Більшість людей вважають, що навчання AI-роботів — це просто надання їм безкінечних обсягів даних. Але це не так. Більше даних не означає розумніші моделі — важливі правильні дані. Потрібно розуміти цю різницю. Ось у чому справа: цінність траєкторії ніколи не є статичною. Подумайте про навчання роботизованої руки складати блоки. Коли вона вже досягає 95% успішних плавних захватів, збирання ще 10 000 ідеальних прикладів «захватити-помістити» не додає жодної цінності. Справді важливо, що відбувається, коли вона зсуватиме, неправильно оцінюватиме глибину або переверне чашку. Лише навчаючись з різних кутів, ми отримуємо якісні дані, які допомагають нам оперативно вирішувати проблеми. Саме тому статичні набори даних не працюють. У @axisrobotics ми не сприймаємо дані як фіксований архів; ми бачимо їх як адаптивний, живий двигун. Замість повторення вже засвоєних завдань, нижчостоячі індикатори виявляють, де виникають невдачі під час виконання. Ці слабкі місця, пов’язані з крайніми випадками, точно показують, що потрібно виправляти. Робота ведеться за замкненим циклом: Модель → Оцінка → Вибір → Збір → Навчання → Модель Засвоєні поведінки відступають на задній план, а пріоритет отримують нові, високоефективні дані. Шляхом активного збирання саме тих корекцій, з якими поточна модель має труднощі, кожен новий пакет справді підвищує роботизовану здатність. Припиніть накопичувати надлишкові дані. Навчайте пробіли. У відео я намагаюся підняти сливу й абрикос, а потім покласти їх у металевий лоток; потім знову піднімаю абрикос і кладу його у миску для змішування. Це здається дуже простим, але роботизовані руки не слухають те, що ми їм кажемо; мені потрібно правильно навчити їх з правильного кута, щоб завершити це завдання. На початку я теж стикався з проблемами; пізніше я зрозумів, як з ними впоратися, і завершив завдання. Також можете переглянути це відео… Як це важко… Поділиться своїм досвідом із мною. @axisrobotics