Beyin Dalgaları, Fiziksel Yapay Zekanın Geleceğini Şekillendirebilir

Fiziksel Yapay Zeka İçin Veri Kıtlığı

Büyük dil modelleri (LLM'ler), internetin devasa metin havuzundan beslenerek doğal dil işlemede çığır açtı. Ancak fiziksel yapay zeka (physical AI) bu lükse sahip değil. Robotların nesneleri kavrama, yönlendirme ve manipüle etme gibi becerileri öğrenebilmesi için gerçek dünya verilerine ihtiyaç var. Bu veriler, internetten kazınabilecek metinler gibi hazır değil; özel olarak üretilmeleri gerekiyor. Encord gibi şirketler, bu veri kıtlığını çözmek için yeni yöntemler geliştiriyor. Bunlardan biri de insan beyninin elektriksel aktivitelerini ölçen beyin dalgası sensörleri. Encord'un robot öğrenme başkanı Vineeth Velmurugan, fiziksel yapay zeka modellerini eğitmek için YouTube'un video külliyatının yaklaşık beş katı büyüklüğünde bir veri seti gerektiğini söylüyor. Bu ölçek, veri üretimini bir araştırma sorunu olmaktan çıkarıp başlı başına bir iş koluna dönüştürüyor.

Beyin Dalgaları Nasıl Kullanılıyor?

Encord, Kaliforniya'daki San Leandro deposunda robot eğitim verileri toplamak için insan operatörler kullanıyor. Operatörler, Jenga oynarken veya kahve fincanlarına su doldururken kask benzeri bir başlık takıyor. Bu başlık, hem operatörün ne gördüğünü kaydeden bir kamera hem de beyin dalgalarını ölçen sensörler içeriyor. Alman girişimi Zander Labs tarafından geliştirilen bu sensörler, operatörün hata yaptığında, bir niyeti olduğunda veya şaşırdığında beyin aktivitesindeki değişimleri tespit ediyor. Zander nörobilimcisi Lucas Gehrke, belirli bir görev sırasında kullanılan beyin aktivitesi miktarının, model geliştiricilere en yüksek çabayı gerektiren modelleri ne zaman devreye sokmaları gerektiği konusunda ipuçları verdiğini belirtiyor. Bu veriler, robot modellerine hangi anlarda daha fazla dikkat edilmesi gerektiğini öğretmek için kullanılabiliyor. Örneğin, bir robot bir cıvatayı sıkarken, beyin dalgası verileri sayesinde hangi hareketlerin kritik olduğunu anlayabiliyor. Encord'un bu çalışması henüz deneme aşamasında; şirket, beyin dalgası etiketli bir veri seti oluşturup bunu müşteri robotik modellerinde test ederek performansı artırıp artırmadığını değerlendirecek.

Veri Üretiminin Ekonomisi ve Yöntemleri

Encord, veri üretimini iki ana yöntemle gerçekleştiriyor. Birincisi, fabrikalarda çalışan işçilerin kameralı başlıklar takarak 'egosentrik' (kişinin kendi bakış açısından) video kaydetmesi. Bu yöntemle dünya çapında birçok fabrikadan veri toplanıyor. İkincisi ise, uzaktan kumanda edilen robot kolları kullanarak veri toplamak. Encord'un tesisinde, insan operatörler lider-takipçi robot kollarıyla kahve doldurma, fiş takma gibi görevleri yerine getiriyor. Bu veriler, etiketlenerek (örneğin 'sağ el cıvatayı sıkar') LLM tabanlı modellerin anlayabileceği hale getiriliyor. Velmurugan, bu yoğun etiketlemenin, ham egosentrik verilere göre 100 kat daha değerli olduğunu, ancak maliyetinin de 20 kat daha fazla olduğunu belirtiyor. Ayrıca, kol kaslarındaki elektrik sinyallerini ölçen sensörler de geliştiriliyor. Bu sensörler, ellerin 3 boyutlu bir modelini oluşturarak robotların insan el hareketlerini daha iyi anlamasına yardımcı olabilir. Encord ayrıca, her insansı robot şirketinin talep ettiği belirli becerilere yönelik veri setleri de oluşturuyor.

Sektördeki Yansımalar ve Gelecek

Encord, birçok robotik şirketiyle çalıştığı için hangi veri tekniklerinin sektörde öne çıktığını görebiliyor. Bu avantaj, şirketin müşterilerine daha iyi çözümler sunmasını sağlıyor. Beyin dalgası teknolojisi henüz deneme aşamasında; Encord, bu verilerin robot modellerinin performansını gerçekten artırıp artırmadığını test ediyor. Eğer başarılı olursa, bu yöntem fiziksel yapay zeka alanında bir dönüm noktası olabilir. Velmurugan, sektör genelinde programlara olan görünürlükleri sayesinde hangi tekniklerin işe yaradığını gözlemleyebildiklerini söylüyor. Bu da Encord'u, herhangi bir müşteriden önce sektör çapında trendleri tespit edebilen bir konuma getiriyor. Tesisindeki pilotlar, daha önce Scale gibi veri etiketleme firmalarında çalışmış deneyimli kişilerden oluşuyor. Örneğin, Jenga kulesini deviren Ceja, daha önce bir atık yönetim şirketinde robotik çöp ayırıcının bakımını yapıyordu. Şimdi ise robotlar için eğitim görevlerini çözmenin keyfini çıkarıyor.

Neden Önemli?

Türkiye'de ve dünyada robotik ve yapay zeka alanında büyük yatırımlar yapılıyor. Ancak fiziksel yapay zekanın önündeki en büyük engel, kaliteli ve bol miktarda eğitim verisi bulmak. Beyin dalgası gibi yenilikçi veri toplama yöntemleri, bu engeli aşmada kritik rol oynayabilir. Eğer bu teknoloji başarılı olursa, insansı robotlar (humanoid robotlar) ve depo otomasyonu gibi alanlarda büyük ilerlemeler kaydedilebilir. Türk şirketleri ve araştırmacıları da bu gelişmeleri yakından takip etmeli; çünkü veri üretimi ve etiketleme, yapay zeka ekosisteminin önemli bir parçası haline geliyor. Encord gibi şirketlerin yöntemleri, sadece büyük teknoloji firmaları için değil, aynı zamanda yerel girişimler için de yol gösterici olabilir. Özellikle Türkiye'deki üretim ve lojistik sektörleri, bu tür veri odaklı yaklaşımlarla otomasyonu hızlandırabilir ve rekabet avantajı elde edebilir.