May isang kakaibang problema na lumalabas kapag nag-crowdsource ka ng pagtatrabaho sa robot: ang pinakamahirap mong data ay hindi dapat galing sa karaniwang tagapag-ambag. Kamakailan ay ipinakilala ni @axisrobotics ang isang programang tinatawag na Challenger Program, at naniniwala ako na mas mahalaga ang ideya sa likod nito kaysa sa pangalan nito. Isipin ang dalawang gawain ng robot. Ang Gawaing A ay simpleng: kunin ang isang bagay at ilagay ito sa isang basurahan. Ang Gawaing B naman ay may kakaibang heometriya, maliit na toleransya, maraming hakbang, at isang pagbabalik kung mali ang unang paghawak. Kung ilalagay ang parehong gawain sa iisang pampublikong pool, pinapakita mo na pareho silang nangangailangan ng parehong kasanayan ng operator. Hindi sila. Ang mga baguhan ay makakasalungat sa mahirap na gawain, magkakaroon ng hirap, magkakagawa ng kakaibang mga pagsubok, at malamang ay magkakaroon ng masamang karanasan. Samantala, ang mga karanasan na tagapag-ambag ay hindi direktang pinapadala sa mga gawain kung saan pinakamahalaga ang kanilang kasanayan. Ang Axis ay nagsisimulang hiwalayin ang dalawang mundo na ito. Ang mga simpleng gawain ay mananatili sa karaniwang pool. Ang mga mahirap na gawain ay lilipat sa isang espesyal na Challenger zone para sa mga tagapag-ambag na alam na kung paano gamitin ang platform. Sa unang tingin, tila simpleng pag-update ng UX. Naniniwala ako na ito ay nagtuturo sa isang mas malaking bagay: may problema ang robot data sa pagpapares ng kasanayan. Kapag naging sapat na malaki ang network ng tagapag-ambag, ang tanong ay hindi na lang: “Sino ang makakagawa ng data na ito?” Kundi: “Sino ang dapat magbigay ng partikular na data na ito?” Ang mga simpleng gawain ay maaaring mag-optimize para sa sukat. Ang mga mahirap na gawain ay maaaring mag-optimize para sa kasanayan ng operator. At sa huli, maaari kong isipin na mas detalyado ang pagpapares: ang tagapag-ambag na ito ay mahusay sa presisyon na paghawak ang isa pa ay mas mahusay sa mahabang panahon na gawain ang isa pa ay hindi karaniwang mahusay sa pagbabalik ang isa pa ay mabuting magtatrabaho kasama ang partikular na embodiment Pagkatapos ay magsisimula nang tumingin ang network na hindi tulad ng isang sambayanang… kundi tulad ng isang distributed workforce na may espesyalisadong kasanayan. Ito ay isang mas interesanteng paraan upang i-scale ang tao’y inteligensya para sa mga robot. https://t.co/4FLsS5npxd