شيء واحد لفت انتباهي أثناء استعراض مستودع @continuumlabs_ على GitHub هو أن جمع بيانات الروبوتات ليس هو النهاية. بل هو في الواقع حيث يبدأ مشكلة أخرى. ماذا تفعل بكل هذا البيانات الخام؟ تخيل أنك تسجل آلاف العروض التوضيحية للروبوتات. قد تكون بعض الحركات ضوضائية جدًا. وقد تحتوي بعض المسارات على تناقضات. وقد لا تكون بعض البيانات مفيدة على الإطلاق للتدريب. لا يمكنك ببساطة رمي كل شيء في نموذج وتأمل أفضل النتائج. هنا يأتي دور Continuum Data Cleaning. إنه أداة ضمن نظام Axis مصممة لمعالجة وتقييم مسارات الروبوتات قبل استخدامها في مراحل لاحقة من العملية. وبصراحة، هذا الجزء لا يُناقش بما يكفي. نسمع كثيرًا عن جمع المزيد من البيانات. لكن المزيد من البيانات لا يعني تلقائيًا بيانات أفضل. فكر في مسار روبوت كتسجيل لكل ما حدث أثناء إنجاز مهمة. إذا احتوى التسجيل على ضوضاء غير ضرورية أو عدم انتظام، فقد يتعلم النموذج من هذه العيوب بدلاً من تعلم السلوك الذي تهتم به فعليًا. لذلك يجب فحص البيانات ومعالجتها. يتضمن Continuum Data Cleaning أدوات مثل تحسين المسارات وإعادة أخذ العينات، جنبًا إلى جنب مع مقاييس تساعد في تقييم جودة المسارات. على سبيل المثال، يمكن للتحسين تقليل الضوضاء غير المرغوب فيها في بيانات الحركة. ويمكن لإعادة أخذ العينات جعل المسارات أكثر اتساقًا في توزيع نقاط بياناتها عبر الزمن. ويمكن للمقاييس التقييمية أن تعطيك وسيلة لفهم ما إذا كان المسار منطقيًا بدلاً من افتراض أن كل عرض توضيحي مسجل مفيد. كما يوجد تحقق على مستوى المهمة. وهذا مهم لأن مسارًا يمكن أن يبدو تقنيًا سليمًا مع فشله في إنجاز المهمة الفعلية. حركة روبوت سلسة لا تعني بالضرورة أنه أكمل بنجاح ما كان مطلوبًا منه. لذا تريد أن تسأل كلا السؤالين: "هل هذا المسار نظيف؟" و"هل أكمل الروبوت المهمة فعليًا؟" هذا التمييز مهم عندما تقوم ببناء مجموعات بيانات للذكاء الاصطناعي المادي. الشيء المثير في Axis هو أنك تبدأ في رؤية كيف تتكامل المستودعات المختلفة معًا. يساعد Continuum Task Gen في إنشاء المهام. يمكن للبشر إظهار هذه المهام عبر التحكم عن بُعد. وتنتج هذه التفاعلات مسارات. ثم يمكن لأدوات مثل Continuum Data Cleaning مساعدتك في معالجة وتقييم بيانات المسارات. فقط بعد هذه الخطوات تبدأ حقًا في الاقتراب من بيانات جاهزة للتدريب. هذه طريقة أكثر شمولاً للنظر إلى الروبوتات. إنه ليس مجرد... جمع أكبر قدر ممكن من البيانات. بل هو... → جمع → فحص → تنظيف → التحقق → تحسين → تدريب. لأنه إذا كان الروبوتات ستتعلم من العروض التوضيحية البشرية، فإن جودة هذه العروض مهمة. وهذا هو السبب في أنني أعتقد أن الأجزاء الأقل إثارة في العملية — تنظيف البيانات والتحقق والتقييم — قد تصبح بنفس الأهمية التي تحظى بها نماذج الذكاء الاصطناعي المبهرة التي يتحدث عنها الجميع. غدًا، سألقي نظرة أعمق على ما يحدث فعليًا عندما تقوم بتنظيف ومعالجة مسار روبوت مع @continuumlabs_