AI రోబోలకు క్లిష్టమైన భౌతిక పనులను నేర్పడానికి Encord బ్రెయిన్ వేవ్ సెన్సార్లను ఉపయోగిస్తోంది. ఉద్దేశ్యం, పొరపాటు వంటి మానసిక స్థితులను క్యాప్చర్ చేయడం ద్వారా, పరిశ్రమ ఎదుర్కొంటున్న హై-క్వాలిటీ ఫిజికల్ ట్రైనింగ్ డేటా కొరతను తీర్చాలని కంపెనీ లక్ష్యంగా పెట్టుకుంది. ఈ కొత్త డేటా-క్రియేషన్ మోడల్, సాంప్రదాయ టెక్స్ట్-బేస్డ్ AI ట్రైనింగ్తో పోలిస్తే, రోబోటిక్స్ కోసం మరింత ఖరీదైన, ప్రత్యేకమైన తయారీ వైపు అడుగులు వేస్తోంది.
Detailed Coverage
రోబో లెర్నింగ్ కోసం బ్రెయిన్ వేవ్స్
రోబోటిక్స్ రంగంలో ఫిజికల్ AI అభివృద్ధికి ఒక పెద్ద అడ్డంకి ఎదురవుతోంది: హై-ఫిడిలిటీ, రియల్-వరల్డ్ ట్రైనింగ్ డేటా కొరత. ఇంటర్నెట్లో లభించే అపారమైన టెక్స్ట్ డేటాతో లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs) దూసుకుపోతుంటే, రోబోటిక్స్ కంపెనీలు భౌతిక పనులకు సంబంధించిన సమానమైన వనరులను కనుగొనడానికి కష్టపడుతున్నాయి. AI కోసం డేటా టూల్స్ అందించే Encord సంస్థ, ఇప్పుడు ఈ సమస్యను పరిష్కరించడానికి సొంతంగా డేటాసెట్లను తయారు చేస్తోంది.
కాలిఫోర్నియాలోని శాన్ లియాండ్రోలోని ఒక ప్రత్యేక గిడ్డంగిలో, Encord మానవులు పనులను ఎలా చేస్తారో గ్రహించడానికి ఒక కొత్త పద్ధతిని పరీక్షిస్తోంది. వర్కర్లు జర్మన్ సంస్థ Zander Labs సరఫరా చేసిన హెడ్సెట్లను ధరించి రోబోలను ఆపరేట్ చేస్తారు. ఈ హెడ్సెట్లు బ్రెయిన్ వేవ్స్ను పర్యవేక్షిస్తాయి. ఈ సెన్సార్ డేటా, ఒక వ్యక్తి పొరపాటు చేసినప్పుడు, ఆశ్చర్యం వ్యక్తం చేసినప్పుడు, లేదా ఒక పని చేయాలనే ఉద్దేశ్యం (intent) చూపినప్పుడు వంటి నిర్దిష్ట మానసిక స్థితులను గుర్తించడానికి ఉద్దేశించబడింది. ముఖ్యంగా కష్టమైన పనులకు ప్రాసెసింగ్ పవర్ అవసరమైనప్పుడు, ఈ మెంటల్ సిగ్నల్స్తో రోబోటిక్స్ డేటాను ట్యాగ్ చేయడం ద్వారా AI మోడల్స్ మరింత సమర్థవంతంగా నేర్చుకోగలవా అని కంపెనీ పరిశీలిస్తోంది.
డేటా తయారీ వైపు మళ్లిన Encord
Encord లో రోబో లెర్నింగ్ హెడ్గా ఉన్న వినీత్ వెల్మురుగన్ మాట్లాడుతూ, కంపెనీ కేవలం ఉన్న డేటాను విశ్లేషించడం (annotating) దాటి ముందుకు వెళ్లిందని చెప్పారు. మానిప్యులేషన్ టాస్క్లకు అవసరమైన రియల్-వరల్డ్ డేటా పెద్ద మొత్తంలో అందుబాటులో లేనందున, Encord ఒక తయారీదారుగా (manufacturing role) మారింది. బృందం లీడర్-ఫాలోయర్ రోబోటిక్ రిగ్స్, వర్కర్లు కెమెరాలు ధరించి రికార్డ్ చేసే ఎగోసెంట్రిక్ వీడియోలు వంటి వివిధ పద్ధతులను ఉపయోగించి కస్టమ్ డేటాసెట్లను నిర్మిస్తోంది. ఈ డేటాసెట్లలో తరచుగా ఖచ్చితమైన ఉల్లేఖనాలు (annotations) ఉంటాయి - ఉదాహరణకు, చేతి కదలికల యొక్క నిర్దిష్ట వివరణలు - ఇవి కేవలం ముడి వీడియో ఫుటేజ్ కంటే మోడల్ ట్రైనింగ్కు గణనీయంగా విలువైనవని కంపెనీ విశ్వసిస్తోంది.
ఫిజికల్ AIలో ఆర్థిక సవాళ్లు
LLMs యొక్క సాఫ్ట్వేర్-ఆధారిత శిక్షణ వలె కాకుండా, ఫిజికల్ ట్రైనింగ్ డేటాను తయారు చేయడానికి గణనీయమైన మూలధన పెట్టుబడి మరియు మానవ శ్రమ అవసరం. ఇది రోబోటిక్స్ కంపెనీలకు విభిన్నమైన వ్యయ నిర్మాణాన్ని సృష్టిస్తుంది, ఎందుకంటే అవి ఆటోమేటెడ్ వెబ్ స్క్రాపింగ్పై ఆధారపడలేవు. బ్రెయిన్ వేవ్ సెన్సార్లు మరియు కండరాల ఎలక్ట్రికల్ సిగ్నల్ డిటెక్టర్లు వంటి అధునాతన పద్ధతులను Encord ప్రయోగాత్మకంగా పరీక్షిస్తోంది. హ్యూమనాయిడ్ మరియు గిడ్డంగి రోబోటిక్స్ సంస్థలకు ఏ డేటా రకాలు ఉత్తమ పెట్టుబడి రాబడిని అందిస్తాయో గుర్తించడానికి ఇది ప్రయత్నిస్తోంది.
పెట్టుబడిదారులు మరియు పరిశ్రమ పరిశీలకులు ఈ ప్రత్యేక డేటా-జనరేషన్ పద్ధతులు ఎంతవరకు స్కేల్ అవుతాయో ట్రాక్ చేయాలి. ఈ హై-కాస్ట్, హై-ఫిడిలిటీ డేటా, క్లిష్టమైన, వాస్తవ-ప్రపంచ అనువర్తనాల కోసం రోబోలకు శిక్షణ ఇవ్వడానికి అవసరమైన సమయం మరియు శ్రమను గణనీయంగా తగ్గిస్తే ఈ విధానం యొక్క అంతిమ విజయం ఆధారపడి ఉంటుంది. చౌకైన ప్రత్యామ్నాయాలైన బేసిక్ వీడియో-ఆధారిత శిక్షణతో పోలిస్తే పెరిగిన ఉత్పత్తి ఖర్చులను పనితీరు మెరుగుదలలు సమర్థిస్తాయా అనేదానిపై దృష్టి సారిస్తూ, కస్టమర్ రోబోటిక్స్ మోడల్లతో ఈ ట్రయల్స్ను కంపెనీ మూల్యాంకనం చేస్తూనే ఉంది.