Open world modeliai: NVIDIA aiškina, kaip DI mokosi fizinio pasaulio

·


NVIDIA open world modeliai fiziniam DI ir robotikai

Open world modeliai skamba akademiškai. Bet mintis labai paprasta: jei robotas dirbs realiame pasaulyje, jis turi suprasti ne tik tai, ką mato dabar, bet ir kas gali nutikti po akimirkos.

NVIDIA rugpjūčio 6 d. paaiškino, kaip tokie modeliai stumia fizinį DI į priekį. Jie mokosi, kaip elgiasi aplinka, generuoja fiziškai pagrįstus duomenis ir padeda treniruoti sistemas robotams, autonominiams automobiliams ar vizualiniams DI sprendimams.

KODĖL ROBOTUI NEUŽTENKA KAMEROS?

Kamera parodo vaizdą. Bet vaizdas nėra supratimas. Jeigu dėžė slysta nuo lentynos, robotui reikia numatyti judėjimą. Jeigu žmogus žengia į šoną, autonominė sistema turi suprasti, ką tai reiškia.

Žmogui tai atrodo savaime suprantama. Vaikui nukrenta kamuolys, ir jis supranta, kad kamuolys riedės. Robotui tokią nuojautą reikia išmokti.

SIMULIACIJA KAIP TRENIRUOKLIS

NVIDIA kalba apie modelius, kurie gali kurti ateities būsenas ir veiksmų duomenis. Tai svarbu, nes realiame pasaulyje mokyti robotus brangu ir kartais pavojinga.

Simuliacija čia kaip sporto salė. Geriau daug kartų nukristi virtualiai, nei vieną kartą numesti realų krovinį ant žmogaus kojos.

KĄ TAI REIŠKIA VERSLUI?

Gamyba, logistika, sandėliai, autonominės mašinos – visur, kur DI susitinka su fizika, šita kryptis svarbi. Neužteks gero pokalbių modelio. Reikės modelių, kurie supranta judėjimą, erdvę, laiką ir pasekmes.

Fizinis DI bręs lėčiau nei tekstiniai įrankiai. Bet kai subręs, poveikis bus labai konkretus: mažiau klaidų, greitesnis testavimas, saugesni robotai.

FAQ

Kas yra open world modeliai?

Tai modeliai, kurie mokosi suprasti fizinės aplinkos elgesį ir numatyti galimas būsenas.

Kodėl jie svarbūs robotams?

Robotams reikia ne tik atpažinti objektus, bet ir suprasti judėjimą bei pasekmes.

Ar tai aktualu Lietuvos įmonėms?

Taip, ypač gamybai, logistikai, sandėliams ir autonominių sistemų kūrėjams.

Šaltinis: NVIDIA.

Jeigu galvoji apie robotikos projektą, pradėk ne nuo roboto pirkimo, o nuo darbo aplinkos: kas juda, kas krenta, kas keičiasi ir kur klaida kainuoja brangiausiai.