Encord કંપની હવે AI રોબોટ્સને જટિલ શારીરિક કાર્યો શીખવવા માટે બ્રેઈન વેવ સેન્સરનો પ્રયોગ કરી રહી છે. આ ટેકનોલોજી દ્વારા ઈરાદા અને ભૂલો જેવી માનસિક સ્થિતિઓને કેપ્ચર કરીને, કંપની રોબોટિક્સ માટે ઉચ્ચ-ગુણવત્તાવાળા ફિઝિકલ ટ્રેનિંગ ડેટાની અછતને દૂર કરવાનો પ્રયાસ કરી રહી છે. આ નવી પદ્ધતિ પરંપરાગત ટેક્સ્ટ-આધારિત AI તાલીમ કરતાં રોબોટિક્સ માટે વધુ ખર્ચાળ અને વિશેષ ઉત્પાદન તરફનો સંકેત આપે છે.
Detailed Coverage
રોબોટ લર્નિંગ માટે મગજની તરંગોનો ઉપયોગ
AI રોબોટ્સના વિકાસમાં એક મોટો અવરોધ ઉચ્ચ-ગુણવત્તાવાળા, વાસ્તવિક દુનિયાના તાલીમ ડેટાનો અભાવ છે. જ્યારે Large Language Models (LLMs) ઇન્ટરનેટ પર ઉપલબ્ધ વિશાળ ટેક્સ્ટ ડેટા પર વિકસ્યા છે, ત્યારે રોબોટિક્સ કંપનીઓ શારીરિક કાર્યો માટે સમાન સંસાધનો શોધવામાં સંઘર્ષ કરી રહી છે. AI માટે ડેટા ટૂલ્સ પ્રદાન કરતી કંપની Encord હવે આ સમસ્યાને હલ કરવા માટે પોતાના ડેટાસેટ્સ બનાવી રહી છે.
કેલિફોર્નિયાના સાન લી એન્ડ્રોમાં એક ખાસ વેરહાઉસ સુવિધામાં, Encord મનુષ્યો કાર્યો કેવી રીતે કરે છે તે કેપ્ચર કરવાની નવી પદ્ધતિનું પરીક્ષણ કરી રહી છે. કર્મચારીઓ જર્મન કંપની Zander Labs દ્વારા પૂરી પાડવામાં આવેલ ટેકનોલોજી, બ્રેઈન વેવ્ઝનું નિરીક્ષણ કરતા હેડસેટ પહેરીને રોબોટ્સ ચલાવે છે. આ સેન્સરી ડેટાનો ઉદ્દેશ્ય ચોક્કસ માનસિક સ્થિતિઓને ઓળખવાનો છે, જેમાં વ્યક્તિ ભૂલ કરે, આશ્ચર્ય અનુભવે અથવા ઈરાદો વ્યક્ત કરે તેનો સમાવેશ થાય છે. જો આ મેન્ટલ સિગ્નલ્સ સાથે રોબોટિક્સ ડેટાને ટેગ કરવાથી AI મોડેલ્સ વધુ કાર્યક્ષમ રીતે શીખી શકે છે કે કેમ તે જોવાનું લક્ષ્ય છે, ખાસ કરીને જ્યારે તેમને મુશ્કેલ કાર્યો માટે પ્રોસેસિંગ પાવરને પ્રાધાન્ય આપવાની જરૂર હોય.
ડેટા મેન્યુફેક્ચરિંગ તરફ વળેલું Encord
Encord માં રોબોટ લર્નિંગના વડા Vineeth Velmurugan જણાવે છે કે કંપની હવે ફક્ત હાલના ડેટાને એનોટેટ કરવા કરતાં આગળ વધી ગઈ છે. મેનીપ્યુલેશન કાર્યો માટે જરૂરી વાસ્તવિક દુનિયાનો ડેટા મોટા જથ્થામાં ઉપલબ્ધ ન હોવાથી, Encord ઉત્પાદકની ભૂમિકામાં આવી ગઈ છે. ટીમ કસ્ટમ ડેટાસેટ્સ બનાવવા માટે લીડર-ફોલોઅર રોબોટિક રિગ્સ અને કેમેરા પહેરેલા કર્મચારીઓ દ્વારા રેકોર્ડ કરાયેલ એગોસેન્ટ્રિક વીડિયો જેવી વિવિધ તકનીકોનો ઉપયોગ કરે છે. આ ડેટાસેટ્સમાં ઘણીવાર ચોક્કસ એનોટેશન્સનો સમાવેશ થાય છે - જેમ કે હાથની હિલચાલના ચોક્કસ વર્ણનો - જે કંપની માને છે કે રો ડેટા કરતાં મોડેલ તાલીમ માટે નોંધપાત્ર રીતે વધુ મૂલ્યવાન છે.
ફિઝિકલ AI માં આર્થિક અવરોધો
LLMs ની સોફ્ટવેર-આધારિત તાલીમથી વિપરીત, ફિઝિકલ ટ્રેનિંગ ડેટાના ઉત્પાદનમાં નોંધપાત્ર મૂડી રોકાણ અને મેન્યુઅલ શ્રમની જરૂર પડે છે. આ રોબોટિક્સ કંપનીઓ માટે અલગ ખર્ચ માળખું બનાવે છે, કારણ કે તેઓ ઓટોમેટેડ વેબ સ્ક્રેપિંગ પર આધાર રાખી શકતા નથી. બ્રેઈન વેવ સેન્સર્સ અને મસલ ઇલેક્ટ્રિકલ સિગ્નલ ડિટેક્ટર્સ જેવા અદ્યતન મોડાલિટીઝ સાથે પ્રયોગ કરીને, Encord એ નક્કી કરવાનો પ્રયાસ કરી રહી છે કે કયા ડેટા પ્રકારો હ્યુમનોઇડ અને વેરહાઉસ રોબોટિક્સ ફર્મ્સ માટે શ્રેષ્ઠ વળતર આપે છે.
રોકાણકારો અને ઉદ્યોગ નિરીક્ષકોએ આ વિશિષ્ટ ડેટા-જનરેશન પદ્ધતિઓના સ્કેલિંગ પર નજર રાખવી જોઈએ. આ અભિગમની અંતિમ સફળતા તેના પર નિર્ભર રહેશે કે શું આ ઉચ્ચ-ખર્ચ, ઉચ્ચ-ફિડેલિટી ડેટા જટિલ, વાસ્તવિક-દુનિયાના ઉપયોગો માટે રોબોટ્સને તાલીમ આપવા માટે જરૂરી સમય અને પ્રયત્નોને નોંધપાત્ર રીતે ઘટાડે છે. કંપની ગ્રાહક રોબોટિક્સ મોડેલો સાથે આ ટ્રાયલ્સનું મૂલ્યાંકન કરવાનું ચાલુ રાખે છે, ખાસ કરીને એ બાબત પર ધ્યાન કેન્દ્રિત કરે છે કે શું પરફોર્મન્સમાં થયેલા સુધારા સસ્તા વિકલ્પો જેમ કે બેઝિક વીડિયો-આધારિત તાલીમની તુલનામાં ઉત્પાદન ખર્ચમાં થયેલા વધારાને યોગ્ય ઠેરવે છે.