi

Zürih geleneksel olarak finans sektörüyle bağlantılıydı, ancak son yıllarda giderek daha fazla Avrupa’nın Silikon Vadisi olarak anılmaya başlandı. Bu ünvanın büyük kısmı, Avrupa’nın en saygın mühendislik üniversitelerinden biri olan ETH Zürih’e bağlı. Üniversite, dünya çapından araştırmacıları, doktora öğrencilerini, girişimcileri ve mühendisleri çekiyor. Sonuç olarak, üniversite etrafında bir teknoloji ekosistemi oluşuyor; burada araştırma, startup’lar ve endüstriyel projeler neredeyse aynı anda evrilip gelişiyor.

Gezimdeki bir diğer neden, Introspector‘un robotik pazarına neler sunabileceğini daha derinlemesine anlamaktı; bu pazar 2025 başından bu yana patlama yaşıyordu. Bu, birçok startup’ın girmeye çalıştığı bir endüstriydi ve büyük teknoloji şirketlerinin teknolojik atılımları da aktif olarak onu yeniden şekillendiriyordu. Buna rağmen, tüm bu ivmeye rağmen, alanda hâlâ yanıtlardan çok sorular var.

Zürih ayrıca Lightly adlı ortaklarımızın da merkezini barındırıyor; onlar da beni robotik, bilgisayar görme ve AI’nin kesişim noktasında çalışan meslektaşlarla tanıştırdı. Yerel teknoloji ekosisteminin vurgulamak istediğim önemli bir yönü var: insanlar burada gerçekten açık ve misafirperver. Fikirlerini ve hipotezlerini paylaşmaktan, çözmeye çalıştıkları zorluklardan ve yürüttükleri deneylerden bahsetmekten çekinmiyorlar. Sonuç olarak, pazarın gerçek bağlamını ve endüstrinin nereye gittiğini çok daha hızlı anlıyorsunuz.

Bu arada, insanlar bana Avrupa’nın “Silikon Vadisi”nin Amerika’dakinden nasıl farklı olduğunu sorduğunda, yanıt onları çoğu zaman şaşırtıyor. Zürih’te, iş ve yaşam arasındaki denge çok daha güçlü hissediliyor: sabah sporu, gün boyunca odaklanmış çalışma ve akşamları dağlarda aileyle veya sadece dinlenerek geçiriliyor. San Francisco’da ise, her zaman başkalarından daha fazla çalışıyor olmanız gerektiğini kanıtlamanız gerektiği hissi var. Zürih’te tempo farklı – daha sürdürülebilir. Ancak burada teknolojik hırsın seviyesi daha düşük değil.

İyi Robotlardan Önce İyi Veri

Bu gezi sırasında edindiğim ana sonuçlar arasında oldukça basit bir gözlem vardı: birçok insan bugün robotikle çalışmak istiyor. Ancak endüstriye yönelik büyük ilgiye rağmen, birçok ekip hala keşif aşamasında; yeni robotik ve Fiziksel AI dalgasında hangi rolü oynayabileceklerini ve hangi katkıyı yapabileceklerini anlamaya çalışıyorlar.

Çok sayıda sohbet sonunda aynı konuya geliyor: veri. Bugün, endüstrinin ince motor becerileri hakkında veri eksikliği var, yani robotların yetenekleri son derece sınırlı kalıyor. İnsanların elleriyle yaptıkları şeyleri – bir nesneyi almak, çevirmek, dikkatlice bir yere koymak veya küçük bir manipülasyon gerçekleştirmek – robotlar için hala en zorlu görevlerden biri olmaya devam ediyor.

Buradaki ilerlemenin anahtarı, büyük ölçekli, uygun şekilde toplanmış veri setlerine bağlı. Bugün, insanlar sık sık birinci şahıs perspektifinden kaydedilen veri setlerinden bahsediyor; sistem, eylemleri sanki kendisi gerçekleştiriyormuş gibi kaydeder. Ancak uygulamada, “birinci şahıs perspektifli veri seti” kavramının çok farklı anlamlara gelebileceği ve bir dizi teknik soruyu gündeme getirebileceği ortaya çıkıyor. Kamera nereye yerleştirilmeli? Alına, göğse, yoksa göz hizasına mı? Video kaydına hangi sensörler eşlik etmeli? Elle hareketleri kaydediyorsak, operatörlerin özel eldiven kullanması gerekiyorsa, bu eldivenlerde dokunsal sensörler, jiroskoplar veya diğer hareket izleme sistemleri bulunmalı mı?

Daha da karmaşık bir soru ortaya çıkıyor: hareketin derinliğini nasıl doğru şekilde yakalayabiliriz? Sadece bir elin iki boyutlu bir düzlemdeki konumunu değil, aynı zamanda üç boyutlu uzayda nasıl hareket ettiğini – öne, geriye, yukarı veya aşağı – anlamak da önemli.

Şimdiye kadar endüstri, bu konuda ortak bir yanıta ulaşmış değil. Bu nedenle, birçok ekip bugün farklı sensör konfigürasyonları, kayıt yöntemleri ve veri seti formatları deniyor.

Çoklu Modlu Sistemler

Robotik için veri toplama konusuna geçildiğinde, başka bir konu hızla ortaya çıkıyor: ek sensörler ve çoklu modlar, vücut hareketleri, el eylemleri ve nesne etkileşimlerini daha yüksek hassasiyetle yakalamaya olanak tanır. Ayrıca veri seti toplama sırasında hataları azaltmaya yardımcı olurlar.

Bir kişi eylemlerini kamera ile kaydettiğinde, materyalin bir kısmının kullanılamayacak olması her zaman bir risk vardır. Kamera biraz kayabilir, çekim açısı yanlış olabilir, operatör yanlış yöne dönebilir veya bir hareketi çok hızlı gerçekleştirebilir. Sonuç olarak, kaydedilen materyalin önemli bir kısmı atılır. Basit bir örnek: gerçekten kullanılabilir bir saatlik video elde etmek için, operatörün yaklaşık iki saatlik ham görüntüyü kaydetmesi gerekir.

Ek sensörler bu sorunların bir kısmını telafi etmeye yardımcı olur. Kamera biraz kaymış olsa bile, sensör verileri hala elin veya vücudun uzaydaki hareketini yeniden oluşturmayı sağlayabilir. Sonuç olarak, iki saatlik kayıt yerine, yaklaşık bir saat yirmi dakika yeterli olabilir. Bu, veri seti toplama verimliliğini önemli ölçüde artırır ve maliyetini düşürür.

Bu nedenle, birçok ekibin de çoklu modlu veri işaretleme konusuna artan bir ilgi göstermesi şaşırtıcı değil. Bu, robotik ve bedensel AI gelişimiyle doğrudan bağlantılı bir trend haline geldi.

Sonraki nokta, bu veri setlerinin etiketlenmesi. Keymakr‘da, robotik vakalar için müşteri veri setleriyle çalışırken benzer sorularla karşılaştık: böyle bir etiketleme nasıl olmalı? İskelet mi olmalı? İki boyutlu mu yoksa üç boyutlu mu? işlem hattına pekiştirme öğrenimi unsurları dahil edilmeli mi? Bu tür onlarca soru var. Mühendisler kendileri, hangi veri konfigürasyonunun sonunda gerçek bir teknolojik atılıma yol açacağından henüz emin olmadıklarını kabul ediyorlar.

Bu endişeler anlaşılabilir. Karmaşık veri setleri oluşturmak pahalı bir süreç. Veri yapısındaki her hata binlerce veya hatta milyonlarca dolarlık maliyetlere neden olabilir. Yanlış veri setini toplamak veya gerçek dünyada yeniden oluşturulması zor koşullarda kayıt yapmak mümkündür; bu, tüm projeyi baltalayabilir. Bu nedenle, bugün daha fazla dikkat, modellere ve bu modellerin eğitildiği verilerin kalitesine ve mimarisine yöneltiliyor.

Pazarda Hangi Tür Robotlara İhtiyaç Var?

Klasik endüstriyel robotlar, on yıllardır otomotiv montaj hatlarında çalışanlar, aslında bilgisayarlı görüye veya karmaşık yapay zekâ modellerine çok az ihtiyaç duyar. Görevleri son derece spesifiktir: yüksek hassasiyet ve tutarlılıkla, sadece sol, sağ, yukarı veya aşağı doğru tekrar tekrar hareketler gerçekleştirmek. Bu alanda, insanları uzun süredir geride bırakmış durumdalar.

Bir başka kategori ise insansı robotlar. Bu sistemler “beyin”e ihtiyaç duyar: uzayı gezme, çevrelerini algılama, bir durumun bağlamını anlama ve manipülatörleri önceden programlanmış yollarla değil, gerçek dünya koşullarına adapte olarak kontrol etme yeteneği.

Modern fabrika zeminlerinde yüksek otomasyon seviyesine rağmen, birçok görev hala insanlar tarafından gerçekleştiriliyor. Bir nesneyi taşımak, bir kutuyu almak, parçaları sıralamak, bir bileşeni sabitlemek veya malzemeleri organize etmek – bunlar, esneklik ve koordinasyon gerektiren küçük eylemler. Bu alan, hala otomasyona karşı en zorlu alanlardan biri olmaya devam ediyor ve işte burada insansı sistemler rol alabilir.

Konuştuğum birçok ekip, benzer bir iş modeli kullanıyor. Bir fabrikaya yaklaşıp, spesifik bir üretim vakasını çözme önerisi sunuyorlar. Örneğin, bir işçi tüm gün depo bölgeleri arasında kutular taşıyabilir. Mühendisler, işçiye bir kamera ve sensör seti takıp, binlerce saatlik eylemlerini kaydederek, daha sonra bir insansı robota bu görevleri yaptırmak için bir model eğitme önerisi sunuyor. Bu şekilde, robot, insan işçi tarafından gerçekleştirilen görevlerin aynısını öğreniyor.

Aslında, şirket bir insansı platform satın alırken, geliştirme ekibi, spesifik bir operatörün davranışını taklit eden bir model oluşturuyor. Bu, her türlü görevi çözebilen evrensel bir zeka değil; belirli bir senaryo veya üretim görevleri grubu için eğitilmiş bir beceri seti. Bugün birçok mühendis için bu yaklaşım çok daha gerçekçi görünüyor. Evrensel bir robota ulaşmaya çalışmak yerine, dar ancak ekonomik olarak uygulanabilir otomasyon senaryolarına odaklanıyorlar.

İş Boyutu

Gelecek, özel modellere dayalı ise, bu, ekonomik açıdan oldukça uzun bir geliştirme yoludur.

Her endüstri esasen kendi dünyası. Her üretim ortamı, kendi süreçlerine, iş akışlarına ve istisnalarına sahip. Bir otomotiv fabrikasında eğitilen bir robot, doğrudan gıda üretimine veya depo lojistiğine aktarılamaz. Her durumda, sistem sıfırdan yeniden eğitilmelidir.

Bu, bir sonraki mantıklı soruyu gündeme getiriyor: böyle bir teknolojinin ilk müşterileri kimler olacak?

Bu aşamada, ilk benimseyenler muhtemelen büyük şirketler olacak – bütçeleri olan ve otomasyonun önemli bir ekonomik etkiye sahip olabileceği şirketler. Bugün, bir insansı robotun yalnızca donanımı yaklaşık 60.000-90.000 dolar. Bu, sadece temel konfigürasyon. Bunun üzerine, bakım maliyetleri, piller, şarj istasyonları, altyapı ve yazılım ekleniyor.

Sonuç olarak, böyle sistemlerle denemek için en yetkin şirketler, büyük organizasyonlar, otomotiv üreticileri, gıda şirketleri ve büyük endüstriyel şirketler olacak.

Tabii ki, daha küçük sektörlerde de erken benimseyenler olabilir. Bazı şirketler, spesifik görevler için bir veya iki robota sahip olabilir. Ancak çoğu durumda, bu işletmeler, yüksek olarak spesifik operasyonel senaryolar için sistemleri eğitmek gereken özel veri setlerini toplamak ve etiketlemek için gereken yüz binlerce avro yatırıma hazır değiller. Onlar için, insan emeği hala daha ucuz bir seçenek.

Robotik İnovasyonun Uzun Oyunu

Sonuç olarak, temel bir ekonomik soru ortaya çıkıyor: insan mı, yoksa robot mu daha verimlidir? Bugün ekonomiye baktığımızda, cevap açık: insan emeği daha ucuz, yeni koşullara daha hızlı adapte oluyor ve karmaşık altyapıya ihtiyaç duymuyor.

Neden endüstri bugün hala robotikte yatırım yapıyor? Cevap büyük ölçüde stratejik.

Çok sayıda şirket, teknolojik liderlik için bir yarışın sürmekte olduğunu anlıyor. Yüksek maliyetlere rağmen, çözümler geliştiriyorlar; çünkü teknolojinin ekonomisi değiştiğinde, önceden hazırlanan şirketler avantajlı olacak.

Elektronik ilerledikçe, bileşen maliyetleri düşüyor ve hesaplama verimliliği artıyor, robotik doğal olarak daha erişilebilir hale gelecek. Ve bu olduğunda, önceden model geliştirmiş, veri biriktirmiş ve gerekli teknolojik altyapıyı kurmuş şirketler avantajlı olacak.

Örneğin, büyük ölçekli olarak insansı robotların kullanımına izin veren yeni düzenlemeler ortaya çıkarsa ya da hükümetler endüstrilerin robotlaşmasını sübvanse etmeye başlarsa, pazar birkaç yıl içinde dramatik bir şekilde büyüyebilir. Ve önceden hazırlanmış, mevcut modellere, araştırmalara, veri setlerine ve teknolojik yığına sahip olanlar, en çok faydalananlar olacak.

Bu nedenle, geliştirme çalışmaları, iş ekonomisinin henüz ideal görünmemesine rağmen, devam ediyor. Çok sayıda şirket için bu, geleceğe yatırım – teknolojinin daha erişilebilir hale geldiği ve talebin keskin bir şekilde arttığı ana yatırım.

Ve bu yarışta, birçok teknolojik devrimde olduğu gibi, bir faktör çoğu zaman belirleyici oluyor: kim önce başladı. Bu anlamda, bugünün robotiği, yapay zeka’nın erken aşamalarına çok benziyor. O zaman da yanıtlardan daha çok soru vardı. Ancak, diğerlerinden önce veri ve altyapı ile çalışan ekipler, sonunda tüm endüstrinin yönünü şekillendirdi.

Michael Abramov, Scryon’ın kurucusu ve CEO’sudur, 15+ yılın üzerindeki yazılım mühendisliği ve bilgisayarlı görü AI sistemleri deneyimini kurumsal düzeyde etiketleme araçları geliştirmeye getiriyor.

Michael, yazılım mühendisi ve R&D yöneticisi olarak kariyerine başladı, ölçeklenebilir veri sistemleri inşa etti ve çapraz fonksiyonlu mühendislik ekiplerini yönetti. 2025 yılına kadar, veri etiketleme hizmeti şirketi Keymakr'ın CEO'su olarak görev yaptı; burada insan katılımlı iş akışlarının, gelişmiş QA sistemlerinin ve büyük ölçekli bilgisayarlı görü ve otonomi veri ihtiyaçlarını destekleyen özel araçların geliştirilmesine öncülük etti.

Bilgisayar Bilimleri alanında B.Sc. derecesine ve mühendislik ile yaratıcı sanatlar geçmişine sahiptir, zorlu problemleri çözmek için çok disiplinli bir bakış açısı getiriyor. Michael, teknoloji yeniliği, stratejik ürün liderliği ve gerçek dünya etkisinin kesişiminde yaşıyor, otonom sistemler ve akıllı otomasyonun bir sonraki sınırını ileriye taşıyor.