میں پہلے سوچتا تھا کہ زیادہ انسانی درستگیاں خودبخود بہتر روبوٹ تربیت کا مطلب ہوتی ہیں۔ لیکن پتہ چلا کہ یہ جذباتی خیال غلط ہے۔ ایکسس کے اس تجربے کے بارے میں پڑھنے کے بعد، جو مجھے سب سے زیادہ متاثر کر گیا وہ صرف جمع کی گئی ڈیٹا کی بڑی مقدار نہیں تھی، بلکہ انہوں نے اسے کس طرح فلٹر کیا۔ ایک بہت آسان کام پر غور کریں: ایک ٹوفو کا ٹکڑا ایک پلیٹ پر رکھنا۔ جب روبوٹ ناکامی کے کنارے پر تھا، تو صارفین Axis Hub کے ذریعے براہ راست ہاتھ ڈال کر درستگیاں کر سکتے تھے۔ کل 660 مداخلتیں ریکارڈ کی گئیں۔ تاہم، @axisrobotics نے ان میں سے تمام کو تربیت کے لیے استعمال نہیں کیا۔ صرف 161 سیگمنٹس، جو کل کا 24.4% تھے، فلٹر سے گزر گئے۔ اس کا استدلال بالکل منطقی ہے۔ صرف اس لیے کہ ایک مسیر آخرکار کامیاب ہو جائے، اس کا مطلب یہ نہیں کہ اس میں شامل ہر انسانی حرکت سیکھنے کے قابل ہو۔ شاید اس میں زائد حرکات، لپٹوں والے راستے، یا وقفے شامل ہوں جو کوئی مفید سگنل نہ دیں۔ اس لیے، ہر درستگی کو تین رکاوٹوں سے گزرنا پڑا: → شبیہہ میں کامیابی سے دوبارہ چلانا → یہ ثابت کرنا کہ اصل پالیسی واقعی ناکام رہی → اہم سیگمنٹ نکالنا اور ایک بند لوپ چیک کرنا تاکہ دیکھا جا سکے کہ روبوٹ خود بخود بحال ہو سکتا ہے یا نہیں اس حصے کو میں سب سے زیادہ پسند کرتا ہوں: انسانی فیدبیک کا اصل قدر اس بات میں نہیں ہے کہ "ایک انسان نے کام کامیابی سے مکمل کر دیا۔" اس کا اصل قدر اس بات میں ہے کہ وہ بالکل درست طور پر پتہ لگاتا ہے کہ کون سا عمل ناکام حالت کو اس طرح بحال بناتا ہے جسے روبوٹ خود بخود دوبارہ دہرا سکتا ہے۔ 660 درستگیاں بڑی تعداد لگتی ہیں۔ لیکن 161 تصدیق شدہ سگنلز بہت زیادہ قدرتھ۔ شاید یہی وہ طرīقہ ہے جس سے برادری ماخذ ڈیٹا حقیقی طور پر ایک قابلِ توسّع ڈیٹا انجن میں تبدīل ہوتا ہے۔