Encord ਕੰਪਨੀ ਹੁਣ AI ਰੋਬੋਟਸ ਨੂੰ ਮੁਸ਼ਕਲ ਕੰਮ ਸਿਖਾਉਣ ਲਈ ਦਿਮਾਗ ਦੀਆਂ ਤਰੰਗਾਂ (Brain Wave Sensors) ਨਾਲ ਪ੍ਰਯੋਗ ਕਰ ਰਹੀ ਹੈ। ਕੰਪਨੀ ਦਾ ਟੀਚਾ ਇਰਾਦੇ (intent) ਅਤੇ ਗਲਤੀਆਂ (error) ਵਰਗੀਆਂ ਸੋਚਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਕੇ ਰੋਬੋਟਿਕਸ ਲਈ ਹਾਈ-ਕੁਆਲਿਟੀ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੀ ਘਾਟ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਹੈ। ਇਹ ਡਾਟਾ ਬਣਾਉਣ ਦਾ ਤਰੀਕਾ ਰੋਬੋਟਿਕਸ ਲਈ ਮਹਿੰਗੀ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਮੈਨੂਫੈਕਚਰਿੰਗ ਵੱਲ ਇੱਕ ਵੱਡਾ ਕਦਮ ਹੈ, ਜੋ ਕਿ ਰਵਾਇਤੀ ਟੈਕਸਟ-ਆਧਾਰਿਤ AI ਟ੍ਰੇਨਿੰਗ ਤੋਂ ਬਿਲਕੁਲ ਵੱਖਰਾ ਹੈ।
Detailed Coverage
ਰੋਬੋਟ ਸਿੱਖਣ ਲਈ ਦਿਮਾਗ ਦੀਆਂ ਤਰੰਗਾਂ ਦੀ ਵਰਤੋਂ
AI ਰੋਬੋਟਸ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਉੱਚ-ਗੁਣਵੱਤਾ, ਅਸਲ-ਦੁਨੀਆ ਦੇ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੀ ਘਾਟ ਹੈ। ਜਿੱਥੇ Large Language Models (LLMs) ਇੰਟਰਨੈੱਟ 'ਤੇ ਉਪਲਬਧ ਭਾਰੀ ਮਾਤਰਾ ਵਿੱਚ ਟੈਕਸਟ ਡਾਟਾ 'ਤੇ ਫਲੋਰਿਸ਼ ਹੋਏ, ਉੱਥੇ ਰੋਬੋਟਿਕਸ ਕੰਪਨੀਆਂ ਨੂੰ ਭੌਤਿਕ ਕੰਮਾਂ ਲਈ ਅਜਿਹੇ ਸਰੋਤ ਲੱਭਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆ ਰਹੀ ਹੈ। ਹੁਣ Encord, ਜੋ AI ਲਈ ਡਾਟਾ ਟੂਲਸ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਆਪਣੇ ਖੁਦ ਦੇ ਡਾਟਾਸੈੱਟ ਬਣਾ ਰਹੀ ਹੈ।
ਨਵਾਂ ਤਰੀਕਾ: ਦਿਮਾਗ ਦੀਆਂ ਤਰੰਗਾਂ ਨਾਲ ਰੋਬੋਟ ਟ੍ਰੇਨਿੰਗ
ਕੈਲੀਫੋਰਨੀਆ ਦੇ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਵੇਅਰਹਾਊਸ ਫੈਸਿਲਿਟੀ ਵਿੱਚ, Encord ਇੱਕ ਨਵਾਂ ਤਰੀਕਾ ਅਜ਼ਮਾ ਰਹੀ ਹੈ ਤਾਂ ਜੋ ਮਨੁੱਖਾਂ ਵੱਲੋਂ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ ਕੈਪਚਰ ਕੀਤਾ ਜਾ ਸਕੇ। ਇੱਥੇ ਵਰਕਰ ਹੈੱਡਸੈੱਟ ਪਹਿਨ ਕੇ ਰੋਬੋਟਸ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ, ਜੋ ਦਿਮਾਗ ਦੀਆਂ ਤਰੰਗਾਂ ਨੂੰ ਮਾਨੀਟਰ ਕਰਦੇ ਹਨ। ਇਹ ਟੈਕਨਾਲੋਜੀ ਜਰਮਨ ਫਰਮ Zander Labs ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਸੈਂਸਰੀ ਡਾਟਾ ਦਾ ਉਦੇਸ਼ ਖਾਸ ਮਾਨਸਿਕ ਸਥਿਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਗਲਤੀ ਕਰਨਾ, ਹੈਰਾਨੀ ਮਹਿਸੂਸ ਕਰਨਾ, ਜਾਂ ਕੋਈ ਇਰਾਦਾ ਪ੍ਰਗਟ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਦਾ ਟੀਚਾ ਇਹ ਦੇਖਣਾ ਹੈ ਕਿ ਕੀ ਇਹਨਾਂ ਮਾਨਸਿਕ ਸੰਕੇਤਾਂ ਨਾਲ ਰੋਬੋਟਿਕਸ ਡਾਟਾ ਨੂੰ ਟੈਗ ਕਰਨ ਨਾਲ AI ਮਾਡਲ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸਿੱਖ ਸਕਦੇ ਹਨ, ਖਾਸ ਤੌਰ 'ਤੇ ਮੁਸ਼ਕਲ ਕੰਮਾਂ ਲਈ।
ਡਾਟਾ ਮੈਨੂਫੈਕਚਰਿੰਗ ਵੱਲ ਕਦਮ
Encord ਵਿੱਚ ਰੋਬੋਟ ਲਰਨਿੰਗ ਦੇ ਮੁਖੀ, Vineeth Velmurugan, ਨੇ ਕਿਹਾ ਕਿ ਕੰਪਨੀ ਹੁਣ ਸਿਰਫ਼ ਮੌਜੂਦਾ ਡਾਟਾ ਨੂੰ ਐਨੋਟੇਟ (annotate) ਕਰਨ ਤੋਂ ਅੱਗੇ ਵਧ ਗਈ ਹੈ। ਕਿਉਂਕਿ ਮੈਨੀਪੂਲੇਸ਼ਨ ਕੰਮਾਂ ਲਈ ਜ਼ਰੂਰੀ ਅਸਲ-ਦੁਨੀਆ ਦਾ ਡਾਟਾ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ, Encord ਨੇ ਇੱਕ ਨਿਰਮਾਤਾ (manufacturer) ਦੀ ਭੂਮਿਕਾ ਨਿਭਾਈ ਹੈ। ਟੀਮ ਕਸਟਮ ਡਾਟਾਸੈੱਟ ਬਣਾਉਣ ਲਈ ਕਈ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਲੀਡਰ-ਫਾਲੋਅਰ ਰੋਬੋਟਿਕ ਰਿਗਸ ਅਤੇ ਵਰਕਰਾਂ ਦੁਆਰਾ ਕੈਮਰੇ ਪਹਿਨ ਕੇ ਰਿਕਾਰਡ ਕੀਤੀ ਗਈ ਵੀਡੀਓ। ਇਹਨਾਂ ਡਾਟਾਸੈੱਟਾਂ ਵਿੱਚ ਅਕਸਰ ਸਹੀ ਐਨੋਟੇਸ਼ਨ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ—ਜਿਵੇਂ ਕਿ ਹੱਥਾਂ ਦੀਆਂ ਹਰਕਤਾਂ ਦਾ ਵਿਸਤ੍ਰਿਤ ਵਰਣਨ—ਜਿਨ੍ਹਾਂ ਨੂੰ ਕੰਪਨੀ ਰੋਅ ਵੀਡੀਓ ਫੁਟੇਜ ਨਾਲੋਂ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਮੰਨਦੀ ਹੈ।
ਫਿਜ਼ੀਕਲ AI ਵਿੱਚ ਆਰਥਿਕ ਰੁਕਾਵਟਾਂ
LLMs ਦੀ ਸੌਫਟਵੇਅਰ-ਡਰਾਈਵਨ ਟ੍ਰੇਨਿੰਗ ਦੇ ਉਲਟ, ਫਿਜ਼ੀਕਲ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਬਣਾਉਣ ਲਈ ਵੱਡੀ ਪੂੰਜੀ ਨਿਵੇਸ਼ ਅਤੇ ਮੈਨੂਅਲ ਲੇਬਰ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ। ਇਹ ਰੋਬੋਟਿਕਸ ਕੰਪਨੀਆਂ ਲਈ ਇੱਕ ਵੱਖਰੀ ਲਾਗਤ ਬਣਤਰ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਕਿਉਂਕਿ ਉਹ ਆਟੋਮੇਟਿਡ ਵੈੱਬ ਸਕ੍ਰੇਪਿੰਗ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਦਿਮਾਗ ਦੀਆਂ ਤਰੰਗਾਂ ਅਤੇ ਮਾਸਪੇਸ਼ੀਆਂ ਦੇ ਇਲੈਕਟ੍ਰੀਕਲ ਸਿਗਨਲ ਡਿਟੈਕਟਰਾਂ ਵਰਗੇ ਉੱਨਤ ਮੋਡੈਲਿਟੀਜ਼ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਕੇ, Encord ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀ ਹੈ ਕਿ ਕਿਹੜੇ ਡਾਟਾ ਕਿਸਮਾਂ ਹਿਊਮਨੌਇਡ ਅਤੇ ਵੇਅਰਹਾਊਸ ਰੋਬੋਟਿਕਸ ਫਰਮਾਂ ਲਈ ਨਿਵੇਸ਼ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਰਿਟਰਨ (ROI) ਪੇਸ਼ ਕਰਦੇ ਹਨ।
ਨਿਵੇਸ਼ਕਾਂ (Investors) ਅਤੇ ਉਦਯੋਗ ਦੇ ਨਿਰੀਖਕਾਂ ਨੂੰ ਇਹ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹ ਵਿਸ਼ੇਸ਼ ਡਾਟਾ-ਜਨਰੇਸ਼ਨ ਵਿਧੀਆਂ ਕਿਵੇਂ ਸਕੇਲ ਕਰਦੀਆਂ ਹਨ। ਇਸ ਪਹੁੰਚ ਦੀ ਅੰਤਿਮ ਸਫਲਤਾ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗੀ ਕਿ ਕੀ ਇਹ ਉੱਚ-ਲਾਗਤ, ਉੱਚ-ਫਿਡੈਲਿਟੀ ਡਾਟਾ ਰੋਬੋਟਸ ਨੂੰ ਗੁੰਝਲਦਾਰ, ਅਸਲ-ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲੋੜੀਂਦੇ ਸਮੇਂ ਅਤੇ ਮਿਹਨਤ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਰੂਪ ਵਿੱਚ ਘਟਾਉਂਦਾ ਹੈ। ਕੰਪਨੀ ਗਾਹਕ ਰੋਬੋਟਿਕਸ ਮਾਡਲਾਂ ਨਾਲ ਇਹਨਾਂ ਟ੍ਰਾਇਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਜਾਰੀ ਰੱਖੇ ਹੋਏ ਹੈ, ਇਸ ਗੱਲ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹੋਏ ਕਿ ਕੀ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਸਸਤੇ ਬਦਲਾਂ, ਜਿਵੇਂ ਕਿ ਬੇਸਿਕ ਵੀਡੀਓ-ਆਧਾਰਿਤ ਸਿਖਲਾਈ, ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਉਤਪਾਦਨ ਲਾਗਤਾਂ ਵਿੱਚ ਵਾਧੇ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਂਦਾ ਹੈ।