Nakakaisip ako na mas maraming tao na nagkakorrekto ay awtomatikong nangangahulugan ng mas mabuting pagtuturo sa robot. Napatunayan na mali ang aking intuisyon. Pagkatapos basahin ang eksperimento ng Axis, ang pinakamalaking nagpapaisip sa akin ay hindi ang dami ng data na kinolekta, kundi kung paano nila inilabas ito. Isipin ang isang napakasimpleng gawain: ilagay ang isang piraso ng tofu sa isang plato. Kapag nasa dulo na ng pagkabigo ang robot, maaaring direktang kunin ng mga gumagamit ang kontrol sa pamamagitan ng Axis Hub upang gawin ang mga koreksyon. Kinauulitan ang 660 na mga interbensyon. Gayunpaman, @axisrobotics ay hindi ginamit lahat nito para sa pagtuturo. Tanging 161 na mga segment na kumakatawan sa 24.4% ng kabuuang bilang ang nakapasok sa pagsusuri. Ang lohika ay lubos na may kahulugan. Hindi ibig sabihin na kung ang isang trahektorya ay nakakamit ng tagumpay, ay lahat ng aksyon ng tao sa loob nito ay may halaga para matutunan. Maaaring may mga paulit-ulit na galaw, mga palipat-lipat na landas, o mga paghinto na walang makabuluhang signal. Kaya, bawat koreksyon ay kailangang lumampas sa tatlong hadlang: → Makapag-replay nang matagumpay sa simulation → Ipatunay na talagang nabigo ang orihinal na patakaran → I-extract ang mahalagang segment at gawin ang closed-loop check upang makita kung kaya ng robot na muling makuha ang kontrol nang mag-isa Ito ang bahagi na pinakamahalaga sa akin: Ang halaga ng feedback ng tao ay hindi nakasalalay lamang sa katotohanan na “nagtagumpay ang isang tao sa gawain.” Ito ay nakasalalay sa pagtukoy sa eksaktong aksyon na nagbago sa isang estado ng pagkabigo sa isang pagkakataong maaaring i-replica ng robot nang mag-isa. Ang 660 na mga koreksyon ay tila malaking bilang. Ngunit ang 161 na napatunayang signal ay mas mahalaga. Maaaring ganito ang paraan kung paano ang data na galing sa komunidad ay umuunlad nang talagang maging scalable na data engine.