هناك مشكلة غريبة تظهر عندما تُعتمد مصادر جماعية لتدريب الروبوتات: بياناتك الأصعب على الأرجح لا ينبغي أن تأتي من المساهم العادي. أطلقت @axisrobotics مؤخرًا شيئًا يُسمى برنامج التحدي، وأعتقد أن الفكرة وراءه أهم من اسمه. تخيل مهمتين للروبوت. المهمة A بسيطة: التقاط كائن ووضعه في صندوق. المهمة B تتضمن هندسة غير مريحة، ودقة عالية، وخطوات متعددة، واستعادة في حال فشل أول محاولة للإمساك. إذا تم طرح المهمتين معًا في نفس المجموعة العامة، فأنت تتعامل معهما كما لو أنهما تتطلبان نفس مستوى مهارة المشغل. لكنهما لا تتطلبان ذلك. المبتدئون يواجهون المهمة الصعبة، يعانون معها، ويُنتجون محاولات فوضوية، وربما يمرّون بتجربة سيئة. بينما لا يتم توجيه المساهمين ذوي الخبرة بشكل خاص نحو المهام التي تكون فيها مهاراتهم ذات قيمة أكبر. تبدأ Axis الآن في فصل هذين العالمين. تبقى المهام البسيطة في المجموعة العادية. تنقل المهام الصعبة إلى منطقة تحدي مخصصة للمساهمين الذين يعرفون بالفعل كيفية استخدام المنصة. في البداية، يبدو هذا وكأنه تحديث صغير في تجربة المستخدم. لكنني أعتقد أنه يشير في الواقع إلى شيء أكبر: بيانات الروبوتات تواجه مشكلة مطابقة المهارات. بمجرد أن يصبح شبكة المساهمين كبيرة بما يكفي، فإن السؤال لم يعد فقط: "من يمكنه توليد هذه البيانات؟" بل: "من يجب أن يُنتج هذه البيانات بالتحديد؟" يمكن تحسين المهام السهلة للحصول على حجم أكبر. يمكن تحسين المهام الصعبة لزيادة مهارة المشغل. وفي النهاية، يمكنني تخيل أن تصبح المطابقة أكثر دقة بكثير: هذا المساهم ممتاز في الإمساك الدقيق والآخر أفضل في المهام طويلة المدى والآخر متميز بشكل غير عادي في الاستعادة والآخر يؤدي بشكل جيد مع نوع معين من التمثيل الجسدي ثم تبدأ الشبكة في التحول من كونها جمهورًا عاديًا... إلى كونها قوة عمل موزعة ذات مهارات متخصصة. هذه طريقة أكثر إثارة للتوسع في الذكاء البشري من أجل الروبوتات. https://t.co/4FLsS5npxd