Encord AI रोबोट्स को जटिल फिजिकल काम सिखाने के लिए ब्रेन वेव सेंसर के साथ प्रयोग कर रहा है। कंपनी का लक्ष्य इरादे और गलती जैसी मानसिक अवस्थाओं को कैप्चर करके, इंडस्ट्री में हाई-क्वालिटी फिजिकल ट्रेनिंग डेटा की कमी को दूर करना है। यह मॉडल, पारंपरिक टेक्स्ट-आधारित AI ट्रेनिंग की तुलना में रोबोटिक्स के लिए अधिक महंगे और विशेष निर्माण की ओर एक बदलाव का संकेत देता है।
Detailed Coverage
रोबोट लर्निंग में कैसे आएगी क्रांति?
फिजिकल AI यानी रोबोट्स के विकास में सबसे बड़ी बाधा है हाई-फिडेलिटी, रियल-वर्ल्ड ट्रेनिंग डेटा की भारी कमी। जहां लार्ज लैंग्वेज मॉडल्स (LLMs) इंटरनेट पर उपलब्ध विशाल टेक्स्ट डेटा से खूब फले-फूले, वहीं रोबोटिक्स कंपनियां फिजिकल कामों के लिए ऐसे संसाधनों की तलाश में संघर्ष कर रही हैं। अब AI के लिए डेटा टूल्स प्रदान करने वाली कंपनी Encord इस समस्या को हल करने के लिए अपने खुद के डेटासेट तैयार कर रही है।
दिमाग की लहरों से रोबोट्स को ट्रेनिंग
कैलिफोर्निया के सैन लींड्रो में एक विशेष वेयरहाउस सुविधा में, Encord इंसानों द्वारा काम करने के तरीकों को कैप्चर करने का एक नया तरीका टेस्ट कर रहा है। कर्मचारी रोबोट्स को ऑपरेट करते समय ऐसे हेडसेट पहनते हैं जो ब्रेन वेव्स (दिमाग की तरंगों) की निगरानी करते हैं। यह टेक्नोलॉजी जर्मन फर्म Zander Labs द्वारा सप्लाई की गई है। इस सेंसरी डेटा को खास मानसिक अवस्थाओं की पहचान करने के लिए डिज़ाइन किया गया है, जिसमें गलती करना, आश्चर्य महसूस करना या इरादा जताना शामिल है। इसका लक्ष्य यह देखना है कि क्या इन मानसिक संकेतों के साथ रोबोटिक्स डेटा को टैग करने से AI मॉडल अधिक कुशलता से सीख सकते हैं, खासकर जब उन्हें मुश्किल कामों के लिए प्रोसेसिंग पावर को प्राथमिकता देनी होती है।
डेटा निर्माण की ओर बदलाव
Encord में रोबोट लर्निंग के प्रमुख, विनीथ वेलमुुरुगन ने बताया कि कंपनी अब केवल मौजूदा डेटा को एनोटेट (annotate) करने से आगे बढ़ गई है। चूंकि मैनिपुलेशन (manipulation) जैसे कामों के लिए आवश्यक रियल-वर्ल्ड डेटा बड़ी मात्रा में उपलब्ध ही नहीं है, Encord ने मैन्युफैक्चरिंग (निर्माण) की भूमिका निभाई है। टीम कस्टम डेटासेट बनाने के लिए लीडर-फॉलोअर रोबोटिक रिग्स और कर्मचारियों द्वारा पहने जाने वाले कैमरों से रिकॉर्ड किए गए एगॉसेंट्रिक वीडियो जैसी विभिन्न तकनीकों का उपयोग करती है। इन डेटासेट में अक्सर सटीक एनोटेशन शामिल होते हैं—जैसे कि हाथ की हरकतों का विशिष्ट विवरण—जिन्हें कंपनी कच्चे वीडियो फुटेज की तुलना में मॉडल ट्रेनिंग के लिए काफी अधिक मूल्यवान मानती है।
फिजिकल AI में आर्थिक चुनौतियां
LLMs की सॉफ्टवेयर-संचालित ट्रेनिंग के विपरीत, फिजिकल ट्रेनिंग डेटा के निर्माण के लिए महत्वपूर्ण पूंजी निवेश और मैन्युअल श्रम की आवश्यकता होती है। यह रोबोटिक्स कंपनियों के लिए एक अलग लागत संरचना बनाता है, क्योंकि वे ऑटोमेटेड वेब स्क्रैपिंग पर भरोसा नहीं कर सकते। ब्रेन वेव सेंसर और मसल इलेक्ट्रिकल सिग्नल डिटेक्टर जैसे एडवांस्ड तरीकों के साथ प्रयोग करके, Encord यह निर्धारित करने की कोशिश कर रहा है कि किस प्रकार का डेटा ह्यूमनॉइड (humanoid) और वेयरहाउस रोबोटिक्स फर्मों के लिए निवेश पर सर्वश्रेष्ठ रिटर्न प्रदान करता है।
निवेशकों और इंडस्ट्री के जानकारों को इन विशेष डेटा-जेनरेशन विधियों के स्केल पर नज़र रखनी चाहिए। इस दृष्टिकोण की अंतिम सफलता इस बात पर निर्भर करेगी कि क्या यह हाई-कॉस्ट, हाई-फिडेलिटी डेटा जटिल, वास्तविक दुनिया के अनुप्रयोगों के लिए रोबोट को प्रशिक्षित करने के लिए आवश्यक समय और प्रयास को काफी कम करता है। कंपनी ग्राहक रोबोटिक्स मॉडल के साथ इन परीक्षणों का मूल्यांकन करना जारी रखे हुए है, इस बात पर ध्यान केंद्रित करते हुए कि क्या प्रदर्शन लाभ बेसिक वीडियो-आधारित ट्रेनिंग जैसे सस्ते विकल्पों की तुलना में उत्पादन लागत में वृद्धि को सही ठहराते हैं।