Після 10+ років навчання роботам, від моєї докторської дисертації в Imperial до Берклі до створення Dyson Robot Learning Lab, мене продовжувало охоплювати одне розчарування: Чому я маю перебудовувати одну й ту саму інфраструктуру знову і знову? Закономірність, яку я постійно бачив: • Старт нової команди робототехніків • Витрачає 6 місяців на побудову конвеєра збору даних • Витрачає ще 3 місяці на налагодження проблем синхронізації • Нарешті починає збирати дані для конкретних завдань • Усвідомлює, що їх вибір інфраструктури обмежує їх гнучкість • Починається спочатку У цьому і полягає вся суть навчання роботів: навчання роботів в основному керується даними. Незалежно від того, збираєте ви полуницю чи збираєте електроніку, основні потреби інфраструктури ідентичні. Власне, саме тому я так зацікавився робототехнікою на основі даних понад десять років тому. Вам завжди потрібно: • Синхронізація даних з декількома датчиками на різних частотах • Гнучке сховище, яке працює з алгоритмами майбутнього • Інструменти візуалізації для розуміння ваших даних • Можливість експериментувати з різними часовими дозволами • Надійне ведення журналів, яке фіксує все, що вам може знадобитися пізніше Тенденція до штучного інтелекту в робототехніці зростає, і роботам потрібно обробляти та аналізувати великі обсяги даних датчиків, щоб керувати мінливістю та непередбачуваністю в реальних умовах. Але кожна команда будує це з нуля. Уявіть, якби кожному веб-розробнику довелося створити власну базу даних, веб-сервер і конвеєр розгортання, перш ніж написати свій перший рядок коду програми. Ось чому я заснував компанію Neuracore. Замість того, щоб кожна команда робототехніків витрачала місяці на інфраструктуру, ми надаємо загальні інструменти, які дозволяють вам перейти від «у мене є робот» до «я відправляю розумну поведінку робота» за дні, а не місяці....