Encord कंपनी आता AI रोबोट्सना कठीण शारीरिक कामं शिकवण्यासाठी ब्रेन वेव्ह सेन्सर्स वापरण्याचा प्रयोग करत आहे. मानवी मनातील हेतू आणि चुका यांसारख्या गोष्टी ओळखून, कंपनी रोबोटिक्स उद्योगातील उच्च-गुणवत्तेच्या डेटाच्या कमतरतेला दूर करण्याचा प्रयत्न करत आहे. हा डेटा तयार करण्याचा नवीन दृष्टिकोन, पारंपारिक टेक्स्ट-आधारित AI ट्रेनिंगच्या तुलनेत रोबोटिक्ससाठी अधिक महागड्या आणि विशेष उत्पादनाकडे वाटचाल दर्शवतो.
Detailed Coverage
रोबोट शिकण्यासाठी ब्रेन वेव्ह्सचा वापर
फिजिकल AI (Physical AI) च्या विकासात एक मोठी समस्या आहे: उच्च-गुणवत्तेच्या, प्रत्यक्ष जगातील ट्रेनिंग डेटाची कमतरता. लार्ज लँग्वेज मॉडेल्स (LLMs) इंटरनेटवरील प्रचंड टेक्स्ट डेटावर भरभराट झाली असली तरी, रोबोटिक्स कंपन्यांना शारीरिक कामांसाठी समान संसाधने शोधण्यात अडचणी येत आहेत. Encord, जी AI साठी डेटा टूल्स पुरवते, आता ही अडचण दूर करण्यासाठी स्वतःचा डेटासेट तयार करत आहे.
कॅलिफोर्नियातील सॅन लिआंड्रो येथील एका विशेष वेअरहाऊसमध्ये, Encord मानवी कार्य कसे करतात हे कॅप्चर करण्याचा एक नवीन मार्ग तपासत आहे. कामगार रोबोट्स चालवताना जर्मन कंपनी Zander Labs कडून मिळालेले हेडसेट घालतात, जे ब्रेन वेव्ह्सचे निरीक्षण करतात. हा सेन्सरी डेटा विशिष्ट मानसिक अवस्था ओळखण्यासाठी डिझाइन केला आहे, जसे की व्यक्तीने चूक केल्यावर, आश्चर्यचकित झाल्यावर किंवा काही करण्याचा हेतू असताना. या टॅगिंगमुळे AI मॉडेल्स अधिक कार्यक्षमतेने शिकू शकतील का, विशेषतः जेव्हा त्यांना कठीण कामांसाठी प्रोसेसिंग पॉवरला प्राधान्य देण्याची आवश्यकता असते, हे पाहण्याचा उद्देश आहे.
डेटा मॅन्युफॅक्चरिंगकडे वाटचाल
Encord मध्ये रोबोट लर्निंगचे प्रमुख, Vineeth Velmurugan यांनी नमूद केले की कंपनी आता केवळ अस्तित्वात असलेल्या डेटाचे एनोटेशन करण्याच्या पलीकडे गेली आहे. हाताळणीच्या कामांसाठी आवश्यक असलेला प्रत्यक्ष डेटा मोठ्या प्रमाणात उपलब्ध नसल्यामुळे, Encord एका मॅन्युफॅक्चरिंग भूमिकेत गेली आहे. टीम कस्टम डेटासेट तयार करण्यासाठी विविध तंत्रांचा वापर करते, जसे की लीडर-फॉलोअर रोबोटिक रिग्स आणि कामगारांनी कॅमेरा घालून रेकॉर्ड केलेले एगॉसेंट्रिक व्हिडिओ. या डेटासेटमध्ये अनेकदा अचूक एनोटेशन्स समाविष्ट असतात - जसे की हाताच्या हालचालींचे विशिष्ट वर्णन - जे कंपनीच्या मते, कच्च्या व्हिडिओ फुटेजपेक्षा मॉडेल ट्रेनिंगसाठी खूप अधिक मौल्यवान आहेत.
फिजिकल AI मधील आर्थिक अडथळे
LLMs च्या सॉफ्टवेअर-आधारित ट्रेनिंगच्या विपरीत, फिजिकल ट्रेनिंग डेटा तयार करण्यासाठी महत्त्वपूर्ण भांडवली गुंतवणूक आणि मॅन्युअल श्रमाची आवश्यकता असते. यामुळे रोबोटिक्स कंपन्यांसाठी खर्चाची एक वेगळी रचना तयार होते, कारण ते ऑटोमेटेड वेब स्क्रॅपिंगवर अवलंबून राहू शकत नाहीत. ब्रेन वेव्ह सेन्सर्स आणि स्नायूंच्या इलेक्ट्रिकल सिग्नल डिटेक्टरसारख्या प्रगत पद्धतींचा प्रयोग करून, Encord मानवी आणि वेअरहाऊस रोबोटिक्स कंपन्यांसाठी कोणत्या डेटा प्रकारात गुंतवणुकीवर सर्वोत्तम परतावा मिळेल हे निर्धारित करण्याचा प्रयत्न करत आहे.
गुंतवणूकदार आणि उद्योग निरीक्षकांनी या विशेष डेटा-जनरेशन पद्धतींच्या स्केलिंगवर लक्ष ठेवावे. या दृष्टिकोनची अंतिम यशस्विता यावर अवलंबून असेल की हा उच्च-खर्चाचा, उच्च-फिडेलिटी डेटा रोबोट्सना जटिल, वास्तविक-जगातील ऍप्लिकेशन्ससाठी प्रशिक्षित करण्यासाठी आवश्यक वेळ आणि प्रयत्न लक्षणीयरीत्या कमी करतो की नाही. कंपनी ग्राहक रोबोटिक्स मॉडेल्ससह या चाचण्यांचे मूल्यांकन करणे सुरू ठेवत आहे, विशेषतः कार्यक्षमतेतील वाढीमुळे उत्पादन खर्च वाढत असूनही, ते स्वस्त पर्यायांपेक्षा (जसे की बेसिक व्हिडिओ-आधारित ट्रेनिंग) अधिक फायदेशीर ठरतात का यावर लक्ष केंद्रित करत आहे.