Son 18 ayda, insanoid robotik şirketleri milyarlarca dolar topladı; ancak bu paranın büyük bir kısmı, sessizce insanların robotları çalıştırması için işe alınmasına harcanıyor. Bu durum, robotik endüstrisinin, aslında bir emek çözümü olarak tanımladığı teleoperasyon ve insan gösterimi sorununu daha da derinleştirdiğini gösteriyor.
Teleoperasyon ve büyük ölçekli insan gösterisi, fiziksel yapay zeka sistemlerini eğitmek için baskın bir yöntem haline geldi. Bu durum, önemli miktarda sermaye çekiyor, düşük ücretli ekonomilerdeki çalışanları işe alıyor ve ilerleme kanıtı olarak heyecan verici haberlere yol açıyor. Tüm bunların altında yatan varsayım, yeterince gösterimin sonunda, gerçek ortamlarda genelleme yapabilen robotların üretileceği yönündedir.
Bu varsayımın, şu anda aldığı ilgiden çok daha fazla incelenmesi gerektiğine inanıyorum.
Teleoperasyonun yapısal bir sorunu var
Metin üzerinde eğitilmiş dil modelleri, onlarca yıllık yazıları, makaleleri ve kitapları referans alabilir. Robotlar söz konusu olduğunda ise, böyle bir arşiv bulunmaz; her gösterim için birilerinin üretmesi gerekir, bu da verinin yalnızca insan emeğiyle mümkün olan hızda büyüyebileceği anlamına gelir. Bu durum, özellikle robotik alanındaki gelişmeleri anlamak isteyenler için önemli bir sınırlama oluşturuyor.
Teleoperasyon veri kümeleri, günümüzdeki dil ve görsel modellerini eğitmek için kullanılanlara göre 100.000 kat daha küçüktür. Bu açığı kapatmak için daha fazla operatör işe almak yeterli değildir, çünkü gerçek dünya sürekli değişir: Bir raf hareket eder, bir kapı kolu biraz farklıdır ve üretim hattında yeni bir paket türü ortaya çıkar. Her değişiklik, yeni bir gösterim gerektirir, bu da sorunun işgücünün hızından daha hızlı büyüyeceği anlamına gelir. Bu durum, özellikle robotik alanındaki gelişmeleri anlamak isteyenler için önemli bir sınırlama oluşturuyor.
Veri kalitesi de başka bir sorun teşkil ediyor. Operatörler, dokundukları şeyleri hissedemez veya derinliği güvenilir bir şekilde değerlendiremez, bu da yavaş hareket etmelerine ve düzeltmeleri abartmalarına neden olur. Bu durum, robotun bir kontrol cihazıyla mücadele eden birinin görüntülerini öğrenmesine yol açar ve sonuçta robot da aynı şekilde pratik yapar. Bu durum, özellikle robotik alanındaki gelişmeleri anlamak isteyenler için önemli bir sınırlama oluşturuyor.
Veri Oluşturmanın İnsan Maliyeti
Sektörün veri sorununa verdiği yanıt, daha fazla insanı işe almak olmuştur; bunlar çoğunlukla düşük ücretli ekonomilerdeki çalışanlardır. Bu kişiler, ev işlerini filme almak, robotları uzaktan çalıştırmak veya kamera ekipmanları takarak tesislerde dolaşmak için işe alınır. Bu durum, özellikle robotik alanındaki gelişmeleri anlamak isteyenler için önemli bir sınırlama oluşturuyor.
Bu durumun etrafında, Çin, Hindistan, Avrupa ve ABD’deki startup’ların da dahil olduğu, tamamen yeni bir ticari ekosistem oluşmuştur. Bu şirketler, teleoperasyon verilerini satarak gelir elde eder; tıpkı şirketlerin geçmişte dil modelleri için etiketlenmiş metinleri sattığı gibi. Bu durum, özellikle robotik alanındaki gelişmeleri anlamak isteyenler için önemli bir sınırlama oluşturuyor.
İnsanoid robotların ilk vaadi, gelecekte demografik değişimler, iş gücü kıtlığı ve yaşlanan nüfuslar nedeniyle insanların bu işleri yapamayacağı yönündeydi. Ancak, eğer aslında inşa ettiğimiz şey, sürekli insan gösterileri gerektiren bir altyapıysa, o zaman bu işi doğrudan insanlar yapsın.
Herhangi bir yeniliği taze insan girdisi olmadan kaldıramayan bir sistem temelde sadece bir iş sistemi olarak kabul edilebilir.
Robotik İyileştirmeler İçin Uygun Bir Savunma
Standart cevap, teleoperasyonun bir köprü olduğu yönündedir; daha iyi robot modeli eğitim yöntemlerinin geliştirilmesi için bir başlangıç noktasıdır. Kontrollü ortamlardaki dar ve tekrarlayan görevler için bu durum geçerli olabilir.
Ancak, sektörün aslında inşa ettiği şeyin çoğu, sonsuza kadar gösteri üretmek için bir altyapı olmasıdır ve bunun ne zaman değişeceğine dair net bir açıklama bulunmamaktadır.
Bu alan, toplanan gösterilerin sayısı, kaydedilen görüntü saatleri ve kontrollü ortamlarda tamamlanan görevler gibi kolayca sayılabilir şeylere odaklanmaktadır; ancak bu bilgiler, robotun daha önce görmediği bir şeyi veya onun için hazırlanmamış bir ortamı nasıl ele alabileceğini göstermemektedir. Aynı altyapının daha fazla inşa edilmesi, insanlara olan bağımlılığı azaltmak yerine derinleştirmektedir.
Soruna Uygun Çözüm Yolu
Araştırmacılar, erken dönemdeki dil modellerini büyük miktarda metin üzerinde eğitirken, Shakespeare’nin stilini kabaca taklit edebilen ancak anlamlı olmayan kelimeler üreten sistemler elde ettiler. İlk bakışta etkileyici olsa da, henüz muhakeme yeteneğine sahip değillerdi. Bu durum, erken dönem sinematografinin gelişimine benzer bir paralellik göstermektedir; ilk filmler sadece hareketi kaydetmekle kalmayıp aynı zamanda hikaye anlatma ve karakter geliştirme gibi unsurları da içeriyordu.
Çığır açan gelişme, sentetik ortamlarda pekiştirmeli öğrenme ile gerçekleşti ve bu, muhakeme yapabilen, kod yazabilen ve karmaşık talimatları takip edebilen sistemler ortaya çıkardı.
Robotik endüstrisi büyük ölçüde bu erken aşamada sıkışmış durumda. Teleoperasyon verilerinin ölçeklenmesi, 100.000 kat daha az veri üzerinde metin ön eğitimi yapmaya benziyor. Sonuç olarak, kollarını hareket ettiren, bazen bir şeyleri tutan, bazen de tutmayan robotlar ortaya çıkıyor. Bu robotlar, insan operatörün gösterdiği şeyleri kabaca taklit edebilirler, ancak daha önce görmedikleri durumlarda mantıklı çıkarımlar yapamazlar. Bu durum, Fritz Lang’ın Metropolis filminin (1927) ilk dönemdeki mekanik ve otomatize edilmiş dünyasını akla getirmektedir.
Geleneksel teleoperasyon ile tam otonomi arasında kalan yaklaşımlar bulunuyor; örneğin, egocentrik video yakalama ve Universal Manipulation Interface (UMI) gibi cihazlar operatörlerin, robotu uzaktan kontrol etmek yerine, eldeki bir tutucu kullanarak görevleri daha doğal bir şekilde göstermelerine olanak tanıyor.
Bu yöntemler, operatörlerin üzerindeki yükü azaltır ve daha doğal hareket verileri üretir. Hala insan müdahalesine ihtiyaç duyulsa da, bunlar daha az invazivdir ve dar, iyi tanımlanmış görevler için faydalı birer basamak olabilir. Ancak, bu yaklaşımlar bile endüstrinin tam bağımlılığını çözemez.
Peki çözüm ne? Peki çözüm takviyeli öğrenme (Reinforcement Learning – RL). Takviyeli öğrenme ile eğitilen bir sistem, bir insan operatörün gösterdiği şeyleri taklit etmek yerine, deneme yanılma yoluyla işleri çözmeye çalışır: Bir görevi dener, başarısız olur, ayarlar yapar ve milyonlarca yineleme boyunca tekrar eder, bu süreçte insana ihtiyaç duymaz. Bu yaklaşım, 1980’lerin arcade oyunlarında kullanılan basit yapay zeka algoritmalarını akla getirmektedir.
Simülasyon, bu yaklaşımın doğal bir uzantısıdır; milyonlarca takviyeli öğrenme yinelemesini gerçek dünyada yapmak donanımı yok eder ve yıllar alır. Simülasyonda ise, anında sıfırlama yapabilir, paralel olarak çalışabilir ve hiçbir insan gücünün eşleyemeyeceği bir ölçekte çeşitlilik üretebilirsiniz. Ayrıca, teleoperasyondan farklı olarak, bu yöntem doğrudan işlem gücüyle ölçeklenir; daha fazla GPU, daha fazla ortam, daha fazla çeşitlilik ve daha hızlı yineleme anlamına gelir.
Teleoperasyonun Geleceği ve İnsan Faktörü
Teleoperasyon alanında çalışanların, otonom sistemlerin gerçek hedeflerini bilmeleri gerekiyor. Aynı şekilde, bu projeleri finanse edenlerin de bu konuda bilgilendirilmesi önemli. Eğer zamanla insan faktörüne olan ihtiyacın azaldığını gösteren veriler yoksa, teleoperasyon geçici bir çözüm olmaktan çıkarak kalıcı bir yöntem haline gelebilir.
Nikita Rudin, Flexion‘un kurucu orta ve CEO’su. Rudin, ETH Zurich‘teki Robotik Sistemler Laboratuvarı’nda doktora yaparken aynı zamanda NVIDIA’da çalıştı. Burada büyük ölçekli pekiştirmeli öğrenme, kontrol sistemleri ve robotik simülasyonu üzerine yoğunlaştı. Bu dönemdeki çalışmaları, daha sonra robotik endüstrisinde yaygın olarak benimsenen Isaac Gym ve Isaac Lab gibi simülasyon araçlarının geliştirilmesine katkıda bulundu. Rudin’in bu alandaki bilgi birikimi, onu günümüzde humanoid robotlar için genel amaçlı “beyin” geliştirmeyi hedefleyen Flexion’un liderliğine taşıdı.
Flexion’ın son dönemde DST/NVentures’tan aldığı 50 milyon dolarlık (yaklaşık 1.3 milyar TL) yatırım, bu alandaki potansiyeli gösteriyor. Bu tür yatırımlar, robotik alanında devrim yaratabilecek teknolojilerin geliştirilmesine olanak sağlıyor ve gelecekteki uygulamalar için heyecan verici fırsatlar sunuyor.
Kaynak: Therobotreport