كلما تعمقت في التفكير في بيانات الروبوتات، زاد اقتناعي بأن تجميع المزيد من البيانات لا يُعد بالضرورة الحل. السؤال الحقيقي هو ما إذا كنا نجمع البيانات الصحيحة. هذا ما جذب انتباهي بشأن الاتجاه الذي يتبعه @axisrobotics. فبينما تستمر نموذج الروبوت في التطور والتحسن، قد تظل المعلومات المحيطة به دون تغيير. وهذا يخلق مشكلة. فبعض السلوكيات قد تكون سهلة بالفعل للنموذج، لذا فإن جمع المزيد منها لا يضيف سوى القليل جدًا. في الوقت نفسه، قد تكون الحالات النادرة التي لا يزال النموذج يعاني فيها مهمة أكثر بكثير. إن Axis يعيد تخيل سير العمل من خلال التحول بعيدًا عن النموذج التقليدي المتمثل في جمع البيانات أولًا ثم التدريب لاحقًا، وبدلاً من ذلك يتبع دورة مختلفة: جمع تدريب تقييم تكيف البيانات تدريب مرة أخرى يصبح النموذج جزءًا من محرك البيانات فأخطاؤه يمكن أن تُظهر لنا ما ينقص وأداءه يمكن أن يساعد في تحديد أي من البيانات الحالية لا تزال مفيدة. ويمكن للتصحيحات البشرية أن توفر إشارات تدريب جديدة بالضبط في النقاط التي يعاني فيها النموذج. أنا متحمس حقًا لهذا المفهوم لأنه يحول التركيز بعيدًا عن مجرد توسيع حجم مجموعة البيانات ونحو إنشاء نهج أكثر ذكاءً في كيفية تنظيم وتوزيع البيانات. المزيد من البيانات لا يعني تلقائيًا تعلمًا أفضل. في بعض الأحيان، يأتي أثمن المعلومات من تلك النسبة الصغيرة جدًا من البيانات التي تساعد النموذج على تعلم شيء لم يتقنه بعد. هنا فقط تصبح الذكاء الفيزيائي مثيرًا حقًا بالنسبة لي. فالنموذج لم يعد يتعلم فقط من البيانات بل يمكّننا من التنبؤ بالمعلومات التي ستتبعها لاحقًا.