ایک روبوٹ ڈیٹا سیٹ زیادہ مفید بن جاتا ہے جب اس کے حصے ایک دوسرے کے جواب دیں۔ یہی مجھے @axisrobotics کے ڈیٹا انجن میں سب سے زیادہ نمایاں لگا۔ ٹاسک جنریشن یہ فیصلہ کرتا ہے کہ کون سا سیناریو اور ایٹومک سکل کور کیا جائے۔ کنٹریبیوٹرز براؤزر ٹیلی آپریشن یا حقیقی دنیا کے ایگوسینٹرک کیپچر کے ذریعے ٹرایجکٹریز تیار کرتے ہیں۔ پھر ایک یکجا پائپ لائن ان ان پٹس کو تصدیق، صاف کرنا، اینوٹیشن اور اگمنٹ کرتی ہے، جب تک کہ وہ ٹریننگ ڈیٹا نہ بن جائیں۔ یہ لوپ یہاں ختم نہیں ہونا چاہئے۔ ایک پالیسی ٹرینڈ ہونے کے بعد، اس کے کمزور پہلوؤں سے یہ طے ہوتا ہے کہ کون سے ٹاسکز ٹریننگ کے بعد دوبارہ کھولے جائیں۔ ایک کنٹریبیوٹر پالیسی کو ٹاسک کرنے کی کوشش دیکھتا ہے، جب وہ غلطی کرتا ہے تو وہ کنٹرول سنبھال لیتا ہے، اور پھر دوبارہ کنٹرول واپس دے دیتا ہے۔ ان درستگیوں سے اگلی تکرار کو فید باک ملتا ہے۔ ہر کمپوننٹ کا الگ کام ہے، لیکن ان کے درمیان فید باک میں قدر ہے: جنریٹ، کالیکٹ، پروسس، ٹرین، کمزوری ظاہر کر، دوبارہ کالیکٹ۔ صرف زیادہ ڈیٹا حاصل کرنا ایک غیر واضح مقصد ہے۔ ایک ایسا نظام جو اگلے مفید ڈیٹا کا تقاضا کر سکے، بہت زیادہ واضح ہوتا ہے۔ اس سے شروع کریں: https://t.co/SUKXsZDwvC