বেশিরভাগ ফিজিক্যাল এআই টিম জানে যে তাদের ডেটা প্রয়োজন। কিন্তু খুব কম জনই জানে যে তাদের ডেটার একটি বিশাল স্তূপ প্রয়োজন। একটি ব্যবহৃত হিউম্যানয়েড, এভি, বা ওয়্যারহাউস রোবটের প্রয়োজনীয় সক্ষমতাগুলো—যেমন উপলব্ধি, কার্যকলাপ, নির্দেশনা অনুসরণ, এবং বহু-ধাপের ওয়ার্কফ্লো সম্পাদন—এর প্রতিটিই ভিন্ন ভিন্ন সংগ্রহ পদ্ধতি, অ্যানোটেশনের গভীরতা এবং গুণমান নিয়ন্ত্রণ সহ প্রশিক্ষণ ডেটার এক একটি ভিন্ন স্তরের সাথে সম্পর্কিত। ফিজিক্যাল এআই ডেটাসেট স্ট্যাক হলো এই স্তরগুলোকে চারটি বিচ্ছিন্ন সংগ্রহের সিদ্ধান্তের পরিবর্তে একটি সমন্বিত সিস্টেম হিসেবে ভাবার একটি উপায়।
কী Takeaways
- ভৌত এআই ডেটাসেট স্ট্যাকটিতে চারটি স্তর রয়েছে, যা চারটি বাস্তব-জগতের সক্ষমতার সাথে যুক্ত।
- স্তর ১-এ উপলব্ধি ও বোধগম্যতার জন্য মানুষের কার্যকলাপ এবং প্রদর্শনমূলক তথ্য অন্তর্ভুক্ত রয়েছে।
- স্তর ২ পুনরাবৃত্তিমূলক কাজ সম্পাদনের জন্য রোবটের চালনা সংক্রান্ত ডেটা ধারণ করে।
- স্তর ৩ বৃহৎ পরিসরে নির্দেশনা অনুসরণের জন্য দৃষ্টিভঙ্গি, ভাষা এবং কর্মকে সমন্বিত করে।
- লেয়ার ৪ বাস্তব পরিবেশে দীর্ঘমেয়াদী ও বহু-ধাপের কাজ সম্পন্ন করতে সহায়তা করে।
- প্রতিটি স্তর তার পরবর্তী স্তরকে পুষ্টি জোগায়; নীচের স্তরের দুর্বলতাগুলো উপরের দিকে ছড়িয়ে পড়ে।
ভৌত এআই ডেটাকে একটি স্ট্যাক হিসেবে কেন ভাবা হয়?
ভৌত এআই ডেটা একটি স্ট্যাকের মতো আচরণ করে, কারণ এর প্রতিটি সক্ষমতার স্তর তার নিচের স্তরগুলোর উপর নির্ভরশীল। অ্যাকশন ডেটা ছাড়া পারসেপশন ডেটা এমন একটি মডেল তৈরি করে যা দেখতে পায় কিন্তু নড়াচড়া করতে পারে না। ল্যাঙ্গুয়েজ অ্যালাইনমেন্ট ছাড়া অ্যাকশন ডেটা এমন একটি মডেল তৈরি করে যা নড়াচড়া করতে পারে কিন্তু নির্দেশনা অনুসরণ করতে পারে না। শক্তিশালী নির্দেশনা অনুসরণের ক্ষমতা ছাড়া দীর্ঘমেয়াদী ওয়ার্কফ্লো ডেটা প্রথম বহু-ধাপের কাজটিতেই ভেঙে পড়ে।
ডেভেলপার কমিউনিটির জন্য প্রকাশিত এনভিডিয়ার ওপেন ফিজিক্যাল এআই ডেটাসেটটিতে অভূতপূর্ব বৈচিত্র্যসহ হাজার হাজার ঘণ্টার মাল্টি-ক্যামেরা ভিডিও রয়েছে (এনভিডিয়া, ২০২৫), এবং এত বড় পরিসরেও ডাউনস্ট্রিম টিমগুলোর এর উপরে তাদের নিজস্ব কাজ-নির্দিষ্ট লেয়ারের প্রয়োজন হয়। প্রি-ট্রেনিং ডেটা প্রয়োজনীয়, কিন্তু যথেষ্ট নয়।
স্তর ১: মানুষের বোধগম্যতা সংক্রান্ত ডেটা কী কী বিষয় অন্তর্ভুক্ত করে?
হিউম্যান আন্ডারস্ট্যান্ডিং ডেটা হলো মানুষের কার্যকলাপ এবং প্রদর্শনমূলক ডেটা — বাস্তব পরিবেশে মানুষের বিভিন্ন কাজ করার ফার্স্ট-পার্সন ও থার্ড-পার্সন ফুটেজ। এটি মডেলকে শেখায় যে পৃথিবীটা দেখতে কেমন এবং মানুষ এর মধ্যে কীভাবে চলাচল করে।
মানব প্রদর্শনীর তথ্য: মানুষের বিভিন্ন কাজ সম্পাদনের ভিডিও এবং সেন্সর রেকর্ডিং, সাথে এমন টীকা যা পর্যবেক্ষণগুলোকে কার্যকলাপ, উদ্দেশ্য বা ফলাফলের সাথে সংযুক্ত করে।
এই স্তরটি উপলব্ধি, দৃশ্য অনুধাবন এবং অভিপ্রায় অনুমানে সহায়তা করে। জিজ্ঞাসা করার মতো মানসম্মত প্রশ্ন:
- ডেটাটি কি সেই পরিবেশগুলোকে অন্তর্ভুক্ত করে যেখানে আপনার রোবট কাজ করবে?
- প্রদর্শনীগুলো কি পারমাণবিক-ক্রিয়া স্তরে টীকাযুক্ত করা হয়, নাকি শুধু প্রতি-ক্লিপ অনুযায়ী?
- অংশগ্রহণকারীর সম্মতি কি নথিভুক্ত এবং শনাক্তযোগ্য?
শাইপের এল১ তথ্য সংগ্রহ এই লেয়ারটি রান্নাঘর, কারখানা, গুদাম, স্বাস্থ্যকেন্দ্র এবং রাস্তা জুড়ে বাস্তব জগতের কার্যকলাপ ধারণ করে — এমন পরিবেশ যা পরীক্ষাগারের অবস্থার পরিবর্তে বাস্তব প্রয়োগের প্রেক্ষাপটের সাথে মেলে।
স্তর ২: কার্য সম্পাদনের ডেটাতে কী কী অন্তর্ভুক্ত থাকে?
কার্য সম্পাদন ডেটা হলো রোবটের ম্যানিপুলেশন ডেটা — যা পুনরাবৃত্তিমূলক ভৌত কাজের জন্য গতিপথ, জয়েন্টের অবস্থা, বস্তুর সাথে মিথস্ক্রিয়া এবং সংস্পর্শ গতিবিদ্যা অন্তর্ভুক্ত করে। এটি মডেলকে শুধু কী উপলব্ধি করতে হবে তা-ই শেখায় না, বরং কীভাবে কাজ করতে হবে তাও শেখায়।
রোবট ম্যানিপুলেশন ডেটা: টেলিঅপারেশন, স্ক্রিপ্টেড এক্সিকিউশন বা ডেমোনস্ট্রেশন রিপ্লের সময় ধারণ করা রোবটের অবস্থা, এন্ড-ইফেক্টরের ভঙ্গি এবং বস্তুর সাথে মিথস্ক্রিয়ার সময়-চিহ্নিত ক্রম।
এখানেই রোবটের ধরন-নির্দিষ্ট কাঠামোর প্রকাশ ঘটে। রোবটভেদে জয়েন্টের বিন্যাস, গ্রিপারের জ্যামিতি এবং অ্যাকশন স্পেস ভিন্ন হয়, তাই রিটার্গেটিং ছাড়া ম্যানিপুলেশন ডেটা এক রোবট থেকে অন্য রোবটে স্থানান্তর করা প্রায় অসম্ভব। বিভিন্ন রোবটের মধ্যে সমন্বয়ের প্রচেষ্টা—যেমন একটি অ্যাকশন স্কিমার অধীনে ২২টি রোবটকে একীভূত করা ডেটাসেট (ডিপমাইন্ড/স্ট্যানফোর্ড প্রমুখ, ২০২৪)—এই কাজটিকে কিছুটা সহজ করেছে, কিন্তু নির্দিষ্ট কাজের জন্য ম্যানিপুলেশন ডেটা সংগ্রহ করা এখনও একটি শ্রমসাধ্য কাজ।
স্তর ৩: ভিএলএ ডেটা কী নতুন তথ্য যোগ করে?
VLA ডেটা দৃষ্টি ও কর্মের সাথে ভাষার সামঞ্জস্য যোগ করে — প্রতিটি পর্বে একটি স্বাভাবিক ভাষার নির্দেশনা থাকে যা সেটিকে পূরণকারী গতিপথের সাথে যুক্ত থাকে।
দৃষ্টি-ভাষা-কর্ম (ভিএলএ) ডেটা: পর্ব-স্তরের প্রশিক্ষণ ডেটা, যাতে রয়েছে সমন্বিত চাক্ষুষ পর্যবেক্ষণ, স্বাভাবিক ভাষার নির্দেশাবলী এবং সফলতার লেবেলসহ কর্মের গতিপথ।
এই স্তরটিই নির্দেশনা অনুসরণ করা সম্ভব করে তোলে। এটি ছাড়া, একটি ম্যানিপুলেশন মডেল একটি প্রশিক্ষিত কাজ সম্পাদন করতে পারে; এটি থাকলে, একই ব্যাকবোন শত শত নির্দেশনার ক্ষেত্রে সাধারণীকরণ করতে পারে। মূল বিষয়টি হলো: ভাষার বর্ণনাগুলোকে অবশ্যই অ্যাটমিক, সুনির্দিষ্ট এবং প্রকৃত কাজের সীমানার সাথে সামঞ্জস্যপূর্ণ হতে হবে — কোনো অস্পষ্ট সারসংক্ষেপ নয়। এই স্তরে অ্যানোটেশনের নির্ভুলতা নির্ধারণ করে যে একটি ফাইন-টিউনড ভিএলএ নতুন প্রম্পটের ক্ষেত্রে সাধারণীকরণ করবে, নাকি প্রশিক্ষণ সেটটি মুখস্থ করে রাখবে।
স্তর ৪: দীর্ঘমেয়াদী টাস্ক ডেটা কী কী বিষয় অন্তর্ভুক্ত করে?
দীর্ঘমেয়াদী কাজের ডেটা বহু-ধাপের কর্মপ্রবাহকে অন্তর্ভুক্ত করে — এমন কাজের ক্রম যেখানে রোবটকে পরবর্তী কাজ শুরু করার জন্য একটি উপ-কাজ সম্পূর্ণ করতে হয়। খাবার রান্না করা, গুদামের প্যালেট গোছানো এবং একটি কিট একত্রিত করা হলো দীর্ঘমেয়াদী কাজ। এগুলোর প্রত্যেকটির জন্য মডেলটিকে তার অবস্থা পর্যবেক্ষণ করতে, উপ-কাজের ব্যর্থতা থেকে পুনরুদ্ধার করতে এবং দক্ষতার শৃঙ্খল তৈরি করতে হয়।
দীর্ঘমেয়াদী টেবিলটপ ম্যানিপুলেশনের উপর কেন্দ্র করে তৈরি একটি গবেষণা ডেটাসেটে, অগোছালো দৃশ্যসহ ২০টি বহু-ধাপের টাস্ক জুড়ে ২০০টি এপিসোড ছিল (LHManip লেখকবৃন্দ, arXiv, ২০২৪) — যা আকারে ছোট হলেও সুসংগঠিত। প্রোডাকশন টিমগুলো সাধারণত শত শত থেকে হাজার হাজার দীর্ঘমেয়াদী এপিসোড এবং ব্যর্থতা থেকে পুনরুদ্ধারের জন্য এক্সেপশন-হ্যান্ডলিং ট্রেস সহ ইভ্যালুয়েশন সেট তৈরি করে।
কীভাবে চারটি স্তর ডেপ্লয়মেন্টকে ফিড করে
| স্তর | সক্ষমতা উন্মোচিত | দলগুলো সাধারণত যা এড়িয়ে যায় |
|---|---|---|
| L1 — মানুষের বোধগম্যতা | উপলব্ধি, অভিপ্রায়, দৃশ্যের প্রেক্ষাপট | স্থাপন স্থানের সাথে পরিবেশের সামঞ্জস্য |
| L2 — কার্য সম্পাদন | পুনরাবৃত্তিমূলক ম্যানিপুলেশন | যোগাযোগের গতিশীলতা, ব্যর্থতা পুনরুদ্ধার |
| L3 — নির্দেশনা অনুসরণ | আন্তঃ-কার্য সাধারণীকরণ | পারমাণবিক, কর্ম-সারিবদ্ধ ভাষার লেবেল |
| L4 — ওয়ার্কফ্লো সমাপ্তি | বহু-ধাপের বাস্তব-জগতের কাজ | ব্যতিক্রম পরিচালনা, অবস্থা ট্র্যাকিং |
এমন একটি শিল্প অটোমেশন দলের কথা ভাবুন যারা L1 এবং L2—অর্থাৎ পরীক্ষায় পরিষ্কার উপলব্ধি ও সাবলীল পরিচালনা—একেবারে নিখুঁতভাবে সম্পন্ন করলেও L3 বাদ দিয়ে দেয়। তাদের রোবট আপনার দেখানো যেকোনো বস্তু তুলে নিতে পারে, কিন্তু কোডে পরিবর্তন না করে মৌখিক নির্দেশনা অনুসরণ করতে পারে না। L4 বাদ দেওয়ার ক্ষেত্রেও একই চিত্র দেখা যায়: সিস্টেমটি একক কাজ সামলায়, কিন্তু দ্বিতীয় ধাপে এসে ভেঙে পড়ে। প্রতিটি অনুপস্থিত স্তরই এর বাস্তবায়নের সর্বোচ্চ সীমা নির্ধারণ করে দেয়।
ভৌত এআই ডেটার জন্য সার্টিফিকেশন এবং সম্মতি
ভৌত এআই ডেটা প্রোগ্রামগুলো একটি ক্রমবর্ধমান কঠোর নিয়ন্ত্রক ও সংগ্রহ প্রক্রিয়ার আওতাধীন পরিবেশে অবস্থান করছে, বিশেষ করে স্বাস্থ্যসেবা, স্বায়ত্তশাসিত গতিশীলতা এবং কর্মী-সুরক্ষার মতো ক্ষেত্রগুলোতে। প্রাতিষ্ঠানিক ক্রেতারা ডেটা সংগ্রহ বা টীকা সংযোজনের চুক্তিতে স্বাক্ষর করার আগে ক্রমবর্ধমানভাবে কাঠামোগত নিয়ন্ত্রণের দাবি করছেন।
- তথ্য নিরাপত্তা ব্যবস্থাপনার জন্য আইএসও ২৭০০১।
- পরিষেবা সংগঠন নিয়ন্ত্রণের জন্য SOC 2 টাইপ II।
- ক্লিনিকাল বা পুনর্বাসন গতি ডেটার জন্য HIPAA-সম্মত নিয়ন্ত্রণ।
- অংশগ্রহণকারীর সম্মতি এবং তথ্য অধিকার সংক্রান্ত GDPR ও CCPA কাঠামো।
শাইপ তার বিশ্বব্যাপী সংগ্রহ কার্যক্রমগুলোতে এই প্রতিটি কাঠামোর অধীনে কাজ করে। ক্রেতারা বিস্তারিত তথ্য পর্যালোচনা করতে পারেন। নিরাপত্তা এবং সম্মতি পৃষ্ঠা একটি বাস্তব এআই সম্পৃক্ততার পরিধি নির্ধারণের আগে।
উপসংহার: স্ট্যাকই হলো কৌশল।
বাস্তব এআই ডেটাসেট স্ট্যাক কোনো সংগ্রহের চেকলিস্ট নয়; এটি একটি স্থাপনযোগ্য সিস্টেমের স্থাপত্য। যে দলগুলো এটিকে একটি সমন্বিত নির্মাণ হিসেবে বিবেচনা করে — যেখানে মানুষের বোঝাপড়া চালনাকে চালিত করে, চালনা নির্দেশনা অনুসরণকে চালিত করে, এবং এই সবকিছু দীর্ঘমেয়াদী কার্য সম্পাদনে সহায়তা করে — তারা এমন রোবট তৈরি করে যা বাস্তব জগতে কাজ করে। শাইপ এই চারটি স্তরেই ডেটা অবকাঠামো অংশীদার হিসেবে কাজ করে, যার মধ্যে অন্তর্ভুক্ত রয়েছে মাল্টিমডাল এআই এমন কর্মপ্রবাহ যা উপলব্ধি, ভাষা এবং কর্মকে একটি একক কার্যক্রমের আওতায় সংযুক্ত করে।
ফিজিক্যাল এআই ডেটাসেট স্ট্যাক বলতে কী বোঝায়?
ফিজিক্যাল এআই ডেটাসেট স্ট্যাক হলো একটি চার-স্তর বিশিষ্ট কাঠামো যা প্রশিক্ষণ ডেটার প্রকারভেদকে রোবটের সক্ষমতার সাথে সংযুক্ত করে। স্তর ১ উপলব্ধির জন্য মানুষের কার্যকলাপ, স্তর ২ রোবটের চালনা, স্তর ৩ নির্দেশনা অনুসরণের জন্য দৃষ্টি-ভাষা-ক্রিয়া ডেটা এবং স্তর ৪ দীর্ঘমেয়াদী বহু-ধাপের কাজ অন্তর্ভুক্ত করে। প্রতিটি স্তর একটি স্বতন্ত্র প্রয়োগ সক্ষমতা প্রদান করে।
চারটি স্তরই কি সবসময় অভ্যন্তরীণভাবে তৈরি করতে হবে?
চারটি লেয়ারই অভ্যন্তরীণভাবে তৈরি করার প্রয়োজন নেই। পাবলিক প্রি-ট্রেনিং ডেটাসেটগুলো লেয়ার ১-এর বেশিরভাগ অংশই কভার করে, এবং লেয়ার ২ থেকে ৪ পর্যন্ত নির্বাচিত ফাইন-টিউনিং ডেটার ওপরই অভ্যন্তরীণ বা পার্টনার প্রোগ্রামগুলো মনোযোগ দেয়। নির্ণায়ক প্রশ্নটি হলো, ডেটাটি ডেপ্লয়মেন্ট এনভায়রনমেন্টের সাথে সামঞ্জস্যপূর্ণ কি না, এটি নিজে থেকে সংগ্রহ করা হয়েছে কি না তা নয়।
ভৌত এআই দলগুলো কোন স্তরটিকে সবচেয়ে কম মূল্যায়ন করে?
চতুর্থ স্তর—অর্থাৎ দীর্ঘমেয়াদী টাস্ক ডেটা—সবচেয়ে অবমূল্যায়িত। টিমগুলো প্রায়শই শক্তিশালী পারসেপশন এবং ম্যানিপুলেশন পাইপলাইন তৈরি করে, এবং তারপর ধরে নেয় যে সিকোয়েন্সিং এমনিতেই হয়ে যাবে। বাস্তবে, বহু-ধাপের টাস্কের জন্য প্রয়োজন সুস্পষ্ট ডেমোনস্ট্রেশন, এক্সেপশন হ্যান্ডলিং ট্রেস, এবং এমন ইভ্যালুয়েশন সেট যা সাব-টাস্কের ব্যর্থতার ধরণগুলো ধরতে পারে। এগুলো ছাড়া, ডেপ্লয়মেন্ট একক-টাস্ক ডেমোতেই আটকে যায়।
ফিজিক্যাল এআই ডেটাসেট স্ট্যাক কীভাবে ভিএলএ মডেলগুলোর সাথে সম্পর্কিত?
ফিজিক্যাল এআই ডেটাসেট স্ট্যাকটি লেয়ার ৩-এ ভিএলএ মডেলের সাথে সম্পর্কিত। ভিএলএ ট্রেনিং ডেটা নির্দেশনা-অনুসরণকারী লেয়ারে থাকে, যা ভিত্তি হিসেবে লেয়ার ১-এর পারসেপশন ডেটা এবং লেয়ার ২-এর ম্যানিপুলেশন ডেটা ব্যবহার করে। একটি সুগঠিত ভিএলএ-এর পারফর্ম করার জন্য এর নিচের তিনটি লেয়ারেরই প্রয়োজন হয়; এরপর লেয়ার ৪ এটিকে বহু-ধাপের বাস্তব-জগতের ওয়ার্কফ্লোতে প্রসারিত করে।
সিন্থেটিক ডেটা কি ডেটাসেট স্ট্যাকের অংশ?
কৃত্রিম ডেটা ডেটাসেট স্ট্যাকের প্রতিটি স্তরেরই একটি অংশ, কিন্তু এটি খুব কমই সরাসরি আসল ডেটার জায়গা নেয়। কৃত্রিম ডেটা তৈরি করা বিরল ঘটনা, প্রান্তিক পরিস্থিতি এবং বিভিন্ন রূপের বাস্তবায়নকে সামাল দেয়। আসল ডেটা যোগাযোগের গতিশীলতা, সিমুলেশন থেকে বাস্তব ডেটাতে রূপান্তর এবং মানুষ-রোবটের মিথস্ক্রিয়াকে ভিত্তি দেয়। উন্নত প্রোগ্রামগুলো উভয়ই ব্যবহার করে এবং এর সাথে যুগল বেঞ্চমার্ক থাকে যা সিমুলেশন ও বাস্তব ডেটার পারফরম্যান্সের পার্থক্য পর্যবেক্ষণ করে।
সম্পূর্ণ ফিজিক্যাল এআই ডেটাসেট স্ট্যাকটি তৈরি করতে কত সময় লাগে?
একটি সম্পূর্ণ ফিজিক্যাল এআই ডেটাসেট স্ট্যাক তৈরি করতে সাধারণত কয়েক মাস থেকে কয়েক বছর সময় লাগে, যা এর পরিধি এবং বাস্তবায়নের উপর নির্ভর করে। বিভিন্ন পরিবেশে ডেটা সংগ্রহের কার্যক্রমই সবচেয়ে দীর্ঘ প্রক্রিয়া। দলগুলো একটি নির্দিষ্ট কাজের জন্য লেয়ার ৩-এর ডেটা সূক্ষ্মভাবে সমন্বয় করার মাধ্যমে কাজ শুরু করে এবং ডেপ্লয়মেন্টের ব্যবহারিক ক্ষেত্রটি স্থিতিশীল হয়ে গেলে লেয়ার ৪ ওয়ার্কফ্লো ও বৃহত্তর লেয়ার ১ কভারেজের দিকে প্রসারিত হয়ে এই প্রক্রিয়াকে ত্বরান্বিত করে।
