Un jeu de données sur la robotique contenant 10 millions de démonstrations presque identiques peut être moins utile qu’il n’y paraît. L’échelle compte, mais la diversité détermine ce que cette échelle représente réellement. C’est pourquoi le moteur de génération de tâches intégré à Axis Robotics a retenu mon attention. Au lieu de laisser la diversité au hasard, Axis décrit un système capable de varier plusieurs dimensions d’une tâche, notamment : • les formes robotiques • les objets • les configurations spatiales • les conditions sémantiques • les environnements visuels Pensez à quelque chose de simple comme ramasser une tasse. Changer la tasse, sa position, l’éclairage, les objets environnants, la configuration du robot ou l’environnement peut transformer une compétence de base en de nombreuses situations d’apprentissage différentes. Cela compte, car les foyers et les lieux de travail réels ne sont pas des laboratoires de simulation standardisés. Un robot qui réussit uniquement dans des conditions familières n’a pas vraiment appris à généraliser. Ainsi, lorsque je regarde @axisrobotics, je m’intéresse de moins en moins à demander : « Combien de trajectoires peuvent-ils générer ? » La meilleure question pourrait être : « Quelle diversité significative peuvent-ils créer au sein de ces trajectoires ? » Pour l’IA physique, des millions d’exemples sont utiles. Des millions de situations d’apprentissage véritablement différentes pourraient être bien plus précieuses.