कैसे लागू एआई स्वायत्त रोबोटिक्स के भविष्य को आकार दे रहा है

फ्रंट लाइन पर तैनाती में अनुसंधान प्रयोगशालाओं से बाहर स्वायत्त प्रणालियों की पारी के साथ, मशीन सीखने के मॉडल की उम्मीदें बदल रही हैं। वर्तमान एआई को न केवल पैटर्न की पहचान करने में सक्षम होना चाहिए, बल्कि संदर्भ को भी समझना चाहिए, वर्तमान क्षण के भीतर एक निर्णय लेना चाहिए और प्रभावी रूप से और लगातार ऐसी स्थिति में काम करना चाहिए जो अत्यधिक अप्रत्याशित और उच्च दबाव में है। स्वायत्तता, धारणा, और निर्णय खुफिया सीनियर मशीन लर्निंग इंजीनियर यशोवार्डन चतुर्वेदी से टोरक रोबोटिक्स में बोलते हैं: उनके लिए, विशेषज्ञता का यह अभिसरण एक अमूर्त नहीं है, लेकिन जहां नवाचार और एक अंतर को अंतर बना रहा है।

चतुर्वेदी ने रोबोटिक्स, कंप्यूटर विजन और एज इंटेलिजेंस में काम किया है, साथ ही ऑटोनॉमस प्लेटफॉर्म और स्मार्ट एसेट निगरानी जैसे सुरक्षा-संवेदनशील प्रणालियों में चुनौतीपूर्ण क्षेत्रों में लागू मशीन लर्निंग के बढ़ते उपयोग के साथ। उनकी तकनीकी दिशा के बीच और विशेष रूप से क्षेत्र-तैयार प्रोटोटाइप की ओर पिछले शोध को आगे बढ़ाने में, वह स्वायत्त रोबोट की सीमाओं को फिर से लिख रहे हैं, जो वे समझ सकते हैं और पूरा कर सकते हैं।

संदर्भ में सीखना: तरल स्थितियों के लिए फ्रेम

यह रवैया अब TORC में उनके काम में लागू किया जाता है जहां बेहद कम विलंबता और वास्तविक समय प्रसंस्करण क्षमता सड़क पर सुरक्षित, स्वायत्त निर्णय लेने के लिए केंद्रीय है।

समय के साथ धारणा भी रोबोटिक्स में सबसे बड़ी समस्याओं में से एक है। जहां शुरुआती कंप्यूटर विजन सिस्टम में स्थिर छवि विश्लेषण का उपयोग किया गया था, एक स्वायत्त सिस्टम ऑपरेशन को द्रव, गतिशील परिस्थितियों में होना चाहिए। एक कार एक धूमिल परिदृश्य या एक मोबाइल रोबोट पर बातचीत करने की कोशिश कर रही है जो छोटे और चलती वस्तुओं को महसूस करने की कोशिश कर रही है, यहां सब कुछ समय के तत्व में मायने रखता है।

इस सिद्धांत के रोजगार का एक प्रतिनिधि उदाहरण चतुर्वेदी के मामले में देखा जा सकता है, पानो एआई में उनके पूर्व काम। वहां, उन्होंने उन्नत मल्टी-फ्रेम एन्सेम्बल डिटेक्शन सिस्टम का बीड़ा उठाया, जो वीडियो-आधारित प्रतिमान के लिए पारंपरिक एकल-फ्रेम इमेज प्रोसेसिंग को बदल देता है जो सूक्ष्म दृश्य भेद की गतिशीलता को ट्रैक करता है और समय बीतने के साथ-साथ बदल जाता है। इस तरह का एक अस्थायी वर्गीकरण ढांचा रोबोटिक्स के क्षेत्र में अधिक लागू होने के लिए उभर रहा है, जिसमें स्थितिजन्य जागरूकता को अपग्रेड की आवश्यकता होती है ताकि यह अनुक्रम-जागरूकता होकर संदर्भ-जागरूक बुद्धि बन सके।

यह वह धारणा नहीं है जो वह कहता है लेकिन प्राथमिकताकरण। रोबोटिक्स में आप केवल वस्तुओं को पहचानने के साथ काम नहीं कर रहे हैं। यह आपके ऊपर है कि क्या आप किसी चीज़ पर प्रतिक्रिया करते हैं, कितनी जल्दी और आप किस हद तक इसके बारे में निश्चित हैं। ” हाल ही में, उन्होंने नेविगेटिंग बोटलीकेक्स: एडीएएस एंड ऑटोनोमस वाहन प्रौद्योगिकी शिखर सम्मेलन में एवी एमएल सिस्टम से इन्फ्रास्ट्रक्चर सबक प्रस्तुत किया, जिसने मशीन लर्निंग टेक्नोलॉजी को स्वायत्त वाहनों में सफलतापूर्वक तैनात करने के लिए तकनीकी चुनौतियों और बुनियादी ढांचे के डिजाइन समाधानों का अवलोकन प्रस्तुत किया।

यह सोच TORC में उनकी नई नौकरी की नींव बन गई है, जहां सड़क पर सुरक्षित स्वायत्त निर्णय लेने के लिए वास्तविक समय के संचालन और कम-विलंबता मॉडल प्रदर्शन की आवश्यकता है।

स्केलेबल स्वायत्तता का अर्ध-पर्यवेक्षण सीखना

बढ़त के मामले स्वायत्त प्रणालियों में होते हैं और इंजीनियर हमेशा उन्हें उन्मुख करने में सक्षम नहीं होते हैं। लचीला होने के लिए मॉडल को बहुत बड़ी और विविध मात्रा में डेटा का उपयोग करके प्रशिक्षित किया जाना चाहिए जो मैन्युअल रूप से एनोटेट करने के लिए संभव नहीं है। यह वह जगह है जहां अर्ध-पर्यवेक्षित सीखने के प्रति चतुर्वेदी का योगदान आवश्यक हो जाता है।

पानो एआई में, उन्होंने केवल छोटे मानव भागीदारी के साथ वॉल्यूम में 4 गुना अधिक प्रशिक्षण पाइपलाइन का एक नया प्रकार लॉन्च किया, जो स्व-प्रशिक्षण विधियों पर आधारित था, जिससे प्रशिक्षण कुशल और इसकी स्केलेबिलिटी के कारण पर्याप्त गुणवत्ता को संरक्षित करना था। तकनीक, जो पूरे रोबोटिक्स उद्योग में व्यापक रूप से उपयोग की जा रही हैं, यह संभव बनाती है कि वे अधिक पुनरावृत्ति करें और लंबी-पूंछ वाली सेटिंग में बेहतर प्रदर्शन करें।

इसने चतुर्वेदी स्केल के डेटा पाइपलाइन को और साथ ही सीखने में मदद की, जो कि जंगली स्वायत्त प्रणाली पर किसी की एक महत्वपूर्ण स्थिति है।

उनका नवीनतम शैक्षणिक प्रकाशन, मशीन लर्निंग एप्लिकेशन के लिए क्लाउड कंप्यूटिंग में एसक्यूएल-आधारित बनाम पायथन-आधारित डेटा प्रोसेसिंग के प्रदर्शन का मूल्यांकन, क्लाउड-आधारित सिस्टम के एमएल संदर्भ में डेटा प्रोसेसिंग के विभिन्न प्रतिमानों से संबंधित ईब्स और प्रवाह को देखता है। जहां तक यह बुनियादी ढांचे से संबंधित है, कागज में प्रस्तुत प्रदर्शन, स्केलेबिलिटी और डेटा हैंडलिंग के बारे में जानकारी को सीधे रोबोटिक्स वर्कफ़्लो के क्षेत्र में स्थानांतरित किया जा सकता है, जहां सुचारू डेटा परिवहन और प्रसंस्करण वास्तविक समय की बुद्धि की नींव बनाते हैं।

एज के लिए अभियांत्रिकी

रिमोट वाइल्डफायर वातावरण में पाइटोर्च-आधारित डिटेक्शन मॉडल को तैनात करने से लेकर रियल-टाइम पाइपलाइनों के निर्माण के लिए जो पावर ऑटोनॉमस ट्रक, चतुर्वेदी का काम रोबोटिक्स के लिए मशीन लर्निंग के पूर्ण जीवनचक्र को दिखाता है: डेटा रणनीति और मॉडल डिजाइन से लेकर तैनाती और प्रतिक्रिया एकीकरण तक।

चतुर्वेदी, जिन्होंने भी सेवा की संवर्धित वास्तविकता, इंटेलिजेंट सिस्टम और औद्योगिक स्वचालन पर IEEE अंतर्राष्ट्रीय सम्मेलन में सत्र अध्यक्ष (ARIIA 2024)रोबोटिक्स अनुप्रयोगों की जटिलता को नेविगेट करने की क्षमता है, चाहे पर्यावरण, औद्योगिक, या गतिशीलता-केंद्रित, उसे एक तेजी से बढ़ते अनुशासन के मोहरा पर स्थित करता है जहां सिद्धांत को विश्वसनीयता में अनुवाद करना चाहिए।

क्योंकि रोबोटिक्स में, अनुमान के लिए कोई मार्जिन नहीं है। एआई को काम करना चाहिए। और यह अब काम करना चाहिए।