جتنا میں روبوٹکس کے ڈیٹا پر غور کرتا ہوں، اتنا ہی میں یہ ماننے لگتا ہوں کہ صرف زیادہ ڈیٹا جمع کرنا ضروری حل نہیں ہے۔ اصل سوال یہ ہے کہ کیا ہم درست ڈیٹا جمع کر رہے ہیں۔ یہی بات مجھے @axisrobotics کی سمت کی طرف متوجہ کرتی ہے۔ ایک روبوٹ ماڈل جاری رہتا ہے اور بہتر ہوتا جاتا ہے، جبکہ اس کے اردگرد کی معلومات مستقل رہ سکتی ہیں۔ یہ ایک مسئلہ پیدا کرتا ہے۔ کچھ رویے پہلے ہی ماڈل کے لیے آسان ہو سکتے ہیں، اس لیے ان کا مزید جمع کرنا بہت کم فائدہ دیتا ہے۔ اسی طرح، وہ نایاب صورتحال جن میں ماڈل اب بھی مشکل کا شکار ہے، شاید بہت زیادہ اہم ہو سکتی ہیں۔ ایکسس روزمرہ کے عمل کو دوبارہ تصور کر رہا ہے، جس میں پہلے ڈیٹا جمع کرنے اور بعد میں تربیت دینے کے روایتی طریقے سے الگ ہو کر، ایک مختلف سائکل پر عمل کرتا ہے: جمع کریں تربیت دیں جائزہ لیں ڈیٹا کو ادھار دیں دوبارہ تربیت دیں ماڈل خود ڈیٹا انجن کا حصہ بن جاتا ہے۔ اس کی ناکامیاں ہمیں بتاتی ہیں کہ کیا کم ہے۔ اس کی کارکردگی ہمیں پتہ چلاتی ہے کہ موجودہ ڈیٹا میں سے کون سا حصہ اب بھی مفید ہے۔ اور انسانی درستگیاں ماڈل کو جہاں مشکل درپیش ہے، وہاں نئے تربیتی سگنلز فراہم کرتی ہیں۔ میں اس تصور سے واقعی متوجہ ہوں، کیونکہ یہ توجہ صرف ڈیٹاسیٹ کے سائز میں اضافے سے الگ، ڈیٹا کو منظم اور تقسیم کرنے کے طریقے پر زور دे�تا ہے۔ زیادہ ڈیٹا خود بخود بہتر سीکھنے کا مطلب نہیں۔ کبھی کبھار، سب سے قیمتی معلومات اس چھوٹے سے حصے سے آتی ہیں جو ماڈل کو اس بات پر سکھاتا ہے جسے وہ ابھی تک مکمل طور پر نئے نہیں سمجھ پایا۔ اسی جگہ پر فزکل AI مجھ کے لئے واقعی دلچسپ بن جاتا ہے۔ ماڈل صرف ڈیٹا سے نہیں سीکھ رہا۔ اس سے ہم پیدائش دینے والی معلومات کا اندازہ لگانے میں مدد حاصل کرتے ہیں۔