كنت أعتقد أن المزيد من التصحيحات البشرية يعني تلقائيًا تدريبًا أفضل للروبوتات. لكن اتضح أن هذه الحدسية خاطئة. بعد قراءتي عن هذه التجربة من قبل Axis، ما أثار انتباهي أكثر لم يكن الحجم الهائل للبيانات التي جُمعت، بل كيفية تصفية هذه البيانات. تخيل مهمة بسيطة جدًا: وضع كتلة من التوفو على طبق. عندما كان الروبوت على وشك الفشل، كان يمكن للمستخدمين التدخل مباشرة عبر Axis Hub لإجراء تصحيحات. وتم تسجيل 660 تدخلاً. لكن @axisrobotics لم تستخدم جميعها للتدريب. فقط 161 جزءًا، تمثل 24.4% من الإجمالي، نجحت في المرشح. المنطق وراء ذلك منطقي تمامًا. فقط لأن مسارًا ما نجح في النهاية لا يعني أن كل فعل بشري داخله يستحق التعلم. قد توجد حركات زائدة، أو مسارات معقدة، أو توقفات لا توفر أي إشارة مفيدة. لذلك، كان على كل تصحيح أن يمر بثلاث عقبات: → إعادة تشغيله بنجاح في المحاكاة → إثبات أن السياسة الأصلية فشلت فعلاً → استخلاص الجزء الحاسم وإجراء فحص حلقة مغلقة لمعرفة ما إذا كان الروبوت يستطيع التعافي بنفسه هذه هي النقطة التي أحبها أكثر: قيمة التغذية الراجعة البشرية لا تكمن ببساطة في حقيقة أن "إنسانًا نجح في إنجاز المهمة". بل تكمن في تحديد الدقة بالضبط أي فعل حوّل حالة فشل إلى استعادة يمكن للروبوت إعادة إنتاجها بنفسه. 660 تصحيحًا تبدو رقمًا ضخمًا. لكن 161 إشارة موثوقة هي أكثر قيمة بكثير. ربما هذه هي الطريقة التي تتحول بها البيانات المُستمدة من المجتمع إلى محرك بيانات قابل للتوسع.