রোবোটিক্স কোম্পানিগুলো শুধু বড় মডেল নয়, আরও ভালো ডেটারও সন্ধান করছে
Memories.ai রোবোটিক্স ও ফিজিক্যাল AI-এর জন্য একটি ডেটা পাইপলাইন তৈরি করছে, যার কেন্দ্রে রয়েছে ফার্স্ট-পার্সন বা egocentric ভিডিও। সান ফ্রান্সিসকোভিত্তিক কোম্পানিটি মানসম্মত ভিডিও সংগ্রহকে AI-চালিত প্রক্রিয়াকরণ ও অ্যানোটেশনের সঙ্গে মিলিয়ে বাস্তব জগতের কার্যকলাপের ফুটেজকে robot-learning systems-এর প্রশিক্ষণ উপকরণে রূপান্তর করতে চাইছে।
কোম্পানির মূল ধারণা হলো, রোবটের এমন ডেটা প্রয়োজন যা ব্যবহারযোগ্য শারীরিক দৃষ্টিকোণ থেকে মানুষ কীভাবে বস্তু ও পরিবেশের সঙ্গে взаимодейств করে তা দেখায়। Memories.ai বলছে, শুধু ডেটা বিক্রেতা হিসেবে কাজ না করে তারা robotics systems, world models, vision-language-action models এবং humanoid robots নির্মাণকারী দলগুলোর data-infrastructure partner হতে চায়।
এই অবস্থান পুনরাবৃত্তিযোগ্য সংগ্রহ ও প্রস্তুতির ওপর জোর দেয়। রোবোটিক্স ডেভেলপারদের কাছে বিপুল ভিডিও থাকতে পারে, কিন্তু অসামঞ্জস্যপূর্ণ ক্যামেরা সেটআপ, অসম লেবেলিং এবং অমিল দৃষ্টিকোণ নির্দিষ্ট প্রশিক্ষণ কাজে সেই উপকরণ ব্যবহার কঠিন করে তুলতে পারে। Memories.ai-এর পদ্ধতি হলো, কোনো গ্রাহকের model-development workflow-তে পৌঁছানোর আগেই ইনপুটকে মানসম্মত করা।
প্রস্তাবিত পাইপলাইন কীভাবে কাজ করে
কোম্পানিটি data collectors ও অংশীদারদের একটি অভিন্ন সংগ্রহ প্রক্রিয়ার সঙ্গে modular camera setup হিসেবে বর্ণিত মানসম্মত capture hardware সরবরাহ করে। লক্ষ্য হলো, বিভিন্ন কাজ ও ক্যামেরা ভিউয়ের জন্য নমনীয়তা বজায় রেখে অভিন্ন ফরম্যাটে ফুটেজ সংগ্রহ করা।
অংশীদাররা ভিডিও জমা দেওয়ার পর Memories.ai নিজস্ব models দিয়ে ফুটেজ প্রক্রিয়াকরণ ও অ্যানোটেট করে বলে জানায়। কোম্পানির প্রকাশিত model set-এর মধ্যে hand-pose তথ্যের জন্য Memories-H0 এবং action segments-এর জন্য EgoAction রয়েছে। এই ধরনের labels রোবট প্রশিক্ষণে মূল্যবান হতে পারে, কারণ এগুলো দৃশ্যের সঙ্গে সেখানে সংঘটিত নড়াচড়া ও কাজকে যুক্ত করতে পারে।
ফলস্বরূপ উপকরণটি custom annotation services ও dataset tools-সহ একটি curated video data lake হিসেবে সংগঠিত হয়। ব্যবহারিক অর্থে, প্রতিটি দলকে আলাদাভাবে capture, quality control, annotation এবং storage সমাধান করতে না দিয়ে প্রস্তুত examples রোবোটিক্স ডেভেলপারদের দেওয়াই এই পাইপলাইনের উদ্দেশ্য।
Egocentric ভিডিও কেন গুরুত্বপূর্ণ
ফার্স্ট-পার্সন ফুটেজ হাত, সরঞ্জাম, বস্তু এবং পরিবর্তনশীল পরিবেশের মধ্যকার সম্পর্ক ধারণ করতে পারে। ফিজিক্যাল AI সিস্টেমের জন্য এই সম্পর্ক গুরুত্বপূর্ণ: manipulation বা অন্য বাস্তব জগতের কাজে সহায়তার জন্য তৈরি মডেলের শুধু কোনো বস্তু সাধারণভাবে শনাক্ত করলেই চলে না। কোন কাজ চলছে, অপারেটরের তুলনায় কোনো বস্তু কোথায় আছে এবং সময়ের সঙ্গে কোনো কার্যকলাপ কীভাবে এগোচ্ছে—এসবও মডেলকে অনুমান করতে হতে পারে।
Memories.ai তাদের data infrastructure-কে physical AI-এর জন্য নির্মিত বলে বর্ণনা করে। বাস্তব জগতকে বোঝা বা সেখানে কাজ করার উদ্দেশ্যে তৈরি সিস্টেম, যার মধ্যে robotics platforms ও vision-language-action models রয়েছে, এই ধারণার আওতায় পড়ে। নির্দিষ্ট ব্যবহারের জন্য তৈরি ডেটা ও প্রক্রিয়াকরণ সরবরাহ করে রোবটকে ভৌত পরিবেশ বোঝার ক্ষেত্রে আরও সক্ষম করতে সাহায্য করাই কোম্পানিটির দীর্ঘমেয়াদি লক্ষ্য।
তাদের modular design-ও গুরুত্বপূর্ণ। শিল্পক্ষেত্রের workflows থেকে গৃহস্থালি manipulation পর্যন্ত রোবোটিক্সের কাজ ব্যাপকভাবে ভিন্ন, এবং একটি নির্দিষ্ট ক্যামেরা ভিউ সব অ্যাপ্লিকেশনের জন্য উপযুক্ত নয়। মানসম্মত প্রক্রিয়া বজায় রেখে একাধিক ভিউ সমর্থন করতে পারে এমন collection system নির্দিষ্ট কাজের সঙ্গে সামঞ্জস্যপূর্ণ datasets তৈরি সহজ করতে পারে।
Model development-এর জন্য ভিডিও প্রস্তুতিতে AI ব্যবহার
Memories.ai জানিয়েছে, তাদের data lake-এ আসা ভিডিও ব্যাখ্যা করতে তারা NVIDIA Cosmos ব্যবহার করেছে, তারপর গ্রাহকদের robotics ও industrial applications-এর জন্য Cosmos-কে post-train করতে সেই উপকরণ curate করেছে। কোম্পানি এটিকে এমন একটি loop হিসেবে বর্ণনা করে, যা বাস্তব জগতের ভিডিওকে গ্রাহকের কাজের উপযোগী models-এ রূপান্তর করে।
Raw footage এবং ব্যবহারযোগ্য training data-এর পার্থক্যই এই ব্যবসায়িক ধারণার কেন্দ্রে। ভিডিও ধারণ করা কেবল প্রথম ধাপ। ফুটেজ প্রক্রিয়া, segment, label এবং model developers ব্যবহার করতে পারে এমন ফরম্যাটে উপলব্ধ করতে হবে। Video-understanding models দিয়ে এই কাজের একটি অংশ স্বয়ংক্রিয় করলে পাইপলাইন বড় করা যায়, আর custom annotation datasets-কে গ্রাহকের নির্দিষ্ট প্রয়োজন অনুযায়ী মানিয়ে নিতে পারে।
- মানসম্মত capture-এর লক্ষ্য হলো contributors-দের মধ্যে consistency বাড়ানো।
- Hand pose ও action segments-এর মতো উপাদান label করতে AI-চালিত annotation ব্যবহার করা হয়।
- একটি curated data lake গ্রাহকদের post-training ও dataset কাজের জন্য যৌথ ভিত্তি দেয়।
- Modular hardware বিভিন্ন কাজ ও ক্যামেরা ভিউ সমর্থনের উদ্দেশ্যে তৈরি।
ইনফ্রাস্ট্রাকচার প্রতিযোগিতার একটি স্তরে পরিণত হচ্ছে
ফিজিক্যাল AI-এর উত্থান ডেটা সংগ্রহ ও curation-কে কৌশলগত বিষয়ে পরিণত করেছে। রোবট কেবল তার কাছে উপলব্ধ examples থেকেই শিখতে পারে, এবং একই ধরনের model architectures নিয়ে কাজ করা দলগুলো ডেটার মান, প্রাসঙ্গিকতা ও সংগঠনের মাধ্যমে নিজেদের আলাদা করতে পারে। ফলে model-এর বদলে model-কে ঘিরে pipeline নির্মাণে মূল্য দেয় এমন specialist providers-এর সুযোগ তৈরি হচ্ছে।
Memories.ai তাদের গবেষণার একাধিক উপাদান GitHub-এ প্রকাশ করেছে এবং ICLR, NeurIPS ও EMNLP-তে publication activity-এর কথাও জানিয়েছে। এই তথ্যগুলো দেখায় যে কোম্পানিটি রোবোটিক্স গ্রাহকদের জন্য data platform বাণিজ্যিকীকরণের পাশাপাশি research ecosystem-এ অংশ নিতে চাইছে।
কোম্পানির ঘোষিত ambition বিস্তৃত, এবং platform সম্পর্কে তাদের claims-কে কোম্পানির নিজস্ব বর্ণনা হিসেবে বোঝা উচিত। তবু দিকটি স্পষ্ট: রোবোটিক্স demonstration থেকে আরও বৈচিত্র্যময় বাস্তব জগতের deployments-এর দিকে এগোলে, সেই ডেটা ব্যবহারকারী algorithms-এর মতোই মানসম্মত ফার্স্ট-পার্সন ডেটা ও নির্ভরযোগ্য annotation গুরুত্বপূর্ণ হয়ে উঠতে পারে।
মূল চ্যালেঞ্জ: অভিজ্ঞতাকে প্রশিক্ষণ উপকরণে রূপান্তর
রোবোটিক্সে কার্যকর data unit সাধারণত শুধু একটি video clip নয়। মডেলকে ব্যবহারযোগ্য কোনো বিষয় শেখানোর জন্য যথেষ্ট context ও structure-সহ একটি clip দরকার। Capture standards, video interpretation এবং targeted annotations-এ জোর দিয়ে Memories.ai দৈনন্দিন শারীরিক কার্যকলাপকে আরও মূল্যবান সেই রূপে প্যাকেজ করার চেষ্টা করছে। এই পদ্ধতি ব্যাপকভাবে গ্রহণ করা হবে কি না, তা ডেটার মান, labels-এর প্রযোজ্যতা এবং এটি ব্যবহার করে গ্রাহকেরা যে performance gains পেতে পারেন তার ওপর নির্ভর করবে।
এই নিবন্ধটি The Robot Report-এর প্রতিবেদনের ওপর ভিত্তি করে তৈরি। মূল নিবন্ধটি পড়ুন।
Originally published on therobotreport.com





