Robot eğitimi için kitle kaynaklı bir yaklaşım kullandığınızda garip bir sorun ortaya çıkar: en zor verileriniz muhtemelen ortalama bir katkıda bulunan kişiden gelmemelidir. @axisrobotics, недавно "Mücadeleci Programı" adlı bir şey tanıttı ve ben bunun arkasındaki fikrin adından daha önemli olduğuna inanıyorum. İki robot görevini hayal edin. Görev A basittir: Bir nesneyi alıp bir konteynöre yerleştirin. Görev B ise garip geometri, dar toleranslar, çok sayıda adım ve ilk tutuşun başarısız olması durumunda bir kurtarma işlemi içerir. İki görev de aynı halka açık havuza atılırsa, ikisinin de aynı operatör becerisini gerektirdiğini varsaymış olursunuz. Ancak gerektirmiyorlar. Yeni başlayanlar zor görevi karşılar, zorlanır, kararsız denemeler üretir ve muhtemelen kötü bir deneyim yaşarlar. Deneyimli katkıda bulunanlar ise ise becerilerinin en değerli olduğu görevlere özel olarak yönlendirilmemektedir. Axis, bu iki dünyayı ayırmaya başlıyor. Basit görevler düzenli havuza kalır. Zor görevler ise platformu zaten iyi kullanan katkıda bulunanlar için ayrılmış bir Mücadeleci bölgesine taşınır. İlk bakışta bu küçük bir UX güncellemesi gibi görünüyor. Ancak ben bunun aslında daha büyük bir şeyi işaret ettiğine inanıyorum: Robot verilerinin bir beceri eşleştirme sorunu var. Bir katkıda bulunan ağı yeterince büyük hale geldiğinde soru artık sadece: “Bu veriyi kim üretebilir?” değil: “Bu spesifik veriyi kim üretmeli?” Basit görevler ölçeklenebilirlik için optimize edilebilir. Zor görevler ise operatör becerisi için optimize edilebilir. Ve nihayetinde, eşleştirmenin çok daha ince seviyede olabileceğini hayal edebilirim: Bu katkıda bulunan kişi hassas tutma konusunda harika, başkası uzun vadeli görevlerde daha iyidir, başkası kurtarma işlemlerinde olağanüstü yetenekli, başkası ise belirli bir gövdeyle iyi performans gösterir. O zaman ağı daha çok bir kalabalık gibi değil, özel becerilere sahip dağıtılmış bir işgücü gibi görürsünüz. Bu, robotlar için insan zekâsını ölçeklendirmenin çok daha ilginç bir yolu.