Carbon Robotics நிலத்தள உபகரணங்களுக்கு foundation-model logic-ஐ கொண்டு வர முயல்கிறது
Carbon Robotics கூறுவதாவது, பல crop-specific vision models கொண்ட ஒரு தொகுப்பை species, regions, மற்றும் field conditions across plant structure-ஐ புரிந்துகொள்ள வடிவமைக்கப்பட்ட ஒரு single system-ஆல் மாற்றியுள்ளது. நிறுவனத்தின் முன்மொழிவு எளிமையானது: ஒரு grower பயிர்களை மாற்றும் போதோ, புதிய geography-க்கு நகரும் போதோ, அல்லது வேறு plants-ஐ target செய்ய விரும்பும் போதோ ஒவ்வொரு முறையும் separate AI model-ஐ retrain செய்வதற்குப் பதிலாக, farmers ஒரு pre-trained model-ஐ நேரடியாக field-ல் personalize செய்யலாம்.
Carbon Robotics-ன் படி, இந்த புதிய system அது “large plant model” என்று அழைப்பதன் மீது கட்டமைக்கப்பட்டுள்ளது. உலகளவில் சேகரிக்கப்பட்ட baby plants-ன் millions of images-ல் model train செய்யப்பட்டுள்ளதாகவும், பின்னர் farmer தேர்ந்தெடுக்கும் சில examples-ஐ பயன்படுத்தி on-site-ல் customize செய்ய முடியும் என்றும் நிறுவனம் கூறுகிறது. iPad app மூலம், growers தங்கள் சொந்த fields-இலிருந்து thumbnails-ஐ review செய்து, குறைந்த எண்ணிக்கையிலான plants-ஐ crop அல்லது weed என label செய்கிறார்கள். அதன் பின்னர் system புதிய software download அல்லது conventional retraining cycle இல்லாமல், உடனடியாக தனது நடத்தை adjust செய்கிறது.
இந்த அணுகுமுறை விவரிக்கப்பட்டபடி செயல்பட்டால், agricultural machine vision-இன் மிகக் கடினமான பிரச்சினைகளில் ஒன்றை அது சமாளிக்கும்: real fields-ல் edge cases வேகமாக பெருகுகின்றன. ஒரே plant ஒரு crop row-ல் வேண்டியதாகவும், அதே farm-இன் மற்றொரு பகுதியில் வேண்டாததாகவும் இருக்கலாம். ஒரு crop-க்கும் ஒரு region-க்கும் மட்டும் narrowly tuned செய்யப்பட்ட model, conditions மாறும்போது சிரமப்படலாம். Carbon-ன் வாதம் என்னவென்றால், broader pre-trained representation-உம் lightweight in-field personalization-உம் சேர்ந்து அந்த friction-இன் பெரும்பகுதியை நீக்க முடியும் என்பதாகும்.
Crop-specific models-இலிருந்து ஒரு general plant system-க்கு
முன்னதாக நிறுவனம் பல crop-specific AI vision models-ஐ நம்பி செயல்பட்டது. இது industrial machine learning-இல் வழக்கமான ஒரு pattern; narrow tasks-க்கு models-ஐ tailor செய்வதன் மூலம் performance-ஐ மேம்படுத்தலாம். ஆனால் specialization-க்கு ஒரு செலவு உண்டு. ஒவ்வொரு புதிய field configuration, crop mix, அல்லது geography-க்கும் model maintenance-இன் இன்னொரு சுற்று தேவைப்படலாம்.
Carbon Robotics இப்போது எதிர்மறையான architecture-ஐ வலியுறுத்துகிறது. நிறுவனத்தின் விளக்கத்தில், globally trained ஒரு foundation model base layer ஆக செயல்படும்; அதே நேரத்தில் farmer என்ன காக்கப்பட வேண்டும், என்ன அகற்றப்பட வேண்டும் என்பதற்கான operational definition-ஐ வழங்குகிறார். இதனால் customization என்பது machine-learning pipeline அல்ல, user workflow ஆக மாறுகிறது.
Carbon-ன் autonomous weeding platform ஆன LaserWeeder, herbicides-க்கு பதிலாக lasers-ஐ பயன்படுத்தி unwanted plants-ஐ நீக்குகிறது. புதிய model ஒரே system-ஐ Arizona-வில் உள்ள carrot field-இலிருந்து மற்றொரு farm-இல் உள்ள lettuce அல்லது herbs-க்கு சில நிமிட configuration-க்குப் பிறகு மாற்ற முடியும் என்று நிறுவனம் கூறுகிறது. இப்படியான rapid retuning இந்த அறிவிப்பின் மையமாக உள்ளது. இது நிறுவனம் static weed detection என்ற கருத்தை விட, context-க்கு பதிலளிக்கக்கூடிய comparison system-இல் அதிக கவனம் செலுத்துகிறது என்பதைக் காட்டுகிறது.
Model எப்படி வேறுபட்டு செயல்படுகிறது என்று நிறுவனம் கூறுவது
Chief Technology Officer Alex Sergeev The Robot Report-க்கு கூறியதாவது, தொழில்நுட்ப வேறுபாடு model plants-ஐ எவ்வாறு evaluate செய்கிறது என்பதில் உள்ளது. ஒரு plant crop-ஆ அல்லது weed-ஆ என்பதற்கான simple confidence score உருவாக்குவதற்குப் பதிலாக, farmer ஏற்கனவே அடையாளம் கண்ட எடுத்துக்காட்டுகளுடன் observed plants-ஐ system ஒப்பிடுகிறது என்று அவர் கூறினார். அதாவது, output rigid pre-labeled class boundary-யை விட user-provided references-க்கு உள்ள similarity-ஆல் இயக்கப்படுகிறது.
இந்த வேறுபாடு முக்கியமானது, ஏனெனில் farm categories universal அல்ல. ஒரு field-இல் அல்லது region-இல் unwanted ஆன plant, மற்றொரு இடத்தில் பயனுள்ளதாக இருக்கலாம். Carbon-ன் system இந்த ambiguity-ஐ deployment time-ல் operator target set-ஐ define செய்ய அனுமதிப்பதன் மூலம் absorb செய்ய வடிவமைக்கப்பட்டுள்ளது. Sergeev இதை instant adaptation என்ற தேவையாக விவரித்தார்: tool examples-ஐ accept செய்து, நீண்ட retraining process-ஐ காத்திருக்காமல் உடனடியாக வேலை செய்ய வேண்டும்.
அடிப்படை plant AI 150 million labeled plants-ல் train செய்யப்பட்டுள்ளதாக நிறுவனம் கூறுகிறது. நடைமுறையில், அந்த அளவு early-stage plant structure-இன் ஒரு வலுவான general representation-ஐ உருவாக்க வேண்டும் என்பதே நோக்கம். பின்னர் field labels அந்த base-ன் மீது அடுக்கப்பட்ட task instructions போல செயல்படுகின்றன. இது பிற துறைகளில் உள்ள foundation models local tasks-க்கு adapt செய்யப்படும் முறையை conceptually ஒத்தது, ஆனால் இங்கே output machine speed-இல் real farm conditions-ல் செயல்பட வேண்டும்.
Agricultural robotics-க்கு இது ஏன் முக்கியம்
உண்மையான farms generalized autonomy-க்கு கடினமான சூழல்கள் என்பதால் agricultural automation பெரும்பாலும் சீரற்ற படிகளாக முன்னேறியுள்ளது. மண் நிலைகள் மாறுபடுகின்றன, lighting மாற்றமடைகிறது, crop arrangements grower-களுக்கு இடையே வேறுபடுகின்றன, மேலும் weed pressure ஒரு field-இலிருந்து மற்றொன்றுக்கு ஒரே மாதிரி இருக்காது. கட்டுப்படுத்தப்பட்ட demos-ல் நன்றாக செயல்படும் systems, ஒவ்வொரு புதிய use case-க்கும் இன்னொரு engineering pass தேவைப்படும்போது scale செய்வதில் விலையாக மாறுகின்றன.
Carbon Robotics இந்த scaling cost-ஐ குறைக்க முயல்கிறது. Personalization-ஐ model-development team-இலிருந்து விலக்கி operator-க்கு நெருக்கமாக கொண்டு செல்லுவதன் மூலம், அதன் machine-ஐ விரைவாக deploy செய்யக்கூடிய farms-இன் எண்ணிக்கையை அது அதிகரிக்கக்கூடும். அது வர்த்தக ரீதியாக முக்கியமானது, ஏனெனில் agriculture-இல் equipment adoption என்பது raw technical capability மட்டுமல்ல, ஒரு tool grower-கள்மீது எவ்வளவு setup, tuning, மற்றும் downtime-ஐ விதிக்கிறது என்பதையும் சார்ந்துள்ளது.
இந்த அறிவிப்பு robotics-இல் ஒரு broader trend-ஐயும் பிரதிபலிக்கிறது. அதிக நிறுவனங்கள் foundation models-இன் கருத்துகளை physical systems-க்கு பயன்படுத்துகின்றன, அங்கு precision-க்கு இணையாக flexibility-யும் முக்கியம். Agriculture-இல் இந்த trend குறிப்பாக ஈர்க்கக்கூடியது, ஏனெனில் பல பணிகள் மேல்மட்டத்தில் ஒரே மாதிரியாகத் தோன்றினாலும், operational ரீதியாக முக்கியமான விவரங்களில் வேறுபடுகின்றன.
iMerit-உடனான Carbon-ன் partnership இந்தத் தந்திரத்தின் இன்னொரு அவசியமான பகுதியைக் காட்டுகிறது: data. Foundation-model பற்றிய கோரிக்கைகள் விரிவான, உயர்தர labeling-ஐ சார்ந்தவை, மேலும் agricultural datasets உருவாக்குவது கடினம், ஏனெனில் அவை crops, growth stages, geographies, மற்றும் imaging conditions across biological variation-ஐ capture செய்ய வேண்டும். Pretraining data-க்கு நிறுவனம் அளிக்கும் முக்கியத்துவம், dataset scale-ஐ அது training requirement மட்டுமல்ல, ஒரு competitive moat-ஆகவும் பார்க்கிறது என்பதைக் கூறுகிறது.
உண்மையான சோதனை “instant” வழக்கமான ஒன்றாக மாறுகிறதா என்பதே
அறிவிப்பில் மிக முக்கியமான கோரிக்கை model பெரியது என்பதல்ல. Farmers அதை minutes-ல் adapt செய்ய முடியும், மேலும் machine உடனடியாக பதிலளிக்கிறது என்பதே. இது production-ல் நம்பகமாக நிரூபிக்கப்பட்டால், agricultural robotics எவ்வாறு configure செய்யப்படுகிறது மற்றும் விற்கப்படுகிறது என்பதையே மாற்றக்கூடும். மீண்டும் மீண்டும் crop-by-crop model rebuilds தேவையற்ற ஒரு system deploy செய்யவும், விரிவாக்கவும், working farm-இன் rhythms-க்கு பொருத்தவும் எளிதாகும்.
ஆனால், வலுவான technical concept மற்றும் field-scale consistency ஆகியவற்றுக்கு இடையில் இன்னும் ஒரு நடைமுறை இடைவெளி உள்ளது, மேலும் source material independent performance benchmarks-ஐ வழங்கவில்லை. இருப்பினும், Carbon Robotics எதை நோக்கி செல்கிறது என்பதைக் அது காட்டுகிறது: குறுகிய crop models-இலிருந்து விலகி, growers தாமே steer செய்யக்கூடிய ஒரு more general plant-recognition layer-ஐ நோக்கி.
இது farm AI-க்கு ஒரு குறிப்பிடத்தக்க மாற்றம். Software field-ஐ பின்தொடர காத்திருக்குமாறு farmers-ஐ கேட்பதற்குப் பதிலாக, field-இன் வேகத்திலேயே adapt ஆகக்கூடிய software-ஐ நிறுவனம் வாக்குறுதி அளிக்கிறது.
இந்தக் கட்டுரை The Robot Report வழங்கிய செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.
Originally published on therobotreport.com
