Когда Meta шокировала отрасль инвестициями в AI в 14,3 миллиарда долларов США, реакция была быстрой. В течение нескольких дней крупные клиенты (включая Google, Microsoft и Openaai) начали дистанцироваться от платформы, которая теперь частично выровнена с одним из их главных конкурентов.
Тем не менее, реальная история идет глубже: в схватке, чтобы собрать больше данных, слишком много руководителей ИИ по -прежнему предполагают, что объем гарантирует только производительность. Но в таких областях, как робототехника, Computers Vision или AR — требуется пространственный интеллект — это уравнение рушится. Если ваши данные не могут отражать сложность физической среды, больше не только бессмысленно. Это может быть опасно.
Основатель и генеральный директор NFINITE.
Fidelity поражает физический ИИ
Текущие модели искусственного интеллекта были в основном построены и обучались огромным текстовым записям и 2D -картинкам из Интернета. Однако физический ИИ требует другого подхода. Робот склада или хирургический помощник не ориентируется на веб -сайте, но перемещается в реальном пространстве, свете, геометрии и риске.
В этих приложениях данные должны быть высоким разрешением, контекстом, связанным с контекстом и в физических измерениях реального мира. Последний набор данных физического ИИ с помощью NVIDIA иллюстрирует сдвиг: 15 терабайт тщательно структурированных дыхательных путей (некременных изображений), которые отражают рабочую сложность.
Робот -операционные системы, которые обучаются в этих типах оптимизированных трехмерных наборов данных, могут работать в сложных реальных средах с большей точностью, аналогично пилоту после обучения на симуляторе, который был создан с точными точками данных полета, может летать с точностью точки.
Представьте себе самостоятельный вождение вилочного погрузчика, которая неправильно оценивалась в измерениях палитры, поскольку в его тренировочных данных не хватало мелкозернистых заметок о глубине или робота с помощью хирургического, который смущает гибкий инструмент для жесткой ткани, просто потому, что его тренировочный набор никогда не захватывал этот оттенок.
В физическом ИИ стоимость обратного высока. Ошибки краев в физических системах не только вызывают галлюцинации, но и предлагают потенциал для нарушения машин, рабочих процессов или даже костей. По этой причине физические руководители ИИ становятся все более учитываемыми курируемыми, специфичными для доменами данных по сравнению со шкалой грубой силы.
Создать стратегии данных для этой цели
Перемещение «Собирайте все», чтобы «собрать то, что важно», требует изменения в образе мышления:
1. Определите физические показатели лояльности
Определите контрольные показатели для решения, глубокой точности, разнообразия окружающей среды и временной непрерывности. Эти метрики должны соответствовать режимам ошибки их системы (например, точность минимальной глубины, чтобы избежать порогов столкновения или дисперсии освещения, чтобы обеспечить надежное распознавание объектов при определенных условиях).
2. Курати и комментировать с доменной экспертизой
Партнер со специалистами: роботизированные инженеры, эксперты по фотограмметрии, полевые операторы, чтобы определить критические сценарии и окраины. Используйте структурированные рекордные установки (многоугольные камеры, синхронизированные глубокие датчики) и строгие протоколы аннотации, чтобы кодировать сложность реального мира в ваших записях данных.
3 .. Итерер с обратной связью с закрытыми петлями
Подготовьте ранние прототипы в контролируемых настройках, сбой системы протоколов и подайте эти края обратно в последующие раунды сбора данных. Этот подход с замкнутым циклом быстро фокусируется на росте данных на сценариях, которые являются наиболее важными, вместо того, чтобы увековечить слепое масштабирование.
Качество данных как новый конкурентный лимит
В то время как физический ИИ лабораторий в критическую инфраструктуру, производительность, центры, больницы, строительные площадки, которые текут во время игры. Компании, которые полагаются на данные с большим объемом, могут быть удивлены конкурентами, которые инвестируют в записи данных о точности. Качество переводится непосредственно в эксплуатацию, надежность и доверие пользователей: оператор логистики допускает ошибочную упаковку намного легче, чем рука робота, которая нарушает товары или персонал.
Кроме того, высококачественные записи данных разблокируют расширенные функции. Богатые метаданные, семантические этикетки, свойства материалов, временный контекст позволяют системам ИИ обобщить по средам и задачам. Модель видения, обученная на 3D -сканировании кишечника Anbotter, может быть более эффективно перенесена с одного склада склада в другой, что снижает возобновляемые переговоры о затратах и описании.
Вооружение кирки Ki еще не закончилось, но его условия меняются. Настоящее поле битвы за пределами заголовки сделок и дебатов о рисках с заголовком: убедитесь, что данные, которые исчерпает ИИ завтра, не только огромно, но и тщательно подходящие. В физических областях, в которых на карту поставлены реальная производительность, надежность и безопасность, пионеры будут теми, кто признает, что данные как инженера превышают давление (и объем).
Я попробовал 70+ лучших инструментов ИИ.
Эта статья была произведена в рамках канала Expert Insights Techradarpro, в котором мы сегодня предлагаем лучшие и умные руководители в технологической индустрии. Взгляды, выраженные здесь, относятся к авторскому и не обязательно мнениям Techradarpro или Future PLC. Если вы заинтересованы в том, чтобы определить больше здесь:
