Encord тестирует данные мозговых волн для обучения физического AI
Стартап Encord вместе с Zander Labs проверяет, могут ли показания мозговой активности улучшить обучение моделей для роботов
Один основной источник · Как мы проверяем новости
Что произошло
Encord тестирует сбор обучающих данных для роботов с использованием гарнитуры, которая одновременно фиксирует то, что видит человек, и измеряет его мозговые волны. В одном из примеров тренер роботов Andrew Ceja разбирает башню из деревянных блоков, пока устройство записывает визуальные данные и сигналы мозговой активности.
Гарнитура создана Zander Labs. Идея эксперимента в том, чтобы добавить к данным о физических действиях человека информацию о его ментальных состояниях, включая ошибку, намерение и удивление.
Детали эксперимента
Сотрудничество Encord и Zander пока описывается как пробный запуск. Encord намерена собрать первоначальный набор данных с метками мозговых волн, пропустить его через робототехнические модели клиентов и оценить, улучшает ли это их работу, прежде чем масштабировать проект.
Lucas Gehrke, нейроученый Zander, курирующий работу, считает, что объем мозговой активности в разные моменты выполнения задачи может дать разработчикам моделей подсказки о том, когда нужно задействовать наиболее ресурсоемкие модели.
Почему это важно
Encord делает ставку на то, что ключевым ограничением для гуманоидной и складской робототехники станет не архитектура моделей, а нехватка реальных физических обучающих данных. Вместо того чтобы только помогать робототехническим компаниям управлять уже имеющимися данными, Encord строит бизнес вокруг создания недостающих наборов данных.
Vineeth Velmurugan, руководитель направления обучения роботов в Encord, называет работу с такими данными передним краем попыток решить узкое место в робототехнике. Ранее он работал в робототехнической лаборатории OpenAI и в Berkshire Grey.
Контекст
Encord изначально была создана для помощи компаниям, которые разрабатывают приложения машинного зрения, размечают данные и оценивают модели. По мере того как клиенты начали применять сквозное обучение к задачам роботизированной манипуляции, компания пришла к выводу, что обучающие данные нужно не только управлять, но и производить.
По словам Vineeth Velmurugan, для прорыва может потребоваться набор данных примерно в пять раз больше видеокорпуса YouTube. Это объясняет, почему генерация данных становится отдельным бизнесом, а не только исследовательской задачей.
Источники
Один основной источник. Как мы проверяем новости
