Fiziksel AI hakkında sıklıkla gözden kaçan bir nokta, eğitim verilerinin nereden geldiğidir. Bir model milyonlarca dijital kaydı işleyebilir, ancak gerçek bir sokak, bina veya nesneyi anlamak, fiziksel çevrenin kendisiyle ilgili bilgiler gerektirir. İşte burada @vangrid_io farklı bir yol izliyor. Mekansal veri toplamanın özel ekipler için ayrılmış bir iş olarak görülmesi yerine, Vangrid, katkıda bulunanların akıllı telefonlarını kullanarak gerçek dünya konumlarını yakalamasına ve bu görüntüleri 3D yeniden oluşturmalara izin veriyor. İlginç olan, bu parçaların nasıl birbirine bağlandığı. ➜ Gerçek bir konumun veri değeri vardır ➜ Katkıda bulunanlar, telefonlarıyla bu konumları yakalıyor ➜ Görüntüler, mekansal temsillere dönüştürülüyor ➜ Alıcılar, kabul etmeden önce sonucu inceleyebiliyor ➜ Blok zinciri onayları, ağ aktivitesinin doğrulanabilir kayıtlarını sağlıyor Ayrıca gizlilik konusu da var. Vangrid, kamusal ortamlardan görüntü toplarken cihaz üzerinde yüzlerin ve plakaların bulanıklaştırılmasını açıkladı. Raporlanan ağ aktivitesi 1,25 milyon yakalama, 450 bin kullanıcı, 4.700 onay ve $600.000 çözümlenmiş USDC’yi aştı. Ancak ağ boyutu tek başına faydalı eğitim verileri garantilemez. Doğruluk, kapsama alanı, gizlilik ve gerçek talep de aynı ölçüde önemlidir. Bu modeli takip etmeye değer yapan şey, her AI geliştiricinin her şeyi sıfırdan toplaması yerine, ortak bir mekansal veri kaynağı yaratma olasılığıdır. Dijital dünya bol miktarda bilgiye sahip. Şimdi zorluk, AI’nın fiziksel dünyayı anlamasına yardımcı olmaktır. Bu, @vangrid_io’nun çözmeye çalıştığı sorundur.