Il y a un problème étrange qui surgit lorsque vous externalisez l’entraînement des robots : vos données les plus difficiles ne devraient probablement pas provenir de vos contributeurs moyens. @axisrobotics a récemment introduit ce qu’on appelle le Challenger Program, et je pense que l’idée derrière est plus importante que le nom. Imaginez deux tâches pour robots. La tâche A est simple : saisir un objet et le placer dans une poubelle. La tâche B implique une géométrie complexe, des tolérances serrées, plusieurs étapes et une récupération si la première prise échoue. Si les deux tâches sont placées dans le même pool public, vous les traitez comme si elles exigeaient le même niveau de compétence de l’opérateur. Elles ne le font pas. Les débutants tombent sur la tâche difficile, peinent à la réaliser, génèrent des tentatives désordonnées et ont probablement une mauvaise expérience. Les contributeurs expérimentés, quant à eux, ne sont pas spécifiquement orientés vers les tâches où leur compétence est la plus précieuse. Axis commence à séparer ces deux mondes. Les tâches simples restent dans le pool habituel. Les tâches difficiles sont déplacées vers une zone Challenger dédiée aux contributeurs qui maîtrisent déjà la plateforme. Au premier abord, cela ressemble à une petite mise à jour UX. Je pense qu’il s’agit en réalité d’un indicateur plus vaste : les données pour robots souffrent d’un problème d’adaptation des compétences. Une fois qu’un réseau de contributeurs devient suffisamment large, la question n’est plus seulement : « Qui peut générer ces données ? » Mais : « Qui devrait générer cette donnée spécifique ? » Les tâches simples peuvent optimiser pour l’échelle. Les tâches difficiles peuvent optimiser pour la compétence de l’opérateur. Et à terme, je peux imaginer que ce matching devienne beaucoup plus granulaire : ce contributeur excelle dans la saisie de précision, un autre est meilleur pour les tâches à long terme, un autre est exceptionnellement bon en récupération, un autre performe bien avec une embodiment spécifique. Le réseau commence alors à ressembler moins à une foule… et davantage à une main-d’œuvre distribuée aux compétences spécialisées. C’est une manière bien plus intéressante d’augmenter l’intelligence humaine pour les robots. https://t.co/4FLsS5npxd