রোবোটিক্স এবং স্বায়ত্তশাসিত সিস্টেমের ক্ষেত্রে একটি পরিচিত প্যাটার্ন দেখা গেছে: একটি ফ্ল্যাগশিপ ডেমো মঞ্চে চমৎকারভাবে চলে, কিন্তু দুই সপ্তাহ পরেই সেই একই সিস্টেমটি একটি লাইভ গুদামে হোঁচট খায়, এবং ময়নাতদন্তে পরীক্ষার পরিবেশের চেয়ে "বাস্তবতা" বেশি বিশৃঙ্খল হওয়ার জন্য দোষারোপ করা হয়। এই ক্ষেত্রের কিছু বিশেষজ্ঞ যুক্তি দেন যে অনুপস্থিত স্তরটি হলো হার্ডওয়্যার — যেমন উন্নত গ্রিপার, ফোর্স-টর্ক সেন্সর, স্পর্শকাতর আবরণ। এই যুক্তিটি সঠিক, কিন্তু অসম্পূর্ণ। এমনকি আদর্শ সেন্সিং হার্ডওয়্যারও কাঁচা সংকেতের স্রোত তৈরি করে, যা একটি মডেলকে ব্যাখ্যা করতে শিখতে হয় । বেশিরভাগ ফিজিক্যাল এআই ব্যর্থতার পেছনের আসল প্রতিবন্ধকতা সেন্সর নয়। এটি হলো মাল্টিমোডাল ফিজিক্যাল এআই প্রশিক্ষণ ডেটা , যা মডেলকে শেখায় যে সেই সংকেতগুলোর অর্থ কী, দৃষ্টিশক্তির সাথে সেগুলোর সম্পর্ক কী, এবং যখন বাইরের জগৎ বাধা দেয় তখন কী পদক্ষেপ নিতে হবে। শিল্প পর্যায়ে এই ডেটা প্রায় নেই বললেই চলে — এবং এটাই হলো অনুপস্থিত স্তর।
ফিজিক্যাল এআই-তে “অনুপস্থিত স্তর” আসলে কী
পরিচিত ফিজিক্যাল এআই লুপ—অনুভব করা, সিদ্ধান্ত নেওয়া, কাজ করা, মানিয়ে নেওয়া—এমনভাবে আলোচনা করা হয় যেন এটি একটি হার্ডওয়্যার এবং আর্কিটেকচারগত সমস্যা। বাস্তবে, এই লুপের প্রতিটি ধাপই হলো একটি অর্জিত আচরণ। অনুভব করা মানে হলো একটি মডেলের কোলাহলপূর্ণ, উচ্চ-মাত্রিক সেন্সর স্ট্রিমকে কার্যকর অবস্থার অনুমানে পরিণত করা। সিদ্ধান্ত নেওয়া মানে হলো এমন একটি পলিসি যা সাধারণীকরণের জন্য যথেষ্ট পরিবর্তনের সম্মুখীন হয়েছে। কাজ করা মানে হলো বাস্তব গতিবিদ্যার বিপরীতে শেখা নিয়ন্ত্রণ। মানিয়ে নেওয়া মানে হলো মিলিসেকেন্ডের মধ্যে শনাক্ত করা যে একটি গ্রিপ পিছলে যাচ্ছে বা কোনো অংশ ভুলভাবে স্থাপিত হয়েছে—এবং গতির মাঝেই তা সংশোধন করা। এই আচরণগুলোর কোনোটিই প্রোগ্রাম করে তৈরি করা যায় না। এগুলো উদাহরণ থেকে শেখা হয়। যখন একটি ফিজিক্যাল এআই সিস্টেম সংস্পর্শের সময় মানিয়ে নিতে পারে না, তখন এর সাধারণ মূল কারণ হলো এর প্রশিক্ষণ ডেটাতে শেখার জন্য সংস্পর্শের যথেষ্ট লেবেলযুক্ত উদাহরণ অন্তর্ভুক্ত ছিল না। হার্ডওয়্যার সঠিক সংকেত পাঠাতে পারে। কিন্তু মডেলটির এখনও সেই ডেটাসেট প্রয়োজন যা সেই সংকেতগুলোকে অর্থবহ করে তোলে।
কেন শুধুমাত্র দৃষ্টি-ভিত্তিক ডেটাসেট ফিজিক্যাল এআই-কে অকার্যকর করে তোলে
বেশিরভাগ ফিজিক্যাল এআই স্ট্যাকের এটাই কাঠামোগত ঘাটতি — এবং কারখানায় এর প্রভাব দেখা যাওয়ার আগেই ডেটাসেটে তা প্রকাশ পায়।
| মাত্রা | শুধুমাত্র দৃষ্টি-ভিত্তিক ডেটাসেট | মাল্টিমোডাল ফিজিক্যাল এআই প্রশিক্ষণ ডেটাসেট |
|---|---|---|
| রূপসমূহ | আরজিবি ছবি, মাঝে মাঝে গভীরতা | দৃষ্টি, গভীরতা, স্পর্শ, বল/টর্ক, প্রোপ্রিওসেপশন, শ্রবণ |
| ক্যাপচার উৎস | স্ক্র্যাপ করা বা সাজানো ছবি | বাস্তব বা দূরনিয়ন্ত্রিত মিথস্ক্রিয়া থেকে উদ্দেশ্যমূলকভাবে সংগৃহীত |
| টীকা প্রকার | বাউন্ডিং বক্স, বিভাজন, ক্লাস | সংস্পর্শ ঘটনা, পিছলে যাওয়া, আঁকড়ে ধরার গুণমান, বলের প্রোফাইল, টেম্পোরাল অ্যালাইনমেন্ট |
| স্কেল অর্থনীতি | নকল করা সস্তা | ব্যয়বহুল — প্রতিটি নমুনার জন্য সরাসরি সংস্পর্শের প্রয়োজন হয় |
| ডাউনস্ট্রিম টাস্ক ফিট | উপলব্ধি, নেভিগেশন | ম্যানিপুলেশন, অভিযোজন, যোগাযোগ-সমৃদ্ধ নিয়ন্ত্রণ |
পিয়ার-রিভিউড ম্যানিপুলেশন বেঞ্চমার্কগুলো দেখিয়েছে যে, শুধুমাত্র দৃষ্টি-ভিত্তিক প্রশিক্ষণ পাইপলাইনে স্পর্শ-সংক্রান্ত ডেটা যোগ করলে ম্যানিপুলেশনের সফলতার হার প্রায় ২০ শতাংশ পয়েন্ট পর্যন্ত বাড়তে পারে, এবং দৃষ্টি ও স্পর্শ-সংক্রান্ত যৌথ প্রাক-প্রশিক্ষণের মাধ্যমে আরও একটি উল্লেখযোগ্য উন্নতি ঘটে (সূত্র: IEEE/RSJ IROS বেঞ্চমার্ক ফলাফল, ২০২৪)। এই পার্থক্য সামান্য নয়। এটিই একটি ডেমো এবং একটি ডেপ্লয়মেন্টের মধ্যেকার সীমারেখা।
একটি বাস্তব ভৌত এআই প্রশিক্ষণ ডেটাসেটের চারটি স্তর
এমন একটি ডেটাসেট তৈরি করতে, যা একটি মডেলকে বাস্তব জগতে কাজ করতে শেখায়, চারটি ঘনিষ্ঠভাবে সংযুক্ত স্তর প্রয়োজন। এগুলোর যেকোনো একটি বাদ দিলে তার উপরের স্তরগুচ্ছটি ভেঙে পড়ে।
- মাল্টিমোডাল ক্যাপচার। ডেটাসেটে অবশ্যই সেই সমস্ত কিছু থাকতে হবে যা রোবট বাস্তবে অনুভব করবে: সিঙ্ক্রোনাইজড আরজিবি এবং ডেপথ ভিডিও, প্রাসঙ্গিক ক্ষেত্রে লাইডার বা স্টেরিও, স্পর্শজনিত সংকেত (চাপের বণ্টন, কম্পন, পিছলে যাওয়া), স্পর্শবিন্দুতে বল এবং টর্কের রিডিং, গ্রিপারের অবস্থা সম্পর্কিত প্রোপ্রিওসেপ্টিভ ডেটা, এবং প্রায়শই অডিও। সেন্সরগুলোর মতোই ক্যাপচার রিগও সমান গুরুত্বপূর্ণ — এর অবস্থান, ক্যালিব্রেশন, এবং সবচেয়ে গুরুত্বপূর্ণ প্রান্তিক ক্ষেত্রগুলোতে পৌঁছানোর ক্ষমতা। অভ্যন্তরীণভাবে এটি তৈরি করা দলগুলো সাধারণত তাদের নিজস্ব ফ্লিটগুলোকে একজন বিশেষজ্ঞের সাথে যুক্ত করে। ভৌত এআই ডেটা সংগ্রহ একটি শক্তিশালী ডেটাসেটের জন্য প্রয়োজনীয় বৈচিত্র্য, ভৌগোলিক অবস্থান এবং পরিস্থিতির ব্যাপকতা অর্জনে অংশীদার হোন।
- সময় সমকালীকরণ এবং সেন্সর সংমিশ্রণ। একই মিলিসেকেন্ডে দৃষ্টি প্রবাহ এবং বল সেন্সর কী দেখাচ্ছিল তা না জানলে, ১,৫০০ হার্জের একটি স্পর্শ সংবেদনের আকস্মিক বৃদ্ধি অর্থহীন। বিভিন্ন সংবেদী অঙ্গের মধ্যে সময়গত সামঞ্জস্যই একটি মডেলকে শিখতে সাহায্য করে যে, উদাহরণস্বরূপ, একটি নির্দিষ্ট চাক্ষুষ সংকেত স্পর্শজনিত চাপ কমে যাওয়ার ৪০ মিলিসেকেন্ড আগেই পিছলে যাওয়ার ঘটনার পূর্বাভাস দেয়। এই সামঞ্জস্য ছাড়া, আপনার কাছে প্রশিক্ষণ ডেটার পরিবর্তে সমান্তরাল প্রবাহ থাকবে।
- যোগাযোগ-সমৃদ্ধ টীকা। এটিই সবচেয়ে কঠিন স্তর এবং বেশিরভাগ প্রোগ্রামই এটিকে অবমূল্যায়ন করে। অ্যানোটেটরদের গ্রাস্পের গুণমান, স্লিপ মোমেন্ট, সংস্পর্শের সূচনা ও মুক্তি, গ্রিপারের ভিতরে বস্তুর অবস্থান, বলের প্রভাবে বিকৃতি এবং উপ-ক্রিয়াগুলির সময়গত সীমানা চিহ্নিত করতে হয়। এটি সঠিকভাবে করার জন্য প্রশিক্ষিত অ্যানোটেশন দল, বহু-স্তরীয় পর্যালোচনা এবং বিভিন্ন মোডালিটি জুড়ে সামঞ্জস্যপূর্ণ নির্দেশিকা প্রয়োজন — আর একারণেই বেশিরভাগ গুরুত্বপূর্ণ অপারেশন একটির উপর নির্ভর করে। কাঠামোগত ডেটা টীকা কর্মপ্রবাহ যথেচ্ছভাবে এর পরিধি বাড়ানোর চেষ্টা না করে
- ক্রমাগত পরিচালনগত প্রতিক্রিয়া। একটি ফিজিক্যাল এআই সিস্টেম একবার স্থাপন করা হলে, প্রতিটি সফল শনাক্তকরণ, অল্পের জন্য ব্যর্থতা এবং ভুল নতুন ডেটা হয়ে ওঠে। যে দলগুলো এই প্রক্রিয়াটি সম্পূর্ণ করে — অর্থাৎ ডেটা সংগ্রহ, লেবেল, পুনঃপ্রশিক্ষণ এবং পুনঃস্থাপন করে — তারা ক্রমবর্ধমান সুবিধা লাভ করে। যে দলগুলো তাদের চারপাশের পরিবর্তিত বিশ্বের সাথে নিজেদের মডেলগুলোকে নীরবে লক্ষ্যচ্যুত হতে দেখে না।
[আরও পড়ুন: কীভাবে ফিজিক্যাল এআই স্বায়ত্তশাসিত বুদ্ধিমত্তাকে নতুনভাবে সংজ্ঞায়িত করছে ]
কেন ফিজিক্যাল এআই অ্যানোটেশন একটি ভিন্ন শাখা
[আরও পড়ুন: হিউম্যানয়েড রোবটের জন্য মাল্টিমোডাল ডেটা ]
উপসংহার — হার্ডওয়্যার চক্রটি সম্পূর্ণ করে; ডেটা এটি শুরু করে।
উন্নত গ্রিপার, ট্যাকটাইল স্কিন এবং ফোর্স সেন্সর হলো প্রকৃত অগ্রগতি। এগুলোর কোনোটিই মাল্টিমোডাল, সিনক্রোনাইজড এবং বিশদভাবে টীকাযুক্ত ডেটাসেটের প্রয়োজনীয়তা দূর করে না, যা একটি মডেলকে শেখায় যে প্রাসঙ্গিকভাবে ওই সংকেতগুলোর অর্থ কী। যে সংস্থাগুলো ফিজিক্যাল এআই ডেমো এবং ফিজিক্যাল এআই ডেপ্লয়মেন্টের মধ্যেকার ব্যবধান কমিয়ে আনছে, তারাই ডেটাকে প্রথম শ্রেণীর পরিকাঠামো হিসেবে বিবেচনা করছে — সচেতনভাবে ডেটা সংগ্রহ করছে, নির্দিষ্ট ক্ষেত্রের কঠোরতা দিয়ে তাতে টীকা যোগ করছে এবং অপারেশনাল ডেটাকে একটি স্থায়ী চক্র হিসেবে প্রশিক্ষণে ফিরিয়ে দিচ্ছে। হার্ডওয়্যার ‘অনুভব-সিদ্ধান্ত-কার্য-অভিযোজন’ চক্রটি সম্পূর্ণ করে। প্রশিক্ষণ ডেটাই এটি শুরু করে।
ফিজিক্যাল এআই প্রশিক্ষণ ডেটা সাধারণ এআই প্রশিক্ষণ ডেটা থেকে কীভাবে আলাদা?
এটি বহুমাধ্যমীয়, সময়-সমন্বিত এবং বাস্তব বা দূরনিয়ন্ত্রিত শারীরিক মিথস্ক্রিয়া থেকে সংগৃহীত। সাধারণ এআই প্রশিক্ষণ ডেটা সাধারণত একসাথে অনেকখানি সংগ্রহ করা টেক্সট বা ছবি হয়ে থাকে। ভৌত এআই প্রশিক্ষণ ডেটাতে বস্তু ও পরিবেশের সাথে প্রকৃত সংস্পর্শের সময় রেকর্ড করা সেন্সর স্ট্রিম—যেমন দৃষ্টি, গভীরতা, স্পর্শ, বল, প্রোপ্রিওসেপশন—অন্তর্ভুক্ত থাকতে হয়।
যেসব রোবট জিনিসপত্র নাড়াচাড়া করে, তাদের জন্য দৃষ্টিশক্তির তথ্য কেন যথেষ্ট নয়?
ক্যামেরা একটি রোবটকে বলতে পারে কোনো বস্তু দেখতে কেমন, কিন্তু বলের প্রভাবে সেটি কীভাবে প্রতিক্রিয়া করে, তার আঁকড়ে ধরার ক্ষমতা পিছলে যাচ্ছে কি না, বা চাপে কোনো বস্তু কীভাবে বিকৃত হয়—তা বলতে পারে না। বস্তু চালনা বা নাড়াচাড়া করা একটি স্পর্শজনিত সমস্যা। প্রশিক্ষণ সেটে স্পর্শ ও বল সংক্রান্ত তথ্য না থাকলে, সংস্পর্শের সময় মডেলটির মানিয়ে নেওয়ার কোনো ভিত্তি থাকে না।
স্পর্শ ও সংস্পর্শ-সমৃদ্ধ ডেটাসেটগুলো এত দুর্লভ কেন?
ইন্টারনেটের ছবির মতো নয়, প্রতিটি স্পর্শযোগ্য ডেটা পয়েন্টের জন্য একটি শারীরিক মিথস্ক্রিয়া প্রয়োজন হয় — কোনো রোবট বা মানুষের দ্বারা কোনো কিছুকে বাস্তবে স্পর্শ করা, ধরা বা নাড়াচাড়া করা। এর ফলে ডেটা সংগ্রহ প্রক্রিয়া ধীর, ব্যয়বহুল এবং রিগ ক্যালিব্রেশনের প্রতি সংবেদনশীল হয়ে পড়ে, তাই বৃহৎ আকারের পাবলিক ডেটাসেট বিরল।
কৃত্রিম ডেটা এবং সিমুলেশন কি বাস্তব জগতের মাল্টিমোডাল ক্যাপচারের বিকল্প হতে পারে?
সিমুলেশন মূল্যবান, বিশেষ করে বিরল বা বিপজ্জনক পরিস্থিতির জন্য, কিন্তু সংস্পর্শ গতিবিদ্যা, উপাদানের নমনীয়তা এবং সেন্সর নয়েজের ক্ষেত্রে সিমুলেশন ও বাস্তবের মধ্যে উল্লেখযোগ্য ব্যবধান থেকে যায়। সবচেয়ে শক্তিশালী ফিজিক্যাল এআই প্রশিক্ষণ পাইপলাইনগুলো শুধুমাত্র কোনো একটির ওপর নির্ভর না করে সিন্থেটিক ও বাস্তব ডেটা উভয়কেই একত্রিত করে।
একটি ফিজিক্যাল এআই টিমের ডেটাসেট যদি প্রধানত ভিশন-ভিত্তিক হয়, তাহলে তাদের কোথা থেকে শুরু করা উচিত?
দুটি জায়গায়। প্রথমত, শনাক্ত করুন কোন উৎপাদনগত ত্রুটিগুলো স্পর্শ-জনিত — যেমন পিছলে যাওয়া, বিকৃতি, বা অসামঞ্জস্য — কারণ শুধুমাত্র ডেটার মাধ্যমেই এই ত্রুটিগুলো সমাধান করা সম্ভব। দ্বিতীয়ত, একটি লক্ষ্যভিত্তিক ডেটা সংগ্রহ কার্যক্রমের পরিকল্পনা করুন, যা একবারে সম্পূর্ণ ডেটাসেট পুনর্গঠনের চেষ্টা না করে, বরং সেই নির্দিষ্ট কাজগুলোতে অনুপস্থিত সংবেদী অনুভূতিগুলো (স্পর্শ, বল, এবং অঙ্গ-প্রত্যঙ্গের অবস্থান) যোগ করবে যেখানে এটি উল্লেখযোগ্য পরিবর্তন আনবে।
