রোবট প্রশিক্ষণ ক্রাউডসোর্স করলে একটা অদ্ভুত সমস্যা দেখা দেয়: আপনার সবচেয়ে কঠিন ডেটা সম্ভবত আপনার গড় অবদানকারীর কাছ থেকে আসা উচিত নয়। @axisrobotics সম্প্রতি Challenger Program নামে একটি জিনিস চালু করেছে, এবং আমার মনে হয় এর পেছনের ধারণাটি নামের চেয়েও বেশি গুরুত্বপূর্ণ। দুটি রোবট টাস্ক কল্পনা করুন। টাস্ক A সহজ: একটি বস্তু তুলে নিয়ে সেটি একটি বিন-এ রাখা। টাস্ক B-তে থাকে অদ্ভুত জ্যামিতি, খুব টাইট টলারেন্স, একাধিক ধাপ এবং প্রথম গ্রাস ভুল হলে পুনরুদ্ধার করার ধাপ। যদি উভয় টাস্ককে একই পাবলিক পুলে ছুড়ে দেওয়া হয়, তাহলে আপনি ধরে নিচ্ছেন এগুলোর জন্য একই অপারেটর দক্ষতা দরকার। আসলেই তা নয়। শুরুর পর্যায়ের লোকেরা কঠিন টাস্কে আঘাত পায়, এতে লড়াই করে, বিশৃঙ্খল প্রচেষ্টা তৈরি করে এবং সম্ভবত নিজেরাই খারাপ অভিজ্ঞতার শিকার হয়। অভিজ্ঞ অবদানকারীরা, অন্যদিকে, তাদের দক্ষতা যেখানে সবচেয়ে মূল্যবান সেখানে কাজ করার জন্য নির্দিষ্টভাবে রাউটেড হচ্ছে না। Axis এখন এই দুই জগতকে আলাদা করতে শুরু করেছে। সরল টাস্কগুলো থাকে নিয়মিত পুলে। কঠিনগুলো চলে যায় একটি নিবেদিত Challenger জোনে, এমন অবদানকারীদের জন্য যারা ইতোমধ্যে প্ল্যাটফর্ম ব্যবহার করা জানে। প্রথমে এটা ছোট একটা UX আপডেটের মতো শোনায়। আমি মনে করি এটা আসলে আরও বড় কিছুর দিকে ইঙ্গিত করছে: রোবট ডেটার একটি স্কিল-ম্যাচিং সমস্যা আছে। একবার একটি অবদানকারী নেটওয়ার্ক যথেষ্ট বড় হয়ে গেলে, প্রশ্নটি আর শুধু থাকে না: “কে এই ডেটা তৈরি করতে পারে?” বরং হয়: “কে এই নির্দিষ্ট ডেটা তৈরি করা উচিত?” সহজ টাস্কগুলো স্কেলের জন্য অপ্টিমাইজ করতে পারে। কঠিন টাস্কগুলো অপারেটর স্কিলের জন্য অপ্টিমাইজ করতে পারে। এবং শেষ পর্যন্ত আমি কল্পনা করতে পারি ম্যাচিং আরও অনেক সূক্ষ্ম হয়ে উঠবে: এই অবদানকারী প্রিসিশন গ্রাসিং-এ দুর্দান্ত অন্যজন দীর্ঘ-হরাইজন টাস্কে বেশি ভালো আরেকজন অস্বাভাবিকভাবে ভালো রিকভারি-তে আরেকজন একটি নির্দিষ্ট এমবডিমেন্ট দিয়ে ভালো পারফর্ম করে তখন নেটওয়ার্ক দেখতে ক্রাউডের মতো কম লাগবে… এবং বিশেষায়িত দক্ষতাসম্পন্ন একটি ডিস্ট্রিবিউটেড ওয়ার্কফোর্সের মতো বেশি লাগবে। এটা রোবটের জন্য মানব বুদ্ধিমত্তাকে স্কেল করার অনেক বেশি আকর্ষণীয় উপায়। https://t.co/4FLsS5npxd