Cuanto más reflexiono sobre los datos de robótica, más convencido estoy de que simplemente acumular más datos no es necesariamente la solución. La verdadera pregunta es si estamos recopilando los datos correctos. Esto es lo que llamó mi atención sobre la dirección detrás de @axisrobotics. Un modelo de robot sigue avanzando y mejorando, mientras que la información que lo rodea puede permanecer inalterada. Esto crea un problema. Algunos comportamientos ya pueden ser fáciles para el modelo, por lo que recopilar más de ellos aporta muy poco. Al mismo tiempo, esos casos raros en los que el modelo sigue teniendo dificultades podrían ser mucho más importantes. Axis está reinventando el flujo de trabajo, alejándose del modelo tradicional de recopilar datos primero y entrenar después, y en su lugar adoptando un ciclo diferente: Recopilar Entrenar Evaluar Adaptar los datos Entrenar nuevamente El modelo se convierte en parte del motor de datos. Sus fallos pueden mostrarnos qué falta. Su rendimiento puede ayudar a identificar qué datos existentes siguen siendo útiles. Y las correcciones humanas pueden proporcionar nuevas señales de entrenamiento exactamente donde el modelo tiene dificultades. Estoy verdaderamente entusiasmado con este concepto porque desplaza el enfoque lejos de simplemente aumentar el tamaño del conjunto de datos y hacia la creación de un enfoque más inteligente sobre cómo se organiza y distribuye la información. Más datos no significa automáticamente un mejor aprendizaje. Cada tanto, la información más valiosa proviene de esa pequeña fracción de datos que ayuda al modelo a aprender algo que aún no ha dominado completamente. Ahí es donde la Inteligencia Física se vuelve realmente interesante para mí. El modelo ya no solo aprende de los datos. Nos permite predecir qué información seguirá a continuación.