ಡಿಜಿಟಲ್-ಮಾತ್ರದ AI ಯುಗವು ವಿಕಸನಗೊಳ್ಳುತ್ತಿದೆ, ಏಕೆಂದರೆ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ಸಾಫ್ಟ್‌ವೇರ್ ಬುದ್ಧಿವಂತಿಕೆ ಮತ್ತು ಭೌತಿಕ ಕಾರ್ಯನಿರ್ವಹಣೆಯ ನಡುವಿನ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿವೆ. ಮಾಜಿ Meta AI ಸಂಶೋಧಕರಿಂದ ಸ್ಥಾಪಿಸಲ್ಪಟ್ಟ ಹೊಸ ಉದ್ಯಮವಾದ Perceptron, ಯಂತ್ರಗಳು ನೈಜ ಪ್ರಪಂಚದಲ್ಲಿ ಸಂಚರಿಸಲು ಮತ್ತು ಸಂವಹನ ನಡೆಸಲು ಸಹಾಯ ಮಾಡುವ ಫ್ರಾಂಟಿಯರ್ ವಿಷನ್ ಮಾಡೆಲ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮೂಲಕ ಈ ಬದಲಾವಣೆಯ ನೇತೃತ್ವ ವಹಿಸುತ್ತಿದೆ.

ಬೈನರಿಯನ್ನು ಮುರಿಯುವುದು: ಜನರಲಿಸ್ಟ್ ವರ್ಸಸ್ ನ್ಯಾರೋ ಮಾಡೆಲ್‌ಗಳು

ವರ್ಷोंಗಳಿಂದ, ಕೈಗಾರಿಕಾ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆಯು (industrial automation) ತಾಂತ್ರಿಕ ಬಿಕ್ಕಟ್ಟಿನಲ್ಲಿ ಸಿಲುಕಿಕೊಂಡಿದೆ. ಡೆವಲಪರ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿ ಇನ್‌ಸ್ಟೆನ್ಸ್‌ಗಾಗಿ ದುಬಾರಿ, ಮೀಸಲಾದ ಕ್ಲೌಡ್ GPUಗಳನ್ನು ಬಯಸುವ ಬೃಹತ್, ಜನರಲಿಸ್ಟ್ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್‌ಗಳು ಅಥವಾ ಕೇವಲ ಪರ್ಸೆಪ್ಷನ್ ಅಥವಾ ಕಂಟ್ರೋಲ್ ಅನ್ನು ನಿರ್ವಹಿಸಬಲ್ಲ, ಆದರೆ ಎರಡನ್ನೂ ಮಾಡುವ ಸಾಮರ್ಥ್ಯವಿಲ್ಲದ ನ್ಯಾರೋ, ವಿಶೇಷ ಮಾಡೆಲ್‌ಗಳ ನಡುವೆ ಒಂದನ್ನು ಆರಿಸಿಕೊಳ್ಳಬೇಕಾಗುತ್ತಿತ್ತು.

Perceptron ನ ಸಹ-ಸಂಸ್ಥಾಪಕರಾದ Armen Aghajanyan ಮತ್ತು Akshat Shrivastava—ಇಬ್ಬರೂ Meta ನ Fundamental AI Research (FAIR) ವಿಭಾಗದ ಹಳೆಯ ವಿದ್ಯಾರ್ಥಿಗಳು—ತಮ್ಮ ಹೊಸ ಮಾಡೆಲ್ Isaac 0.5 ಮೂಲಕ ಇದನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ. ಏಕೈಕ, ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಾಫ್ಟ್‌ವೇರ್‌ಗಳಿಗ Unlike, Isaac 0.5 ಒಂದು ಜನರಲ್-ಪರ್ಪಸ್ ಮಾಡೆಲ್ ಆಗಿದೆ. ಇದು ರೋಬೋಟ್‌ಗಳಿಗೆ "ಗ್ರಹಿಸು, ತರ್ಕಿಸು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸು" (perceive, reason, and act) ಸಾಮರ್ಥ್ಯವನ್ನು ನೀಡುತ್ತದೆ, ಇದರಿಂದ ಅವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಚಲನೆಗೆ ಸೀಮಿತವಾಗದೆ ವಿವಿಧ ಪರಿಸರಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಭೌತಿಕ ಬುದ್ಧಿವಂತಿಕೆಯ ಕಾರ್ಯವಿಧಾನಗಳು

Perceptron ನ ವಿಧಾನದ ಸಂಕೀರ್ಣತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ವಿಂಗಡಿಸುವಂತಹ ಸಾಮಾನ್ಯ ಗೋದಾಮು ಕಾರ್ಯವನ್ನು ಗಮನಿಸಬೇಕು. ರೋಬೋಟ್ ಕೇವಲ "ಬಾಕ್ಸ್ ಅನ್ನು ಎತ್ತಿಕೊಳ್ಳಲು" ಸಾಧ್ಯವಿಲ್ಲ; ಅದು ಮೊದಲು ಲೇಬಲ್‌ಗಳನ್ನು ಓದಬೇಕು, ತನ್ನ ಸುತ್ತಮುತ್ತಲಿನ ಪರಿಸರವನ್ನು ನಕ್ಷೆ ಮಾಡಲು ಸ್ಪೇಷಿಯಲ್ ಅನಾಲಿಸಿಸ್ ಮಾಡಬೇಕು, ಅತ್ಯುತ್ತಮವಾದ ಪಿಕಿಂಗ್ ಕ್ರಮವನ್ನು ನಿರ್ಧರಿಸಬೇಕು ಮತ್ತು ತನ್ನ ಭೌತಿಕ ಹಾದಿಯನ್ನು (trajectory) ಯೋಜಿಸಬೇಕು.

Isaac 0.5 ಈ ಬಹು-ಹಂತದ ಜ್ಞಾನಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ವಿವಿಧ ಸೆಟ್ಟಿಂಗ್‌ಗಳು ಮತ್ತು ಸನ್ನಿವೇಶಗಳನ್ನು ಗುರುತಿಸಲು ಈ ಮಾಡೆಲ್ ಅನ್ನು ಒಂದು ಮಿಲಿಯನ್ ಗಂಟೆಗಳ ಸಾಮಾನ್ಯ ವೀಡಿಯೊ ಡೇಟಾವನ್ನು ಬಳಸಿ ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿ ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ. ಭೌತಿಕ ಚಾತುರ್ಯವನ್ನು (physical dexterity) ಸಾಧಿಸಲು, ಕಂಪನಿಯು "ego video" (ಧರಿಸಬಹುದಾದ ಕ್ಯಾಮೆರಾಗಳಿಂದ ಮೊದಲ ವ್ಯಕ್ತಿಯ ದೃಷ್ಟಿಕೋನ) ಮತ್ತು UMI ವೀಡಿಯೊಗಳನ್ನು ಬಳಸಿದೆ. ಚಲನೆಯು ಹೇಗೆ ಕಾರ್ಯ ಪೂರ್ಣಗೊಳಿಸುವಿಕೆಗೆ ಪೂರಕವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು AI ಗೆ ಕಲಿಸಲು ಇದು ಸಹಕಾರಿಯಾಗಿದೆ. ಈ ಮಟ್ಟದ "ಅಲ್ಗಾರಿದಮಿಕ್ ಅಲ್ಕೆಮಿ" (algorithmic alchemy) ಸಾಧಿಸಲು ಕಂಪನಿಯು ಚಿತ್ರಗಳು, ಪಠ್ಯ, ವೀಡಿಯೊ ಮತ್ತು ರೋಬೋಟಿಕ್ ಟ್ರ್ಯಾಜೆಕ್ಟರಿಗಳನ್ನು ಒಳಗೊಂಡ ಪೆಟಾಬೈಟ್-ಸ್ಕೇಲ್ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಿದೆ ಎಂದು Shrivastava ತಿಳಿಸಿದ್ದಾರೆ.

ಓಪನ್-ವೇಟ್ ಕಾರ್ಯತಂತ್ರ ಮತ್ತು ಮಾರುಕಟ್ಟೆ ವಿಸ್ತರಣೆ

ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಡೆವಲಪರ್‌ಗಳ ಅಳವಡಿಕೆಯನ್ನು ಉತ್ತೇಜಿಸುವ ಕ್ರಮವಾಗಿ, Perceptron ತನ್ನ Isaac 0.5 ಅನ್ನು ಓಪನ್-ವೇಟ್ ಮಾಡೆಲ್ ಆಗಿ ಬಿಡುಗಡೆ ಮಾಡುತ್ತಿದೆ. ಇದು ಸಂಶೋಧಕರು ಮತ್ತು ಎಂಜಿನಿಯರ್‌ಗಳು ಅದರ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು ಮತ್ತು ತರಬೇತಿ ಸಾಮಗ್ರಿಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಮುನ್ಸೂಚನೆ (predictability) ಅತ್ಯಗತ್ಯವಾಗಿರುವ ಉನ್ನತ ಮಟ್ಟದ ಕೈಗಾರಿಕಾ ಪರಿಸರಗಳಲ್ಲಿ AI ಅನ್ನು ಸಂಯೋಜಿಸಲು ಇದು ನಿರ್ಣಾಯಕ ಹಂತವಾಗಿದೆ.

Bessemer Venture Partners ನೇತೃತ್ವದ $21 ಮಿಲಿಯನ್ ಹಣಕಾಸಿನ ನೆರವಿನೊಂದಿಗೆ, Perceptron ತನ್ನನ್ನು ವಿವಿಧ ವಲಯಗಳ ಬುದ್ಧಿವಂತಿಕೆಯ ಪದರವಾಗಿಯಾಗಿ (intelligence layer) ರೂಪಿಸಿಕೊಳ್ಳುತ್ತಿದೆ. ಪ್ರಾಥಮಿಕ ಗಮನವು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಉತ್ಪಾದನೆಯ ಮೇಲಿದ್ದರೂ, ಕಂಪನಿಯು ಭದ್ರತೆ, ಮೊಬಿಲಿಟಿ ಮತ್ತು ಮಾಧ್ಯಮ ಮತ್ತು ಮನರಂಜನೆಯಲ್ಲೂ ತಕ್ಷಣದ ಅನ್ವಯಗಳನ್ನು ನೋಡುತ್ತಿದೆ. ಹೊಂದಿಕೊಳ್ಳುವ ಬುದ್ಧಿವಂತಿಕೆಯ ಪದರವನ್ನು ಒದಗಿಸುವ ಮೂಲಕ, ಜಾಗತಿಕ ಕೈಗಾರಿಕಾ ಭೂದೃಶ್ಯದಲ್ಲಿ ವಿಷನ್-ಮಾರ್ಗದರ್ಶಿತ ರೋಬೋಟ್‌ಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಬದಲಾಯಿಸುವ ಗುರಿಯನ್ನು Perceptron ಹೊಂದಿದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

  • ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು: Isaac 0.5 ಸಂಪನ್ಮೂಲ-ಭಾರಿತ ಜನರಲಿಸ್ಟ್ ಮಾಡೆಲ್‌ಗಳು ಮತ್ತು ಸೀಮಿತ ನ್ಯಾರೋ ಮಾಡೆಲ್‌ಗಳ ನಡುವಿನ ಆಯ್ಕೆಯನ್ನು ತಪ್ಪಿಸಲು ಜನರಲ್-ಪರ್ಪಸ್ "ಗ್ರಹಿಸು, ತರ್ಕಿಸು ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸು" ಚೌಕಟ್ಟನ್ನು ನೀಡುತ್ತದೆ.
  • ಬೃಹತ್ ತರಬೇತಿ ಪ್ರಮಾಣ: ರೋಬೋಟ್‌ಗಳಿಗೆ ಸಂಕೀರ್ಣವಾದ ಸ್ಪೇಷಿಯಲ್ ಮತ್ತು ಮ್ಯಾನುಯಲ್ ಕಾರ್ಯಗಳನ್ನು ಕಲಿಸಲು ಈ ಮಾಡೆಲ್ ಒಂದು ಮಿಲಿಯನ್ ಗಂಟೆಗಳ ವೀಡಿಯೊ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ.
  • ಓಪನ್-ವೇಟ್ ಸುಲಭ ಲಭ್ಯತೆ: Isaac 0.5 ಅನ್ನು ಓಪನ್ ವೇಟ್‌ನೊಂದಿಗೆ ಬಿಡುಗಡೆ ಮಾಡುವ ಮೂಲಕ, Perceptron ಕೈಗಾರಿಕಾ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ (workflows) ಫ್ರಾಂಟಿಯರ್ ವಿಷನ್ AI ಅನ್ನು ಆಳವಾಗಿ ಪರಿಶೀಲಿಸಲು ಮತ್ತು ವೇಗವಾಗಿ ಸಂಯೋಜಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

Perceptron ತನ್ನ Isaac 0.5 ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ, ಇದು ರೋಬೋಟ್‌ಗಳಿಗೆ ಏಕೀಕೃತ "ಗ್ರಹಿಸು-ತರ್ಕಿಸು-ಕಾರ್ಯನಿರ್ವಹಿಸು" ಮೆದುಳನ್ನು ನೀಡುವ ಭರವಸೆ ನೀಡುವ ಓಪನ್-ವೇಟ್ ವಿಷನ್ ಮಾಡೆಲ್ ಆಗಿದೆ. ಸ್ಟಾರ್ಟ್‌ಅಪ್ Bessemer Venture Partners ನೇತೃತ್ವದಲ್ಲಿ $21 ಮಿಲಿಯನ್ ಹಣವನ್ನು ಸಂಗ್ರಹಿಸಿದೆ ಮತ್ತು ಲಾಜಿಸ್ಟಿಕ್ಸ್, ಉತ್ಪಾದನೆ ಮತ್ತು ಇತರ ಭೌತಿಕ-ಸ್ವಯಂಚಾಲಿತ ಮಾರುಕಟ್ಟೆಗಳಿಗೆ ಡ್ರಾಪ್-ಇನ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಲೇಯರ್ ಆಗಿ ಈ ಮಾಡೆಲ್ ಅನ್ನು ಮಾರುಕಟ್ಟೆಗೆ ತರುತ್ತಿದೆ.

ಈ ಬಿಡುಗಡೆ ಏಕೆ ಮುಖ್ಯ

ಕೈಗಾರಿಕಾ ರೋಬೋಟ್‌ಗಳು ದೀರ್ಘಕಾಲದಿಂದ ಒಂದು ಕಡೆ ಲಾಭ ಪಡೆದು ಇನ್ನೊಂದು ಕಡೆ ನಷ್ಟ ಅನುಭವಿಸುವ ಸ್ಥಿತಿಯಲ್ಲಿದ್ದವು. ಬೃಹತ್, ಜನರಲ್-ಪರ್ಪಸ್ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಅನ್ನು ಬಳಸಿದರೆ ನೀವು ನಿರಂತರ ಕ್ಲೌಡ್ GPU ಪ್ರವೇಶಕ್ಕಾಗಿ ಹಣ ಪಾವತಿಸಬೇಕಾಗುತ್ತದೆ; ಅಥವಾ ಕೇವಲ ಒಂದು ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕೆ ಸೀಮಿತವಾದ ವಿಷನ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಬಳಸಿದರೆ ಪರಿಸರ ಬದಲಾದಾಗ ನಮ್ಯತೆಯನ್ನು (flexibility) ಕಳೆದುಕೊಳ್ಳುತ್ತೀರಿ. Isaac 0.5 ಅನ್ನು ಮಧ್ಯಮ ಮಾರ್ಗವಾಗಿ ಮಾರುಕಟ್ಟೆಗೆ ಪರಿಚಯಿಸಲಾಗಿದೆ—ಇದು ಪ್ರತಿ ಇನ್‌ಸ್ಟೆನ್ಸ್ ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟ್ ಅಗತ್ಯವಿಲ್ಲದೆ ಪರ್ಸೆಪ್ಷನ್, ಪ್ಲಾನಿಂಗ್ ಮತ್ತು ಕಂಟ್ರೋಲ್ ಅನ್ನು ನಿರ್ವಹಿಸಬಲ್ಲ ಮಾಡೆಲ್ ಆಗಿದೆ.

ಇಂದಿನ ರೋಬೋಟ್ ಮೆದುಳಿನ ಸಮಸ್ಯೆಗಳು

ಒಂದು ಸಾಮಾನ್ಯ ಗೋದಾಮು ರೋಬೋಟ್ ಕೇವಲ ಪೆಟ್ಟಿಗೆಯನ್ನು ಹಿಡಿಯುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಅದು ಲೇಬಲ್ ಅನ್ನು ಓದಬೇಕು, ಅವಾಂತರಗಳ ನಡುವೆ ವಸ್ತುವನ್ನು ಪತ್ತೆಹಚ್ಚಬೇಕು, ಅತ್ಯುತ್ತಮವಾದ ಪಿಕಿಂಗ್ ಸರಣಿಯನ್ನು ನಿರ್ಧರಿಸಬೇಕು ಮತ್ತು ಘರ್ಷಣೆಯಿಲ್ಲದ ಆರ್ಮ್ ಟ್ರ್ಯಾಜೆಕ್ಟರಿಯನ್ನು ಲೆಕ್ಕಹಾಕಬೇಕು—ಇವೆಲ್ಲವನ್ನೂ ನೈಜ ಸಮಯದಲ್ಲಿ ಮಾಡಬೇಕು. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಹಾರಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಈ ಹಂತಗಳನ್ನು ಪ್ರತ್ಯೇಕ ಸಾಫ್ಟ್‌ವೇರ್ ಘಟಕಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತವೆ: ಲೇಬಲ್‌ಗಾಗಿ ಲೈಟ್‌ವೇಯ್ಟ್ ಡಿಟೆಕ್ಟರ್, ಚಲನೆಗಾಗಿ ಹ್ಯಾಂಡ್‌ಕ್ರಾಫ್ಟ್ಡ್ ಪ್ಲಾನರ್ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ರೂಲ್-ಬೇಸ್ಡ್ ಕಂಟ್ರೋಲರ್. ಈ ವಿಭಜನೆಯು ಇಂಟಿಗ್ರೇಷನ್ ಓವರ್‌ಹೆಡ್ ಅನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ಮತ್ತು ಹೊಸ ಉತ್ಪನ್ನ, ಪ್ಯಾಕೇಜಿಂಗ್ ಶೈಲಿ ಅಥವಾ ವಿನ್ಯಾಸವು ಕಾಣಿಸಿಕೊಂಡಾಗ ಹೊಂದಿಕೊಳ್ಳುವ ರೋಬೋಟ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ.

Isaac 0.5 ಈ ಅಂತರವನ್ನು ಹೇಗೆ ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ

Perceptron ನ ಸಹ-ಸಂಸ್ಥಾಪಕರಾದ Armen Aghajanyan ಮತ್ತು Akshat Shrivastava, ಇಬ್ಬರೂ ಮಾಜಿ Meta FAIR ಸಂಶೋಧಕರು, Isaac 0.5 ಅನ್ನು ಏಕೈಕ, ಎಂಡ್-ಟು-ಎಂಡ್ ನೆಟ್‌ವರ್ಕ್ ಆಗಿ ನಿರ್ಮಿಸಿದ್ದಾರೆ. ಈ ಮಾಡೆಲ್ ಅನ್ನು ವೈವಿಧ್ಯಮಯ ಒಳಾಂಗಣ ಮತ್ತು ಹೊರಾಂಗಣ ದೃಶ್ಯಗಳನ್ನು ಒಳಗೊಂಡ ಅಂದಾಜು ಹತ್ತು ಲಕ್ಷ ಗಂಟೆಗಳ ಸಾಮಾನ್ಯ ವೀಡಿಯೊ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ. ಮುಖ್ಯವಾಗಿ, ತರಬೇತಿ ಸೆಟ್‌ನಲ್ಲಿ "ego video" – ಧರಿಸಬಹುದಾದ ಕ್ಯಾಮೆರಾಗಳಿಂದ ಸೆರೆಹಿಡಿಯಲಾದ ಫಸ್ಟ್-ಪರ್ಸನ್ ಫೂಟೇಜ್ – ಮತ್ತು "UMI video," ಅಂದರೆ ಪುನರಾವರ್ತಿತ ಮಾನವ ಕ್ರಿಯೆಗಳ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳು ಕೂಡ ಸೇರಿವೆ. ರೋಬೋಟ್-ಟ್ರ್ಯಾಜೆಕ್ಟರಿ ಡೇಟಾದೊಂದಿಗೆ ದೃಶ್ಯ ಸ್ಟ್ರೀಮ್‌ಗಳನ್ನು ನೆಟ್‌ವರ್ಕ್‌ಗೆ ಒದಗಿಸುವ ಮೂಲಕ, ದೃಶ್ಯ ಸಂಕೇತಗಳು (visual cues) ಭೌತಿಕ ಚಲನೆಗಳಾಗಿ ಹೇಗೆ ಬದಲಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಈ ಮಾಡೆಲ್ ಕಲಿಯುತ್ತದೆ ಎಂದು Perceptron ಪ್ರತಿಪಾದಿಸುತ್ತದೆ.

ಕಂಪನಿಯು ತನ್ನ ಡೇಟಾಸೆಟ್ ಪೆಟಾಬೈಟ್‌ಗಳಷ್ಟು ಚಿತ್ರಗಳು, ಪಠ್ಯ, ವೀಡಿಯೊ ಮತ್ತು ರೋಬೋಟಿಕ್ ಟ್ರ್ಯಾಜೆಕ್ಟರಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಈ ವ್ಯಾಪ್ತಿಯು Isaac 0.5 ಗೆ ಪ್ರತ್ಯೇಕ ಕಂಟ್ರೋಲ್ ಮಾಡ್ಯೂಲ್ ಇಲ್ಲದೆಯೇ ಹೊಸ ವಸ್ತುವನ್ನು ಗುರುತಿಸುವ, ಅದರ ಅಫೋರ್ಡನ್ಸ್‌ಗಳನ್ನು (ಅದನ್ನು ಹೇಗೆ ಹಿಡಿಯಬಹುದು ಎಂಬುದು) ಅರಿಯುವ ಮತ್ತು ಚಲನೆಯ ಯೋಜನೆಯನ್ನು (motion plan) ರೂಪಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನೀಡುವ ಉದ್ದೇಶವನ್ನು ಹೊಂದಿದೆ.

ಓಪನ್-ವೇಯ್ಟ್ ಮಾಡೆಲ್: ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕತೆಯ ಸಂಗಮ

ಕೇವಲ API ಅನ್ನು ಮಾತ್ರ ನೀಡುವ ಹೆಚ್ಚಿನ ವಾಣಿಜ್ಯ AI ಸೇವೆಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, Perceptron ತನ್ನ Isaac 0.5 ಅನ್ನು ಓಪನ್ ವೇಯ್ಟ್ಸ್‌ನೊಂದಿಗೆ ಬಿಡುಗಡೆ ಮಾಡುತ್ತಿದೆ. ಎಂಜಿನಿಯರ್‌ಗಳು ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಬಹುದು, ಸ್ವಂತ ಡೇಟಾದ ಮೇಲೆ ನೆಟ್‌ವರ್ಕ್ ಅನ್ನು ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಬಹುದು ಅಥವಾ ಮಾಡೆಲ್ ಅನ್ನು ನೇರವಾಗಿ ಎಡ್ಜ್ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಅಳವಡಿಸಬಹುದು.