روبوٹ سیکھنے کا حلقہ gAxis جب ہم کہتے ہیں کہ ایک روبوٹ "سیکھ رہا ہے"، تو اس کا خیال یہ ہوتا ہے کہ اسے کافی ڈیٹا دے دیا جائے تو وہ بالآخر ہر چیز میں اچھا ہو جائے گا۔ حقیقی دنیا کے روبوٹکس اتنے آسان نہیں ہیں۔ ایک روبوٹ کسی کے دروازہ کھولنے کے ہزاروں مثالوں کو دیکھ سکتا ہے، لیکن اب بھی مشکل محسوس کر سکتا ہے جب دروازہ thoda زیادہ بھاری ہو، ہینڈل مختلف جگہ پر ہو، یا اس کا طریقہ درست نہ ہو۔ اس کا سبب یہ ہے کہ روبوٹکس صرف درست عمل کو پہچاننے کے بارے میں نہیں ہے۔ اس کا تعلق اس بات سے بھی ہے کہ جب متوقع عمل کام نہ کرے تو کیا کرنا ہے۔ انسان اسے فطری طور پر سیکھ لیتے ہیں۔ ہم کچھ کرنے کی کوشش کرتے ہیں، غلطی کو نوٹ کرتے ہیں، اصلاح کرتے ہیں، اور دوبارہ کوشش کرتے ہیں۔ ناکام کوشش سے حاصل ہونے والا تجربہ اگلی کوشش پر اپنا اثر ڈالتا ہے۔ فزیکل AI کو اسی طرح کے سیکھنے کے عمل کو حاصل کرنے کا طریقہ درکار ہے۔ **اسی جگہ پر Axis داخل ہوتا ہے** @axisrobotics ایک ماحول تعمیر کر رہا ہے جہاں روبوٹس کو انسانوں کے ساتھ محاکمہ شدہ تعاملات کے ذریعے تربیت دی جا سکتی ہے۔ ہر سیکھنے والے تجربے کو فزیکل روبوٹ پر نہیں لگایا جاتا، بلکہ ٹرینرز محاکمہ شدہ روبوٹس کے ساتھ تعامل کر سکتے ہیں، جب وہ غلطیاں کرتے ہیں تو ان کی رہنمائی کر سکتے ہیں، اور ان تعاملات سے ٹرایجکٹریز تخلیق کر سکتے ہیں۔ اہم بات صرف زیادہ ریکارڈز جمع کرنا نہیں ہے۔ اس میں اس تعلق کو حاصل کرنا شامل ہے جو ایک کوشش شدہ عمل اور اس کے بعد آنے والی اصلاح کے درمیان ہوتا ہے۔ ایک روبوٹ غلط طریقے سے پہنچتا ہے۔ ایک انسان تھام لیتا ہے۔ بہتر حرکت دکھائی جاتی ہے۔ اس اصلاح سے تربیت کا سگنل بن جاتا ہے۔ پھر ماڈل اس تجربے کو استعمال کرکے مستقبل کی کوششوں میں بہتری لاسکتا ہے۔ تو حلقہ اس طرح لگتا ہے: کوشش → غلطی → اصلاح → تربیت سگنل → بہتر کوشش۔ اسے بار بار دھندلا دو، تو نظام صرف مظاہروں کا اسٹینٹ لائبریری نہیں جمع کرنے لگتا۔ بلکه وہ تجربات جمع کرنے لگتا ہے۔ **مزید تفصيل: محاکمۂ (Simulation) کا اهمیت** فزیکل روبوٹس مہنگے، ری سٹ ہونے میں آهستہ، اور آپ جتنے تجربات عمل میں لانا چاhty hain ان پر محدود ہوتے ہیں۔ محاکمۂ (Simulation) ان محدودتوں میں سے بڑھتیر فراهم کرتا ہے۔ آپ اسی طرح کام دوباره دوباره آزماسکتے ھيں، مختلف حالات شامل کرسکتے ھيں، مداخلت جمع كرسكتे هى، اور اس پالسِي (policy) ميں بھي بھيترى لا سكتي هى جب تك آپ اس كي فزكلي دنيا ميں منتقل نه كرتي. اس لئي sim-to-real اهميتي ركhti hai. مقصد صرف يه نهيں كه روبوٹ محاكي ماحول ميں بھي بھيتر كام كري. مقصد يه hai كه وहاں سيكھي جان والي درسيات حقِيقت ميں بھي بھيتر كام كرن والي روبوٹس كي مدد كري. اور جب Axis زياتر پيچيدگي والي مانيپوليشن كاموں كي طرف بڑھ رها hai، تو ان فيدبَك حلقه كي معينيت زياتر اهميت ركhti hai. kyonkhi بالاخر روبوٹكس حل نهين هوي ga بڑهي سب سे بڑهي ڈيٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗ dataset جمع كرنى سى. بلكي حل وه نظام بنانا هونگا جو تجربات كي بناء پر بھيترى روایت حاصل كري. Axis ka وه حصه هى جس پر ميں توجھ ديرهي. مزید ڈيٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗٗ٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫٫. data مفيد هونگي. لېكن هر كوشش سى بھيترى سياح حاصل كرنا حقِي فائدې هى۔ @iamlogtun