Plus je réfléchis aux données robotiques, plus je suis convaincu que simplement accumuler davantage de données n’est pas nécessairement la solution. La vraie question est de savoir si nous collectons les bonnes données. C’est ce qui a retenu mon attention sur la direction prise par @axisrobotics. Un modèle de robot continue d’évoluer et de s’améliorer, tandis que les informations qui l’entourent peuvent rester inchangées. Cela crée un problème. Certains comportements sont déjà faciles pour le modèle, donc collecter davantage de ces cas ajoute très peu de valeur. En même temps, ces cas rares où le modèle continue de peiner pourraient en réalité être bien plus importants. Axis réinvente le processus en s’éloignant du modèle traditionnel qui consiste à collecter les données d’abord, puis à les entraîner ensuite ; il adopte plutôt un autre cycle : Collecter Entraîner Évaluer Adapter les données Entraîner à nouveau Le modèle devient une partie intégrante de l’engine de données. Ses échecs peuvent nous révéler ce qui manque. Ses performances nous aident à identifier quelles données existantes restent utiles. Et les corrections humaines peuvent fournir de nouveaux signaux d’entraînement précisément là où le modèle peine. Je suis sincèrement enthousiasmé par ce concept, car il déplace l’accent loin de la simple expansion de la taille des jeux de données pour privilégier une approche plus intelligente de l’organisation et de la distribution des données. Plus de données ne signifie pas automatiquement un meilleur apprentissage. De temps en temps, les informations les plus précieuses proviennent de cette minuscule fraction de données qui aide le modèle à apprendre quelque chose qu’il n’a pas encore parfaitement maîtrisé. C’est là que l’IA physique devient vraiment intéressante pour moi. Le modèle n’apprend plus seulement à partir des données. Il nous permet de prédire quelles informations suivront.