Saya dulu berpikir bahwa lebih banyak koreksi manusia secara otomatis berarti pelatihan robot yang lebih baik. Ternyata, intuisi itu salah. Setelah membaca tentang eksperimen ini oleh Axis, yang paling menarik perhatian saya bukanlah volume data yang dikumpulkan, melainkan cara mereka menyaringnya. Pertimbangkan tugas yang sangat sederhana: meletakkan sepotong tahu ke atas piring. Ketika robot berada di ambang kegagalan, pengguna dapat mengambil alih langsung melalui Axis Hub untuk melakukan koreksi. Sebanyak 660 intervensi tercatat. Namun, @axisrobotics tidak menggunakan semua intervensi tersebut untuk pelatihan. Hanya 161 segmen, yang mewakili 24,4% dari total, yang lolos penyaringan. Alasan di baliknya sangat masuk akal. Hanya karena suatu trajektori akhirnya berhasil tidak berarti setiap tindakan manusia di dalamnya layak dipelajari. Mungkin ada gerakan berlebihan, jalur yang memutar, atau jeda yang tidak memberikan sinyal berguna. Oleh karena itu, setiap koreksi harus melewati tiga rintangan: → Dapat diputar ulang dengan sukses di simulasi → Menunjukkan bahwa kebijakan asli benar-benar gagal → Mengekstrak segmen kritis dan melakukan pengecekan closed-loop untuk melihat apakah robot dapat pulih sendiri Ini adalah bagian yang paling saya sukai: Nilai umpan balik manusia tidak terletak hanya pada fakta bahwa "seorang manusia berhasil menyelesaikan tugas." Namun, terletak pada identifikasi tepat tindakan mana yang mengubah keadaan gagal menjadi pemulihan yang dapat direplikasi robot secara mandiri. 660 koreksi terdengar seperti angka yang sangat besar. Tapi 161 sinyal yang diverifikasi jauh lebih berharga. Mungkin inilah cara data yang bersumber dari komunitas benar-benar berkembang menjadi mesin data yang dapat diskalakan.