Smadzeņu viļņi – jauns veids, kā apmācīt robotus
Uzņēmums Encord eksperimentē ar smadzeņu viļņu sensoru izmantošanu, lai radītu datus fiziskās mākslīgā intelekta trenēšanai, cenšoties pārvarēt reālās pasaules datu trūkumu robotikā.
Kompānija Encord, kas izstrādā datu apstrādes rīkus AI modeļu trenēšanai, pašlaik eksperimentē ar smadzeņu viļņu nolasīšanas tehnoloģiju, lai uzlabotu robotu mācīšanas procesu. Kopā ar Vācijas jaunuzņēmumu Zander Labs tiek testētas galvas saites, kas mēra smadzeņu aktivitāti, kamēr cilvēks veic fiziskus uzdevumus – piemēram, izvelk klučus no Jenga torņa.
Ideja ir tāda, ka smadzeņu viļņi var atklāt cilvēka garīgos stāvokļus – kļūdas, nodomu, pārsteigumu – un tādējādi bagātināt treniņdatu kopas. Zander Labs neirozinātnieks Lukass Gērke skaidro, ka smadzeņu aktivitātes intensitāte dažādos uzdevuma brīžos var palīdzēt modeļu veidotājiem saprast, kad nepieciešams izmantot sarežģītākus modeļus.
Encord galvenais mērķis ir atrisināt robotikas datu trūkuma problēmu. Uzņēmuma robotikas mācīšanās nodaļas vadītājs Vinīts Velmurugans norāda, ka datu vienkārši nav – ar esošo apjomu nepietiek, lai trenētu neironu tīklus fizisko manipulāciju veikšanai. Pēc viņa prognozēm, ir nepieciešama datu kopa, kas ir piecas reizes lielāka par YouTube video krātuvi.
Encord izmanto arī citas metodes, piemēram, egocentrisku kameru datus no darbinieku galvas saitēm un muskuļu signālu sensorus uz apakšdelmiem. Sensors uz rokas reģistrē elektriskos impulsus muskuļos, ļaujot precīzāk noteikt rokas pozīciju 3D telpā. Pilotu darbinieki, piemēram, Sofija Infante un Endrū Seiha, veic dažādus uzdevumus – sākot no kafijas lešanas līdz kabeļu pievienošanai –, un šie dati tiek marķēti ar detalizētiem aprakstiem, piemēram, "labā roka pievelk skrūvi".
Velmurugans lēš, ka šādi rūpīgi marķēti dati ir 100 reizes vērtīgāki nekā nekvalitatīvi egocentriskie dati, lai gan to izgatavošana izmaksā tikai 20 reizes dārgāk. Tomēr šīs izmaksas būtiski atšķiras no LLM modeļu trenēšanas, kur teksts no interneta tiek iegūts praktiski bez maksas. Fiziskā AI prasa datu ražošanu, nevis tikai savākšanu – un tas maina modeļu izstrādes ekonomiku.
Encord, kas sākotnēji sniedza datu marķēšanas pakalpojumus, tagad pati rada datus, jo tās klienti – vadošie robotikas uzņēmumi – sāka izmantot “end-to-end” mācīšanos robotu vadībai. Uzņēmums sadarbojas ar vairākām rūpnīcām visā pasaulē, lai iegūtu egocentriskus datus, savukārt Sanleandro iekārtā tiek pētītas jaunas metodes, piemēmēram, smadzeņu viļņi.
Kā atzīmē Seiha, kurš iepriekš uzturēja robotizētu atkritumu šķirotāju, tagad viņš katru dienu saskaras ar jauniem izaicinājumiem – un tas viņam patīk. Rūpniecībā vērojama strauja attīstība, un Encord kā starpnieks starp daudziem robotikas uzņēmumiem spēj pamanīt tendences ātrāk nekā jebkurš atsevišķs klients.
