අපගේ දැක්ම
සෑම යන්ත්‍ර සමූහයක්ම තමන්ගේම අත්දැකීම්වලින් ඉගෙන ගත යුතුය.
අපි ගොඩනඟන්නේ fleet learning යටිතල පහසුකම් ය: Physical AI කණ්ඩායමකට තම මොඩලය ඊළඟට ඉගෙන ගත යුත්තේ කුමක්දැයි තීරණය කිරීමට, නිවැරදි භෞතික ලෝක දත්ත (කාලය පුරා සෑම සංවේදකයකින්ම ලැබෙන 4D දත්ත) සංවර්ධනය කිරීමට සහ වෙනස් වූ දේ මැනීමට උපකාරී වන පද්ධතිය. පටිගත කළ පළමු ප්‍රදර්ශන කට්ටලයේ සිට සැබෑ මෙහෙයුම් ෆ්ලීට් එකක් දක්වා, කණ්ඩායමකට ඒ පිටුපස ඇති සමස්ත දත්ත මෙහෙයුමම නැවත ගොඩනැඟීමකින් තොරව, සහ එය වෙනත් අයෙකුගෙන් කුලියට ගැනීමකින් තොරව, තමන්ගේම බුද්ධිය සංවර්ධනය කර ගැනීමට හැකි විය යුතුය.
Physical AI සඳහා Fleet Learning Infrastructure
Emal Alwisආරම්භකයා සහ ප්‍රධාන විධායක නිලධාරී
ඉගෙන ගන්නා යන්ත්‍රයක අරමුණ වන්නේ පහසු වන ජීවිතයකි: වඩා ආරක්ෂිත වැඩ, අඩු වියදමකින් ලැබෙන රැකවරණය, වැඩි පිරිසකට ළඟා වන ආහාර. අප ගොඩනඟන්නේ එම මිනුම කරාය.
අවස්ථාව
මුහුණ දෙන අවස්ථාවක් වැඩිදියුණු කිරීමකට මඟ පෑදිය යුතුය.
එක රැයකින් වෙනස් වූ ඉදිකිරීම් කලාපයක් වෙත ළඟා වන වාහනයක් සිතන්න. එහි මොඩලයට නව සැලැස්ම තේරුම් ගැනීම අපහසු වෙයි. පටිගත කිරීම ලොග් ගොනුවකට හෝ එක් වරක් කරන විමර්ශනයකට වඩා වැඩි දෙයක් විය යුතුය. නිසි සන්දර්භය සමඟ, අසාර්ථකත්වය තේරුම් ගැනීමට, වඩා හොඳ පුහුණු දත්ත සකස් කිරීමට සහ මීළඟ මොඩලය එම තත්ත්වය වඩා විශ්වාසදායක ලෙස හසුරුවන්නේදැයි පරීක්ෂා කිරීමට එය කණ්ඩායමට උපකාරී විය හැකිය.
ස්වයංපාලිත යන්ත්‍ර සඳහා අප බලාපොරොත්තු වන අනාගතය එයයි: කණ්ඩායමක් පටිගත කරන පළමු ප්‍රදර්ශනවල සිට අවසානයේ එය මෙහෙයවන ෆ්ලීට් දක්වා, නැවත නැවතත් ප්‍රයෝජනවත් ඉගෙනීමක් බවට පත් වන අත්දැකීම්. බෙදාහැරීමේ රොබෝවෙක්, අස්වනු නෙළන යන්ත්‍රයක් සහ කාර්මික රොබෝ අතක් වෙනස් ගැටලුවලට මුහුණ දෙයි. එහෙත් ඒවා ගොඩනඟන අයට පොදු අවශ්‍යතාවක් ඇත: ලෝකයේ සිදු වන දේ මොඩලයේ වෙනස් වන දේ සමඟ සම්බන්ධ කිරීම. එම සම්බන්ධය විශ්වාසදායක යටිතල පහසුකමක් බවට පත් කිරීමට අපට අවශ්‍යය.
ආරම්භකයා ලද අවබෝධය
මොඩලය එක් කොටසකි. වාසිය ඇත්තේ චක්‍රය තුළය.
Tesla Autopilot හිදී, fleet learning මත වැඩ කළ පළමු ඉංජිනේරුවා මම වීමි: ෆ්ලීට් දාර අවස්ථා ආකෘති වැඩිදියුණු කිරීම් බවට පත් කළ පද්ධති. එම වැඩය ආකෘතියෙන් ඔබ්බට බැලීමට මට ඉගැන්වීය: කණ්ඩායම ප්‍රයෝජනවත් උදාහරණ සොයන ආකාරය, සංවේදක සන්දර්භය රැකගන්නා ආකාරය, සිදු වූ දේ තීරණය කරන ආකාරය සහ එම තීරණ ඊළඟ පුහුණු කට්ටලය බවට පත් කරන ආකාරය. එම ක්‍රියාවලිය නැවත කිරීමේ හැකියාව ඕනෑම තනි ජයග්‍රහණයක් තරම්ම වැදගත් ය.
මම Avala ආරම්භ කළේ අනෙකුත් Physical AI කණ්ඩායම් මුළු පදනමම මුල සිට ගොඩනැඟිය යුතු නැති නිසාය. තමන් සුවිශේෂී කරන යන්ත්‍ර සහ මොඩල් වෙනුවෙන් තම හොඳම ඉංජිනේරු හැකියාව යෙදවීමට ඔවුන්ට හැකි විය යුතුය. පළමු සැබෑ මෙහෙයුම් කාර්ය ප්‍රවාහයේ සිට අනාගතයේ ඔවුන් මෙහෙයවන යන්ත්‍ර සමූහ දක්වා, ලෝකයෙන් ඉගෙනීමට විශ්වාසදායක ක්‍රමයක් Avala ඔවුන්ට ලබා දිය යුතුය.
අප සිටින තැන
ස්ථර පහක්. පාරිභෝගිකයාගේ මොඩලය ඉන් එකකි. Avala යනු ඊට යටින් ඇති ස්ථරයයි.
AI ස්ටැක් එකේ ස්ථර පහක් ඇත, වැඩ කරන යන්ත්‍රයේ සිට එයට බලය සපයන විදුලිය දක්වා. දත්ත වෙනම ස්ථරයක් නොවේ. දත්ත පවතින්නේ මොඩල් ස්ථරයේ, පාරිභෝගිකයාගේ වත්කමක් ලෙසය, මන්ද මොඩලය ඉගෙන ගන්නේ දත්තවලින් වන බැවිනි. යටිතල පහසුකම් යනු මොඩලයක් ගොඩනඟන, වැඩිදියුණු කරන සහ ක්‍රියාත්මක කරන පදනමයි: එය නිර්මාණය කරන දත්ත හා සම්බන්ධ සියල්ල සහ ඊට යටින් ඇති පරිගණක සම්පත්.
යෙදුම්
යන්ත්‍රයක් යමෙකු වෙනුවෙන් කරන දේ: වැඩෙහි යෙදෙන රොබෝව, වාහනය, ඩ්‍රෝනය.
මොඩල්
මොළය සහ එයට උගන්වන දේ: පාරිභෝගිකයාගේ මොඩලය සහ පාරිභෝගිකයාගේ දත්ත. ඇගයීම සහ පශ්චාත් පුහුණුව සිදු වන්නේ මෙහි, පාරිභෝගිකයාගේම පරිගණක සම්පත් මතය.
යටිතල පහසුකම්
මොඩල් ගොඩනඟන, වැඩිදියුණු කරන සහ ක්‍රියාත්මක කරන පදනම: ඒවා නිර්මාණය කරන දත්ත හා සම්බන්ධ සියල්ල, එකතු කිරීමේ සිට සත්‍යාපිත නිකුත් කිරීම දක්වා, සහ ඊට යටින් ඇති මෙවලම්, පරිගණක සම්පත් සහ ක්ලවුඩ්.
Avala මෙතැනයචිප්
සිලිකනය.
බලශක්තිය
ඒ සියල්ල සීමා කරන විදුලිය.
Avala සිටින්නේ යටිතල පහසුකම් ස්ථරයේ, පාරිභෝගිකයාගේ මොඩලයට කෙළින්ම යටිනි. අපි රොබෝ ගොඩනඟන්නේ නැත, පාරිභෝගිකයාගේ මොඩලය හිමිකර ගන්නේ නැත, පරිගණක සම්පත් විකුණන්නේ නැත, චිප් නිපදවන්නේ නැත. පාරිභෝගිකයාගේම මොඩලය තමන්ගේම යන්ත්‍ර සමූහයෙන් ඉගෙන ගැනීමට ඉඩ සලසන දත්ත සහ ඉගෙනුම් යටිතල පහසුකම් අපි ගොඩනඟමු.
ඊළඟ දත්ත කට්ටලය
ඊළඟ දත්ත කට්ටලය ප්‍රශ්නයකට පිළිතුරු දිය යුතුය.
යන්ත්‍රයක් අසාර්ථක විය හැක්කේ එය යම් තත්ත්වයකට මුහුණ දී නොමැති නිසා, එහි අධීක්ෂණය අනනුකූල නිසා, හෝ ගැටලුව එහි පුහුණු දත්තවලින් බැහැර වෙනත් තැනක ඇති නිසාය. පළමු කාර්යය හිඩැස තේරුම් ගැනීමයි.
අපගේ දැක්ම වන්නේ ඉගෙනුම් අරමුණක් පැහැදිලි දත්ත සැලැස්මකට සම්බන්ධ කරන පද්ධතියකි: භාවිත කළ යුතු පවතින අත්දැකීම් මොනවාද, ලබාගත යුතු නව අත්දැකීම් මොනවාද, ඒවායේ සුදුසුකම් තහවුරු කරන්නේ කෙසේද, සහ ඒවා උපකාරී වූයේදැයි තහවුරු කරන පරීක්ෂණය කුමක්ද යන්න. පුළුල් ආවරණය සහ ඉලක්කගත ඉගෙනීම එකට අයත් වේ. අරමුණ හුදෙක් වඩා විශාල දත්ත කට්ටලයක් නොවේ. එය ඊළඟට කළ යුතු දේ පිළිබඳ වඩා හොඳින් සනාථ වූ තීරණයකි.
එම විනය දෙපැත්තටම ක්‍රියා කරයි. සමහර විට නිවැරදි මැදිහත්වීම වන්නේ ක්‍රමාංකනයක් නිවැරදි කිරීම, අපැහැදිලි විවරණ ප්‍රතිපත්තියක් වෙනස් කිරීම, හෝ කණ්ඩායමකට දැනටමත් ඇති දත්ත නැවත සමතුලිත කිරීමයි. විශ්වාසදායක දත්ත සහකරුවෙකු සමහර විට තවත් දත්ත මිලදී නොගන්නා ලෙස පාරිභෝගිකයෙකුට පැවසිය යුතුය.
සත්‍යාපිත හැකියාව
ප්‍රගතියේ ඒකකය සත්‍යාපිත හැකියාවකි.
දත්ත කට්ටලයක් යනු සාක්ෂියක් මිස අරමුණ නොවේ. සෑම ඉගෙනුම් අරමුණක් සඳහාම අපි පරීක්ෂාවට ලක් වන හැකියාව, එය අභ්‍යාසයට ලක් කරන අවස්ථා, එය පුහුණු කිරීමට යොදාගත් සාක්ෂි, එය ඇගයීමට යොදාගත් ප්‍රමිතිය සහ ප්‍රතිඵලය රඳවා ගනිමු.
එමඟින් ඉගෙනුම් වැඩසටහනක් ප්‍රතිනිෂ්පාදනය කළ හැකි වේ. එකම හැකියාව, එය ඇති කළ තර්කනය නැවත ගොඩනැඟීමකින් තොරව, නව දත්ත නිකුතුවක්, නව මොඩලයක් හෝ නව runtime පරිසරයක් මත පරීක්ෂා කළ හැකිය. කාලයත් සමඟ, එම අනුවාදගත හැකියා යන්ත්‍රයක් ඉගෙන ගත් ආකාරයේ මෙහෙයුම් ඉතිහාසය බවට පත් වේ.
ඉගෙනුම් චක්‍ර දෙකක්
පද්ධති දෙකක් වැඩිදියුණු විය යුතුය.
පාරිභෝගිකයාගේ මොඩලයට නිරීක්ෂණය කළ අසාර්ථකත්වයක සිට පරීක්ෂා කළ වැඩිදියුණු කිරීමක් දක්වා වඩා පැහැදිලි මාර්ගයක් තිබිය යුතුය. එහි දත්ත සංවර්ධනය කරන පද්ධතිය සෑම වැඩසටහනක් සමඟම වඩා හැකියාවන්ගෙන් යුතු විය යුතුය. එකතු වී වර්ධනය වන්නේ ඒ දෙක සම්බන්ධ කරන සාක්ෂියයි.
වඩා හොඳ ක්‍රමයක් සාක්ෂි ඉතිරි කර යා යුතුය. නව පරීක්ෂාවක්, උපදෙසක්, යොමු කිරීමේ ප්‍රතිපත්තියක් හෝ විශේෂිත මොඩලයක් ක්‍රියාවලිය වැඩිදියුණු කරන බවක් පෙනෙන විට, අපි එය උපකල්පනයක් ලෙස සලකමු. අපි එය පෙර ක්‍රමය සමඟ සසඳා, වෙන් කර තැබූ සාක්ෂි මත ගුණාත්මකභාවය සහ පිරිවැය මැන, ප්‍රතිඵලය වාර්තා කර, එය ආපසු හැරවීමේ හැකියාව රඳවා ගනිමු. පද්ධතිය මතක තබා ගත යුත්තේ සාර්ථක වූ දේ පමණක් නොව, උත්සාහ කළ දේ, අසාර්ථක වූ දේ සහ කුමන තත්ත්ව යටතේද යන්න ද වේ.
පාරිභෝගිකයාගේ යන්ත්‍රය ඉගෙන ගනී
හැකියාව නිර්වචනය කරන්න
මොඩලය කළ යුත්තේ කුමක්ද සහ අද එය එම කාර්යය කොතරම් හොඳින් ඉටු කරනවාද යන්න නම් කරන්න.
සාක්ෂි තෝරන්න හෝ ලබා ගන්න
ප්‍රයෝජනවත් පවතින අත්දැකීම් සොයා ගන්න. නොමැති දේ පමණක් රැස් කරන්න.
නිකුතුවක් සකස් කරන්න
පටිගත කිරීම්, ලේබල්, මූලාරම්භය සහ ගුණාත්මක සාක්ෂි නිශ්චිතව බැඳ තබන්න.
පුහුණු කර ඇගයීමට ලක් කරන්න
පාරිභෝගිකයා තමන්ගේම පරිගණක සම්පත් මත පුහුණු කර, එකඟ වූ ප්‍රමිතියකට අනුව මොඩලය ලකුණු කරයි.
ඊළඟ මැදිහත්වීම තෝරන්න
තවත් දත්ත, නිවැරදි කළ ප්‍රතිපත්තියක්, නැවත සමතුලිත කළ කට්ටලයක්, හෝ දත්තවලින් බැහැර පවතින ගැටලුවක්.
Avala වඩා හොඳ දත්ත සංවර්ධනය කිරීමට ඉගෙන ගනී
නිෂ්පාදන දෝෂ නිරීක්ෂණය කරන්න
මඟ හැරුණු ග්‍රහණ දෝෂ, අනනුකූල වස්තු අනන්‍යතාව, අපැහැදිලි සමාලෝචන යොමු කිරීම.
මතභේද විසඳන්න
විශේෂඥයන් එකඟ නොවන තැන, තීරණය කර, ඒ මන්දැයි වාර්තා කරන්න.
මෙවලමක් හෝ ප්‍රතිපත්තියක් වැඩිදියුණු කරන්න
වඩා හොඳ පරීක්ෂාවක්, වඩා පැහැදිලි උපදෙසක්, ඊළඟ සමාලෝචකයාට වඩා හොඳ සහායක්.
එය ස්වාධීනව වලංගු කරන්න
ගුණාත්මකභාවය සහ පිරිවැය එකට මනින්න. වැඩිපුර මඟ හරින වේගවත් සමාලෝචනයක් වැඩිදියුණු කිරීමක් නොවේ.
එය ඊළඟ නිකුතුවට යොදන්න
වඩා ශක්තිමත් ක්‍රම, වඩා පැහැදිලි ප්‍රමිති සහ ඊළඟ තීරණය සඳහා සාක්ෂි.
යන්ත්‍ර සමූහ ඉගෙනුම් චක්‍රය
ප්‍රායෝගිකව චක්‍රය අදියර හතකින් ක්‍රියාත්මක වේ. ඉන් පහක් Avala ක්‍රියාත්මක කරයි. ආකෘතිය පුහුණු කරන්නේත් එය නිකුත් කරන්නේ කවදාදැයි තීරණය කරන්නේත් ඔබයි.
නිරීක්ෂණය
Avala විසින් ක්‍රියාත්මක කරයි
රෝග විනිශ්චය
Avala විසින් ක්‍රියාත්මක කරයි
ඇගයීම
Avala විසින් ක්‍රියාත්මක කරයි
ලබා ගැනීම
Avala විසින් ක්‍රියාත්මක කරයි
පුහුණුව
ඔබ විසින් ක්‍රියාත්මක කරයි
තහවුරු කිරීම
Avala විසින් ක්‍රියාත්මක කරයි
නිකුත් කිරීම
ඔබ විසින් ක්‍රියාත්මක කරයි
භෞතික සන්දර්භය
භෞතික සන්දර්භය අධීක්ෂණයේ කොටසකි.
ප්‍රයෝජනවත් භෞතික ලෝක උදාහරණයක් යනු වස්තුවක රූපයකට වඩා වැඩි දෙයකි. කාර්යය රඳා පැවතිය හැක්කේ ඊට පෙර සිදු වූ දේ, යන්ත්‍රය හෝ පුද්ගලයා උත්සාහ කළ දේ, සහ ඉන්පසු සිදු වූ දේ මතය. කාර්යය සඳහා ලබා ගත හැකි සන්දර්භය සමඟ අපි සංවේදක නිරීක්ෂණ සම්බන්ධ කරමු: කාල නියමය, ජ්‍යාමිතිය, ගමන් මාර්ග, පටිගත කර ඇති තැන්වල ක්‍රියා, ප්‍රතිඵල සහ මානව අර්ථකථනය.
එම සන්දර්භය රැස් කිරීම, සමාලෝචනය, දත්ත කට්ටල සකස් කිරීම සහ ඇගයීම පුරාම පරීක්ෂා කළ හැකි ලෙස පවතී. නොමැති හෝ අවිනිශ්චිත තොරතුරු දෘශ්‍යමාන වේ, සම්පූර්ණ කළ ලේබලයක් පිටුපස සැඟවී නොපවතී. ප්‍රතිනිර්මාණය කළ 4D දර්ශනයක් භෞතික සන්දර්භය පරීක්ෂා කළ හැකි වන පරිදි රැක ගනී; කාර්යයකට මනින ලද ක්‍රියා, ස්පර්ශය හෝ වලංගුකරණය අවශ්‍ය වන තැන එය ඒවා වෙනුවට ආදේශ නොවේ.
අද පවතින පදනම
ඉගෙනුම් ක්‍රියාවලිය බිඳ වැටෙන තැනින් අරඹන්න.
අපගේ වැඩ ෆ්ලීට් එකක නිෂ්පාදන දත්තවලින් ආරම්භ වේ: බහුමාධ්‍ය සංවේදක පටිගත කිරීම් 4D දත්ත බවට ප්‍රතිනිර්මාණය කර, AI සහ විශේෂඥ සමාලෝචකයන් විසින් ලේබල් කර, පාරිභෝගිකයා පුහුණු වන අනුවාද සහිත දත්ත කට්ටල ලෙස නිකුත් කරයි. MCAP සහ ROS පටිගත කිරීම්, කැමරා රූප, LiDAR සහ රොබෝ ගමන් මාර්ග ඒවා ප්‍රයෝජනවත් කරන සන්දර්භයට සම්බන්ධව පැවතිය යුතුය. පාරිභෝගිකයාගේ පුහුණු අවශ්‍යතා සපුරාලන දත්ත සකස් කිරීමට අපි මෘදුකාංග සහ විශේෂඥ මෙහෙයුම් එකට ගෙන එමු.
නැවත නැවත ඇති වන ගැටලුවකින් අරඹන්න: එකිනෙකට නොගැළපෙන ලේබල්, නොමැති උදාහරණ හෝ තවත් වරක් නිවැරදි කළ යුතු පුහුණු දත්ත කට්ටලයක්. පිළිගත හැකි යන්නෙන් අදහස් කරන්නේ කුමක්දැයි නිර්වචනය කරන්න. නිම කිරීමට ගත වන කාලය, ගුණාත්මකභාවය සහ සමස්ත ශ්‍රමය මනින්න. ඉන්පසු මීළඟ නිකුතුව සකස් කිරීම පහසු කරන්න. නිශ්චිත දත්ත ව්‍යාපෘතියක්, තවත් හුදකලා භාරදීමක් වෙනුවට, පාරිභෝගිකයා විශ්වාසය තබන පද්ධතියක් බවට පත් විය හැක්කේ එලෙසය.
වේදිකාව ගවේෂණය කරන්නසාක්ෂි
වඩා හොඳ දත්ත සනාථ කළ යුතුය.
ගුණාත්මක පරීක්ෂාවක් සමත් වීම, එයින්ම, මොඩලයක් වැඩිදියුණු වූ බව ඔප්පු නොකරයි. සෑම වැඩසටහනක්ම ප්‍රශ්න තුනක් වෙන් වෙන්ව තබා ගනී, මන්ද එක් එක් ප්‍රශ්නයට වෙනස් සාක්ෂි අවශ්‍ය වන අතර, ඒවායින් කිසිවක් අනෙක් දෙක විසඳන්නේ නැත.
දත්ත ඒවායේ පිරිවිතරය සපුරාලීද?
වැඩසටහන ආරම්භ කළ සැලැස්මට අනුව පරීක්ෂා කළ ආවරණය, ගුණාත්මකභාවය සහ මූලාරම්භය.
ඒවා නිපදවීම වඩා ඵලදායී වීද?
පෙර චක්‍රය හා සසඳා මනින ලද නිම කිරීමේ කාලය, නැවත වැඩ, සමාලෝචන ශ්‍රමය සහ මඟ හැරුණු දෝෂ.
මොඩලය වඩා හොඳින් ක්‍රියා කළේද?
වැඩිදියුණු නොවූ දේ ද ඇතුළුව, මූලික මට්ටමකට සාපේක්ෂව එකඟ වූ ඇගයීමක් යටතේ ලකුණු කර ඇත.
අපි ගිවිසුම්ගත වන්නේ අපට සත්‍යාපනය කළ හැකි ආවරණය සහ සාක්ෂි සඳහාය. ඊළඟ නිකුතුව ඔබේ මොඩලය වැඩිදියුණු කරයිද යන්න තහවුරු වන්නේ ඔබ විසින් සිදුකරන පරීක්ෂණයකින් මිස, කලින් පොරොන්දු වීමකින් නොවේ. තම මොඩල්, පුහුණු තීරණ, ඇගයීම් ප්‍රමිති සහ යෙදවීම පිළිබඳ බලය පාරිභෝගිකයන් සතුව පවතී.
ඉදිරි දශකය
අන් අයගේ බුද්ධියේ කුලී නිවැසියන් නොව, තමන්ගේම බුද්ධියේ හිමිකරුවන්.
2028 වන විට Avala යනු, භෞතික ලෝකයේ යන්ත්‍ර මෙහෙයවන ඕනෑම ආයතනයක් දත්ත, ආකෘති සහ යෙදවීම තමන්ගේම පාලනය යටතේ තබාගෙන, තමන්ගේම අත්දැකීම් තමන්ගේම බුද්ධිය බවට පත් කරගන්නා විවෘත යටිතල පහසුකම්ය; එවිට සෑම කෙනෙකුටම අන් අයගේ බුද්ධියේ කුලී නිවැසියෙකු නොව තමන්ගේම බුද්ධියේ හිමිකරුවෙකු විය හැකිය. එකිනෙකට සම්බන්ධ අදියර හතරක් හරහා එම ස්ථානය දිනාගැනීමට අපි අදහස් කරමු.
එක් සැබෑ මෙහෙයුම් කාර්ය ප්‍රවාහයක වටිනාකම තහවුරු කරන්න.
පාරිභෝගිකයාට දැන් විසඳා ගත යුතු ගැටලුවක් විසඳන්න. පැහැදිලි පිළිගැනීමේ ප්‍රමිතියකට අනුව භාර දෙන්න, පෙර ක්‍රියාවලිය සමඟ සසඳා ප්‍රතිඵලය මනින්න. පළමු භාරදීමෙන් පමණක් සිත් ඇද ගැනීම වෙනුවට, මීළඟ චක්‍රය වඩා විශ්වාසදායක කරන්න.
මොඩල් සහ කණ්ඩායම් සඳහා පොදු පදනම වන්න.
එකම දත්ත කට්ටල අනන්‍යතාව, සමාලෝචන ඉතිහාසය සහ ගුණාත්මක ප්‍රතිපත්ති තවත් කාර්ය ප්‍රවාහ වෙත රැගෙන යන්න. සෑම ව්‍යාප්තියක්ම දැනටමත් ඇති යටිතල පහසුකම් නැවත භාවිත කළ යුතුය. සාර්ථකත්වය මැනෙන්නේ වෙනත් කණ්ඩායමකට හෝ මොඩලයකට තවත් විශේෂයෙන් සකස් කළ ඉංජිනේරු ව්‍යාපෘතියකින් තොරව ප්‍රයෝජන ගත හැකිද යන්නෙනි.
සොයා ගැනීම සහ වැඩිදියුණු කිරීම අතර පර්යේෂණය ස්වයංක්‍රීය කරන්න.
ෆ්ලීට් එකක අසාර්ථකත්වයක් විමර්ශනය කිරීමට, සාක්ෂි ලබා ගැනීමට, ඒවා පෙර සිද්ධීන් සමඟ සැසඳීමට, පරීක්ෂණයක් යෝජනා කිරීමට, නොමැති උදාහරණ සොයා ගැනීමට හෝ රැස් කිරීමට පැවරීමට, සහ ප්‍රතිඵලය ඇගයීමට හැකි පර්යේෂණ නියෝජිතයන් ගොඩනැඟීම කරා යන්න. ඔවුන්ගේ නිගමන භෞතික සාක්ෂි දක්වා ලුහුබැඳිය හැකිව පවතින අතර, ඔවුන්ගේ ඇගයුම්කරුවන් සැඟවුණු ප්‍රමිතිවලට එරෙහිව පරීක්ෂා කෙරෙන අතර, සැලකිය යුතු බලපෑම් ඇති වෙනස්කම් සමාලෝචනය කළ හැකි සහ ආපසු හැරවිය හැකි ලෙස පවතී. අරමුණ වන්නේ වැඩි දත්ත නිපදවන නියෝජිතයෙකු නොවේ. එය මීළඟට කුමන පරීක්ෂණය සිදු කිරීම වටින්නේදැයි තීරණය කිරීමේදී වඩ වඩාත් දක්ෂ වන පද්ධතියකි.
ඉගෙනුම් ක්‍රියාවලිය පරිසර පද්ධතිය පුරා මාරු කළ හැකි කරන්න.
විවෘත අතුරුමුහුණත් හරහා රොබෝ තාක්ෂණික පද්ධති, මොඩල් සහ යටිතල පහසුකම් සම්බන්ධ කරන්න. තම ඉතිහාසය අත් නොහැර වඩා හොඳ මෙවලම් භාවිතයට ගැනීමට කණ්ඩායම්වලට හැකි විය යුතුය. හිමිකරුවන් බෙදා ගැනීමට තීරණය කරන සහ නැවත භාවිතයට අවසර ඇති විට, හවුල් දත්ත කට්ටල සහ මොඩල් මඟින් එම පදනම පුළුල් කළ හැකිය. අන්තර්ක්‍රියාකාරීත්වය පාලනය අත්හැරීමට බල කිරීම වෙනුවට ප්‍රවේශය පුළුල් කළ යුතුය.
ප්‍රයෝජනවත් භෞතික ලෝක අත්දැකීම් දැනටමත් පවතී, එහෙත් ඒවා අසම්පූර්ණය, අසමාන ලෙස ආවරණය වී ඇත, සහ බොහෝ දුරට යම් නිශ්චිත මොඩලයක් වැඩිදියුණු කරන තීරණවලින් විසන්ධි වී ඇත. වඩාත්ම වැදගත් අත්දැකීම් තවමත් නිපදවෙන්නේ යන්ත්‍ර හිමි සමාගම් විසින්, එක් යෙදවුමක් බැගින් වන අතර, බොහෝ දුරට ඒවා ව්‍යතිරේක වේ: කිසිවෙකු අනුකරණය නොකළ තත්ත්වයන්. එක් සමාගමකට ඒවා අත්පත් කර ගත නොහැක. එබැවින් ඒවා සොයා ගන්නා, සුදුසුකම් තහවුරු කරන, ඒකාබද්ධ කරන සහ පරිපූරණය කරන යටිතල පහසුකම් ස්වාධීන විය යුතු අතර, හිමිකාරිත්වය දත්ත උපන් තැනම තැබිය යුතුය.
අප විශ්වාස කරන දේ
ප්‍රගතිය අවස්ථා පුළුල් කළ යුතුය.
පාරිභෝගිකයන්ට තම හිමිකාර වාසිය රැක ගත හැකි විය යුතුය. ෆ්ලීට් එකක අත්දැකීම්වලින් ඉගෙනීම යනු එහි දත්ත තරඟකරුවෙකුගේ දත්ත සමඟ රහසේ එකතු කිරීම නොවිය යුතුය. පාරිභෝගිකයෙකුගේ පටිගත කිරීම්, විවරණ, ඇගයීම් ප්‍රතිඵල සහ මොඩල් එම පාරිභෝගිකයාගේ පැහැදිලි එකඟතාවයකින් තොරව කිසි විටෙකත් වෙනත් පාරිභෝගිකයෙකුගේ වාසියක් බවට පත් නොවේ. හවුල් දත්ත කට්ටලයක් හවුල් වන්නේ එකඟතාවයකින්, නැවත භාවිතය පැහැදිලිව සඳහන් කරමිනි. විවෘත යන්නෙන් අප අදහස් කරන්නේ නිශ්චිත දෙයකි: අන්තර්ක්‍රියාකාරී අතුරුමුහුණත්, අපනයනය කළ හැකි දත්ත සහ ඉතිහාසය, පැහැදිලි භාවිත අයිතිවාසිකම් සහ පාරිභෝගිකයාගේ පාලනය යටතේ යෙදවීම. ස්වාධීනත්වය යනු ඔබේ යටිතල පහසුකම් සහකරු මොඩල් පර්යේෂණාගාරයකට, රොබෝ නිෂ්පාදකයෙකුට හෝ හයිපර්ස්කේලර් සමාගමකට අයත් නොවීමයි. Avala තම ස්ථානය උපයා ගත යුත්තේ පද්ධතියේ වටිනාකම තුළින් මිස එය අත්හැර යාමේ අපහසුව තුළින් නොවේ.
යන්ත්‍රවලට උගන්වන සහ ඒවා ඇගයීමට ලක් කරන පුද්ගලයන් විවරණ ධාරිතාවකට වඩා වැඩි යමක් දායක කරයි. ඔවුන් කාර්යයන් නිර්වචනය කරයි, අර්ථවත් වැරදි හඳුනා ගනී, ප්‍රතිඵල විනිශ්චය කරයි, සහ ස්වයංක්‍රීය පද්ධති පරීක්ෂා කරන ප්‍රමිති සකසයි. ඔවුන්ගේ විනිශ්චය වෙනුවෙන් හොඳ මෙවලම්, සාධාරණ ගෙවීමක් සහ වැඩි නිපුණතාවක් අවශ්‍ය වැඩ වෙත යා හැකි මාර්ග හිමි විය යුතුය. විශේෂඥ දැනුම වඩා වටිනා කරන අතරම පුනරාවර්තන වෙහෙස ඉවත් කිරීමට ස්වයංක්‍රීයකරණය යොදා ගැනීමට අපට අවශ්‍යය: ක්‍රියාවලිය තුළ රඳවා ගත් වඩා හොඳ තීරණ, මීළඟ කාර්යයට සහාය වන වඩා හොඳ මෘදුකාංග සහ නැවත සිදු වන වැරදි අඩු වීම.
වඩා පුළුල් අරමුණ වන්නේ වඩා ආරක්ෂිත, ඵලදායී භෞතික වැඩ සහ වැඩි පිරිසකට දැරිය හැකි මිලකට ප්‍රයෝජනවත් සේවා ලබා දීමයි. නැතිනම් විශාල අභ්‍යන්තර සංවිධානයක් අවශ්‍ය වන හැකියාවන් මත පදනම්ව ගොඩනැඟීමට කුඩා රොබෝ තාක්ෂණික කණ්ඩායමකට හැකි කිරීම අපගේ බලාපොරොත්තුවයි. වඩා හොඳ යන්ත්‍ර යනු ඒ සඳහා මාර්ගයයි. ඒවා තුළින් ගොඩනැඟීමට, ආදායම් ඉපැයීමට සහ ප්‍රතිලාභ ලැබීමට හැකි පුද්ගලයන් වැඩි කිරීම අරමුණයි.
සැලසුමෙන්ම යහපත්
සැලසුමෙන්ම මිනිසුන්ට සේවය කරන යන්ත්‍ර.
Physical AI වැඩ යනු කුමක්ද, රැකවරණයට වියදම් දැරිය හැක්කේ කාටද, සහ භාණ්ඩ හා ආහාර ගමන් කරන්නේ කෙසේද යන්න වෙනස් කරනු ඇත. එම වෙනස මිනිසුන්ට යහපත් වීම උපකල්පනය කරන දෙයක් නොව පරීක්ෂා කළ හැකි දෙයක් වීමට අපට අවශ්‍යය. අප ගොඩනඟන ආකාරය හැඩගස්වන්නේ කැපවීම් හතරකි.
යන්ත්‍රවලට උගන්වන මිනිසුන්ට ඒ සඳහා ගෙවනු ලබන අතර පුහුණුව ද ලැබේ.
Avala හි සහකාර සේවකයින්ට පිළිගත් වැඩ සඳහා, එම වැඩයට සහ එම ස්ථානයට සාමාන්‍ය මට්ටමට වඩා ඉහළ අනුපාතවලින්, පුහුණුව ද ඇතුළත්ව ගෙවනු ලැබේ. ස්වයංක්‍රීයකරණය පුනරාවර්තනය ඉවත් කරයි; කුසලතා සහිත විනිශ්චය මිනිසුන් සතුව රැඳේ.
යන්ත්‍රයේ හිමිකරු මොඩලයේ ද හිමිකරු වේ.
සමාගමක ෆ්ලීට් දත්ත සහ ඉන් ඉගෙන ගත් බුද්ධිය, එයට රැගෙන යා හැකි විවෘත ආකෘතිවල, එහි පාලනය යටතේම පවතී. කණ්ඩායමක් සහ එහිම අත්දැකීම අතරට කිසිදු පර්යේෂණාගාරයක්, රොබෝ නිෂ්පාදකයෙකු හෝ ක්ලවුඩ් සේවාවක් නොපැමිණේ.
විශ්වාස කිරීමට පෙර මනිනු ලැබේ.
සෑම නිකුතුවක්ම, වැඩිදියුණු නොවූ දේ ද ඇතුළත්ව, පාරිභෝගිකයා නියම කරන මූලික මට්ටමකට සාපේක්ෂව ලකුණු කරනු ලැබේ. යන්ත්‍රයක් වඩා පුළුල් භාවිතය දිනා ගන්නේ සාක්ෂි මගින්, එක් වරකට එක් ඇගයීමක් බැගිනි.
කුඩා කණ්ඩායම්වලට විශාල සමාගම්වල හැකියාවන් ලැබේ.
දස දෙනෙකුගෙන් යුත් රොබෝ කණ්ඩායමකට, දහස් ගණනක ෆ්ලීට් එකක් ලෝකයෙන් ඉගෙන ගන්නා ආකාරයටම ඉගෙන ගැනීමට හැකි විය යුතුය. එම චක්‍රයේ පිරිවැය අඩු කළ විට, වඩා හොඳ යන්ත්‍ර ගොඩනැඟීමට, ඉන් උපයා ගැනීමට, සහ ඉන් ප්‍රතිලාභ ලැබීමට වැඩි පිරිසකට අවස්ථාව ලැබේ.
අප සමඟ ගොඩනඟන්න
එක් ඉගෙනුම් අරමුණකින් අරඹන්න.
අපගේ දිගුකාලීන අභිලාෂය වන්නේ භෞතික ලෝක අත්දැකීම්වලින් විනයගරුක ලෙස ඉගෙනීම, සමාගම් කිහිපයකට පමණක් ගොඩනැඟීමට වියදම් දැරිය හැකි හැකියාවක් නොව, සම්මත යටිතල පහසුකමක් බවට පත් කිරීමයි. එම ස්ථානය එක් වරකට එක් සනාථ කළ කාර්ය ප්‍රවාහයක් බැගින් දිනා ගැනීමට අපි අදහස් කරමු: විශ්වාසදායක දත්ත නිකුතු, වඩා හොඳින් දැනුවත් දත්ත ලබා ගැනීම්, වලංගු කළ විශේෂිත මෙවලම්, සහ මානව පාලනය යටතේ වඩ වඩාත් ස්වයංක්‍රීය වන සම්බන්ධීකරණය. ඔබේ මොඩලය ඉගෙන ගත යුතු හැකියාවක් ගෙන එන්න. සාර්ථකත්වය පෙනෙන්නේ කෙසේදැයි නිර්වචනය කරන්න. එම හැකියාව වටා ඊළඟ දත්ත වැඩසටහන ගොඩනඟන්න.
මෙම දැක්මට පදනම් වූ වඩා විස්තරාත්මක රචනය.