100 ரோபோக்கள் சேர்ந்தா தானா கத்துக்குமா? புது AI Fleet ரிசர்ச் சொல்வது என்ன?

Collective Experience Learning அப்படின்னா என்ன?#

தீபாவளி விற்பனை சமயத்தில் ஒரு பெரிய ஆன்லைன் டெலிவரி ஹப்பில் ஐம்பது புதிய டெலிவரி ரைடர்கள் வேலைக்குச் சேர்வதாக யோசித்துப் பாருங்கள். அதில் நான்காவது ரைடர் ஒரு புது பாலத்துக்குப் பக்கத்தில் போய் டெட்-எண்டில் மாட்டிக் கொள்கிறார். இப்போது அந்த ஐம்பது பேருமே அதே இடத்துக்குப் போய் முட்டி மோதித் திரும்ப வேண்டுமா என்ன? நிஜ வாழ்க்கையில் நாம் அப்படிச் செய்வதில்லை. மாட்டிக்கொண்ட அந்த நபர் உடனே வாட்ஸ்அப் குரூப்பில் ஒரு வாய்ஸ் நோட் போடுவார்; "அந்தத் தெருவுல போகாதீங்க, வேலை நடக்குது" என்று சொல்லிவிடுவார். உடனே மற்ற 49 பேரும் அந்தப் பாதையைத் தவிர்த்துவிடுவார்கள். ஒருவரின் அனுபவம் மொத்த டீமுக்குமே பாடமாகி விடுகிறது.

ஆனால் ஃபேக்டரிகளில் வேலை செய்யும் ரோபோக்களுக்கு இதுவரை இந்த வசதி கிடைக்கவில்லை. ஒரு அசெம்பிளி லைனில் இருக்கும் ரோபோடிக் கை ஒரு பொருளைக் கீழே தவறவிட்டால், உடனே ஒரு இன்ஜினியர் வர வேண்டும். அவர் மானிட்டர் முன்னாடி உட்கார்ந்து, ஜாய்ஸ்டிக் அல்லது ரிமோட் மூலமாக அந்த ரோபோ கையை இயக்கி (Teleoperation) அதைச் சரிசெய்ய வேண்டும். இதை லேபில் இருக்கும் இரண்டு ரோபோக்களுக்குச் செய்துவிடலாம். ஆனால் நூற்றுக்கணக்கான ரோபோக்கள் இயங்கும் பெரிய கிடங்குகளில் இது சாத்தியமே இல்லை.

இந்தச் சிக்கலுக்குத் தீர்வாகத்தான் 'Learning from Fleet Experience: A Collective Learning Paradigm for Robots' என்ற தலைப்பில் புதிய ஆய்வுத்தாள் ஒன்று வெளியாகியுள்ளது. இதில் ஆராய்ச்சியாளர்கள் அறிமுகப்படுத்திய முறைதான் Collective Experience Learning (சுருக்கமாக CEL). அதாவது, களத்தில் இயங்கும் ரோபோக்கள் தங்களின் தினசரி அனுபவங்களை ஒரு பொதுவான நினைவகத்தில் சேர்த்து வைத்து, மனிதர்களின் நேரடி உதவி இல்லாமலேயே மொத்த ஃபீல்டையும் அப்டேட் செய்துகொள்ளும் ஒரு கூட்டு AI முறை.

இந்த சிஸ்டம் தவறுகளை எப்படித் தானாகவே சரிசெய்கிறது?#

ரோபோக்கள் தாமாகவே கத்துக்க வேண்டும் என்றால், அதற்குப் பின்னால் ஒரு நேர்த்தியான மெக்கானிசம் தேவைப்படுகிறது. இந்த ஆய்வில் ஆராய்ச்சியாளர்கள் இரண்டு முக்கிய உத்திகளைப் பயன்படுத்துகின்றனர். முதலாவது, FERT (Failure-guided Experience Retrieval Fine-Tuning).

உதாரணத்துக்கு, ஒரு மொபைல் பாக்ஸின் மூடியை மடிக்கும்போது ஒரு ரோபோ கை தடுமாறி விடுகிறது என்று வைத்துக்கொள்வோம். அந்த நொடியில் FERT என்ன செய்யும் என்றால், எந்தச் சூழலில் தவறு நடந்தது என்ற context-ஐ உடனடியாகப் பதிவு செய்துகொள்ளும். பிறகு, கிளவுடில் இருக்கும் ஒட்டுமொத்த ரோபோக்களின் டேட்டாவைத் தேடி, இதே சூழலில் இன்னொரு ரோபோ எப்படி வெற்றிகரமாக அந்த மூடியை மடித்தது என்ற சரியான அசைவை (Trajectory) மட்டும் மீட்டெடுக்கும்.

அந்த வெற்றிகரமான அசைவை மட்டுமே மேற்பார்வை டேட்டாவாக (Supervision) எடுத்துக்கொண்டு, தன் பாலிசியை அப்டேட் செய்துகொள்ளும். இதற்கு எந்த ஒரு மனிதரும் வந்து ரோபோவைக் கையால் இயக்கி டெமோ காட்ட வேண்டிய அவசியமே இல்லை.

இரண்டாவது அம்சம், FATS (Fault-tolerant Asynchronous Training System). ஃபேக்டரிகளில் எல்லா நாளும் இணையம் சரியாக இருக்கும் என்று சொல்ல முடியாது. ஒரு மெஷின் பழுதாகலாம், ஒரு ரோபோவின் நெட்வொர்க் கட் ஆகலாம். அப்படி நடக்கும்போது மொத்த ட்ரெய்னிங்கும் நின்றுவிடக் கூடாது அல்லவா? இந்த FATS சிஸ்டம் என்ன செய்யும் என்றால், எந்தெந்த மெஷின்கள் ஆக்டிவாக இருக்கிறதோ அவற்றின் அனுபவங்களை மட்டும் ஒருங்கிணைத்து, பாலிசியை ஆப்டிமைஸ் செய்து, மீண்டும் எல்லா ரோபோக்களுக்கும் தடையின்றிப் பகிர்ந்துவிடும்.

ஆராய்ச்சி முடிவுகள் உண்மையிலேயே என்ன சொல்கிறது?#

ஹக்கிங் ஃபேஸ் தளத்தில் அதிகக் கவனம் பெற்றுள்ள இந்த ஆய்வின் முழு விவரங்களை https://huggingface.co/papers/2610.25736 பக்கத்தில் பார்க்கலாம். ஆராய்ச்சியாளர்கள் ஆய்வகத்தில் சும்மா சிமுலேஷன் மட்டும் செய்து பார்க்காமல், நிஜ உலக வேலைகளில் இதைச் சோதித்துள்ளனர்.

ஐந்து விதமான நிஜ உலக மேனிபுலேஷன் டாஸ்க்குகளில் இந்த முறையை டெஸ்ட் செய்துள்ளனர். ட்ரெய்னிங் டேட்டாவில் சேர்க்கப்படாத முற்றிலும் புதிய ரோபோக்களை வைத்து, ஒவ்வொரு டாஸ்க்கிற்கும் 120 சோதனைகள் வீதம் நடத்தப்பட்டது. இந்தச் சோதனைகளில் ரோபோ பாலிசிகள் 93.3% முதல் 99.2% வரை வெற்றி விகிதத்தை எட்டியுள்ளதாக ஆய்வறிக்கை குறிப்பிடுகிறது.

ரோபோக்களின் எண்ணிக்கை அதிகரிக்க அதிகரிக்க இந்த சிஸ்டத்தின் கற்கும் திறனும் எகிறுகிறது. குறிப்பாக, பல கட்டங்களைக் கொண்ட ஸ்மார்ட்போன் பேக்கிங் (Multi-stage phone packaging) பணியில் 96 ரோபோக்களை வைத்து இயக்கியபோது, தொடக்கத்தில் 79.2% ஆக இருந்த வெற்றி விகிதம், அனுபவப் பகிர்வுக்குப் பிறகு 98.3% ஆக உயர்ந்திருக்கிறது.

அதாவது, ஒரு ரோபோவுக்குச் செலவழிக்கும் நேரம் அதே அளவில் இருந்தாலும், ரோபோக்களின் எண்ணிக்கை (Fleet size) பெரிதாகும் போது, கிடைக்கக்கூடிய அனுபவ டேட்டா பெருகி சிஸ்டம் அதிவேகமாகத் தன்னைத்தானே மெருகேற்றிக் கொள்கிறது என்பது இந்த ஆராய்ச்சியின் தெளிவான சான்றாகும்.

இந்திய டெவலப்பர்களுக்கு இதனால் என்ன லாபம்?#

இந்தியாவில் உற்பத்தி மற்றும் லாஜிஸ்டிக்ஸ் துறைகள் அசுர வேகத்தில் வளர்ந்து வருகின்றன. ஸ்ரீபெரும்புதூர் எலக்ட்ரானிக்ஸ் காரிடார் முதல் நொய்டா, பெங்களூரு வரை ஸ்மார்ட்போன் அசெம்பிளி மற்றும் ஆட்டோமேஷன் யூனிட்டுகள் விரிவடைந்து வருகின்றன. இன்னொரு பக்கம் ஃபிளிப்கார்ட், பிளிங்கிட் போன்ற நிறுவனங்களின் பிரம்மாண்ட கிடங்குகள் இயங்கி வருகின்றன.

இன்று ஒரு இந்திய ரோபோட்டிக்ஸ் ஸ்டார்ட்-அப் ஒரு கிடங்கில் 50 தானியங்கி ரோபோக்களை இறக்க நினைத்தால், அவர்கள் சந்திக்கும் மிகப்பெரிய சவால் மெயின்டனன்ஸ் தான். ஒவ்வொரு ரோபோவும் ஒரு மூலையில் தடுமாறும் போதும், அதை மானிட்டர் செய்யத் தனியாக மனிதர்களை ஷிப்ட் முறையில் உட்கார வைப்பது கடுமையான செலவை இழுத்துவிடும்.

இந்த CEL மற்றும் FERT அணுகுமுறை இந்திய ரோபோட்டிக்ஸ் இன்ஜினியர்களுக்கு ஒரு புதிய பாதையைக் காட்டுகிறது. ஜீரோ-லெவல் மனித தலையீட்டில், ஒரு பொதுவான ஃபவுண்டேஷன் மாடலை பல ரோபோக்களுக்குப் பகிர்ந்து, தங்களுக்குள் அனுபவங்களை மாற்றிப் பிழை திருத்தும் அல்காரிதம்களை உருவாக்க இது வழிகோலுகிறது. ROS (Robot Operating System) மற்றும் Reinforcement Learning துறையில் பணியாற்றும் இந்திய மாணவர்களுக்கும் இது ஒரு சிறந்த ஆய்வுப் புலம்.

இதில் இருக்கும் நடைமுறை சிக்கல்கள் என்ன?#

இது கேட்பதற்கு மிகவும் பிரமிப்பாக இருந்தாலும், நாம் சில எதார்த்தங்களைப் புரிந்துகொள்ள வேண்டும். இது இப்போதைக்கு ஒரு ஆரம்பக்கட்ட ஆராய்ச்சிப் பேப்பர் மட்டுமே. உடனே நாளைக்கே தொழிற்சாலைகளில் இருக்கும் ரோபோக்களில் இந்த சாஃப்ட்வேர் வந்துவிடாது.

ரோபோக்களின் ஹார்டுவேர் ஒரே மாதிரி இல்லாமல் லேசான தேய்மானம் அல்லது கேமரா லென்ஸ் தூசு போன்ற வேறுபாடுகள் இருக்கும்போது, ஒரு ரோபோவின் சரியான அசைவு இன்னொரு ரோபோவுக்கு 100% அப்படியே பொருந்துமா என்பது களத்தில் பார்க்க வேண்டிய விஷயம். அதேபோல் பல நூறு ரோபோக்களின் விடியோ மற்றும் சென்சார் தகவல்களை ஒரே டேட்டாபேஸில் சேர்த்து FERT மூலம் நொடிப் பொழுதில் தேடி எடுப்பது நெட்வொர்க் பேண்ட்விட்த் சார்ந்த சவால்களைக் கொண்டுள்ளது.

ஆனாலும் கூட, ஆட்டோமேஷன் உலகில் 'மனிதர்கள் வந்து சரிசெய்வார்கள்' என்ற பழைய நிலையை மாற்றி, 'ரோபோக்களின் சமூகமே தங்களுக்குள் கற்றுக் கொள்ளும்' என்ற இந்த சிஸ்டம் நிச்சயம் அடுத்தகட்ட நகர்வு என்பதில் சந்தேகமில்லை.

அடுத்து நாம் கவனிக்க வேண்டிய விஷயங்கள் என்ன?#

ரோபோட்டிக்ஸ் மற்றும் ஏஐ துறையில் ஆர்வம் உள்ள இந்தியக் கல்லூரி மாணவர்களும் இளம் டெவலப்பர்களும் இந்த ஆய்விலிருந்து கவனிக்க வேண்டிய மிக முக்கியமான விஷயம் ஒன்று இருக்கிறது. இனி வரும் காலங்களில் வெறும் ரோபோட்டிக் ஹார்டுவேர் பாகங்களை அசெம்பிளி செய்வது மட்டுமே பெரிய வேலையாக இருக்காது; கிளவுட் நெட்வொர்க், டேட்டாபேஸ் மற்றும் டிஸ்ட்ரிப்யூட்டட் சிஸ்டம்ஸ் (Distributed Systems) கட்டமைக்கும் மென்பொருள் அறிவும் ரோபோட்டிக்ஸுக்கு மிக அவசியமாக மாறும். உதாரணமாக, தமிழ்நாட்டின் ஆட்டோமொபைல் உதிரிபாக ஃபேக்டரிகளில் நூற்றுக்கணக்கான ரோபோக்கள் ஒரே நேரத்தில் இயங்கும்போது, நெட்வொர்க் டிராஃபிக் ஸ்தம்பிக்காமல் எப்படி அசிங்க்ரோனஸ் முறையில் (Asynchronous update) தகவல்களைப் பரிமாறிக் கொள்வது என்ற சிஸ்டம் ஆர்க்கிடெக்சர் தெரிந்த இன்ஜினியர்களுக்குத்தான் எதிர்காலத்தில் அதிக வாய்ப்புகள் உருவாகும்.

அதேபோல், இந்த கூட்டு கற்றல் தொழில்நுட்பம் அடுத்தகட்டமாக ஓபன்-சோர்ஸ் ஃபிரேம்வொர்க்குகளில் எப்போது நேரடியாகக் கிடைக்கிறது என்பதைத் தொடர்ந்து நாம் கண்காணிக்க வேண்டும். தற்போது இன்ஜினியர்கள் பரவலாகப் பயன்படுத்தும் Robot Operating System (ROS 2) மற்றும் Reinforcement Learning லைப்ரரிகளுடன் இது போன்ற ஃபெயிலியர் ரிட்ரீவல் அல்காரிதம்கள் இணையும்போதுதான், நம் ஊர் சிறு ஸ்டார்ட்-அப்களாலும் இதை நிஜத் தயாரிப்புகளில் சுலபமாகச் செயல்படுத்த முடியும். ஸ்ரீபெரும்புதூர், ஒசூர் போன்ற தொழில்நகரங்களின் உற்பத்திக் கூடங்கள் முதல் சென்னை போன்ற பெருநகரங்களின் டெலிவரி கிடங்குகள் வரை ஆட்டோமேஷன் பரவி வரும் சூழலில், இந்தத் துறையில் கால்பதிக்க விரும்பும் மாணவர்கள் வெறும் கோடிங் மட்டுமின்றி மெஷின்களின் நிஜ உலக பிழைகளைக் கையாளும் அல்காரிதம்களை இப்போதிருந்தே படித்துத் தயாராவது நல்லது.