ரோபோட்டிக்ஸ் மற்றும் தன்னாட்சி அமைப்புகளில் ஒரு பழக்கமான போக்கு உருவாகியுள்ளது: ஒரு முதன்மை செயல்விளக்கம் மேடையில் மிகச் சிறப்பாக இயங்குகிறது, அதே அமைப்பு இரண்டு வாரங்களுக்குப் பிறகு ஒரு நேரடிக் கிடங்கில் தடுமாறுகிறது, மேலும் சோதனைக்குப் பிந்தைய ஆய்வானது, சோதனைச் சூழலை விட "யதார்த்தம்" மிகவும் குழப்பமானது என்று குற்றம் சாட்டுகிறது. இத்துறையில் உள்ள சிலர், விடுபட்ட அடுக்கு வன்பொருள்தான் என்று வாதிடுகின்றனர் — அதாவது மேம்பட்ட பற்றிகள், விசை-முறுக்கு உணர்விகள், தொட்டுணரக்கூடிய உறைகள் போன்றவை. அந்த வாதம் சரியானது, ஆனால் முழுமையற்றது. சிறந்த உணர்வி வன்பொருள் கூட, ஒரு மாதிரி கையாள வேண்டிய மூல சமிக்ஞைகளின் தொடர்களை உருவாக்குகிறது. அறிய விளக்குவதற்கு. பெரும்பாலான இயற்பியல் செயற்கை நுண்ணறிவுத் தோல்விகளுக்குப் பின்னால் உள்ள உண்மையான தடை சென்சார் அல்ல. அது பல்முனை அணுகுமுறை. இயற்பியல் AI பயிற்சி தரவு அந்த சமிக்ஞைகளின் அர்த்தம் என்ன, அவை பார்வையுடன் எவ்வாறு தொடர்பு கொள்கின்றன, மேலும் உலகம் எதிர்க்கும்போது என்ன நடவடிக்கைகளை எடுக்க வேண்டும் என்பதை அது மாதிரிகளுக்குக் கற்பிக்கிறது. அந்தத் தரவு தொழில்துறை அளவில் அரிதாகவே உள்ளது — அதுவே விடுபட்ட அடுக்கு.
பௌதீக செயற்கை நுண்ணறிவில் உள்ள “விடுபட்ட அடுக்கு” உண்மையில் என்ன?
நமக்கு நன்கு பரிச்சயமான பௌதீக செயற்கை நுண்ணறிவுச் சுழற்சியான — உணர்தல், தீர்மானித்தல், செயல்படுதல், தகவமைத்தல் — என்பது ஒரு வன்பொருள் மற்றும் கட்டமைப்புச் சிக்கல் போல விவாதிக்கப்படுகிறது. நடைமுறையில், அந்தச் சுழற்சியில் உள்ள ஒவ்வொரு அம்புக்குறியும் ஒரு கற்றறிந்த நடத்தையாகும். சென்ஸ் இரைச்சல் மிகுந்த, உயர் பரிமாண உணரித் தரவுத் தொடர்களைச் செயல்படுத்தக்கூடிய நிலை மதிப்பீடுகளாக மாற்றும் ஒரு மாதிரியைக் குறிக்கிறது. முடிவு பொதுமைப்படுத்தும் அளவுக்குப் போதுமான மாறுபாடுகளைக் கண்ட ஒரு கொள்கையே இதன் பொருள். நாடகம் உண்மையான இயக்கவியலுக்கு எதிராகக் கற்றுக்கொள்ளப்பட்ட கட்டுப்பாடு என்பதே இதன் பொருள். அடாப்ட் ஒரு பிடி நழுவுகிறது அல்லது ஒரு பாகம் தவறாகப் பொருத்தப்பட்டுள்ளது என்பதை மில்லி விநாடிகளில் கண்டறிந்து, இயக்கத்தின் நடுவிலேயே அதைச் சரிசெய்வதே இதன் பொருள். அந்த நடத்தைகள் எதையும் நிரல் மூலம் உருவாக்க முடியாது. அவை எடுத்துக்காட்டுகளிலிருந்து கற்றுக்கொள்ளப்படுகின்றன. ஒரு இயற்பியல் செயற்கை நுண்ணறிவு அமைப்பு, தொடர்பின் போது தன்னைத் தகவமைத்துக் கொள்ள முடியாவிட்டால், அதற்கான வழக்கமான மூலக் காரணம், அது கற்றுக்கொள்வதற்குத் தேவையான, குறியிடப்பட்ட தொடர்பு எடுத்துக்காட்டுகள் அதன் பயிற்சித் தரவுகளில் ஒருபோதும் சேர்க்கப்படவில்லை என்பதே ஆகும். வன்பொருளால் சரியான சமிக்ஞைகளை அனுப்ப முடியும். ஆனாலும், அந்த சமிக்ஞைகளுக்கு அர்த்தம் கொடுக்கும் தரவுத்தொகுப்பு அந்த மாதிரிக்குத் தேவைப்படுகிறது.
பார்வை-மட்டுமே கொண்ட தரவுத்தொகுப்புகள் இயற்பியல் செயற்கை நுண்ணறிவை ஏன் செயலிழக்கச் செய்கின்றன?
ஒரு நடுத்தர அளவிலான நிறைவேற்றல் நிறுவனம், மூன்று விநியோக மையங்களில் ஒரு கூட்டுப் பொருள் பிரிப்பான் முறையைச் செயல்படுத்துவதாகக் கற்பனை செய்து பாருங்கள். அந்தப் பிரிப்பானின் பார்வை மாதிரியானது, மில்லியன் கணக்கான பொருள் படங்களைக் கொண்டு பயிற்சி அளிக்கப்பட்டது. அது பொருட்களை உடனடியாக அடையாளம் காண்கிறது. நேரடிச் செயல்பாட்டின் முதல் வாரத்தில், செயல்திறன் நன்றாக இருக்கிறது. மூன்றாவது வாரத்தில், செயலாக்க வேகம் மூன்றில் ஒரு பங்கு குறைகிறது. அந்தப் பிரிப்பான் சிரமப்படும் பொருட்கள் எளிதில் அடையாளம் காணக்கூடியவையே. பார்க்கஅவை கடினமாக உள்ளன கையாளதொடும்போது உருமாறும் பாதி நசுக்கப்பட்ட அட்டைப் பெட்டிகள், வழுக்கும் சுருக்கி-சுற்றப்பட்ட பொதிகள், மற்றும் மேல்நிலை விளக்குகளுடன் சேரும்போது ஆழக் கணிப்பைக் குழப்பும் பிரதிபலிக்கும் பிளாஸ்டிக் சிப்பி வடிவ உறைகள் போன்றவை. பார்வைத் தரவுகள் அந்தப் பொருட்கள் எப்படித் தோற்றமளித்தன என்பதை மாதிரிக்குத் தெரிவித்தன. அவை தொட்டு உணர எப்படி இருந்தன, விசைக்கு அவை எவ்வாறு எதிர்வினையாற்றின, அல்லது பிடிப்பு எப்போது தளரவிருந்தது என்பது பற்றி பயிற்சித் தொகுப்பில் உள்ள எதுவும் அதற்குத் தெரிவிக்கவில்லை.
பெரும்பாலான இயற்பியல் செயற்கை நுண்ணறிவு அமைப்புகளில் உள்ள கட்டமைப்பு இடைவெளி இதுதான் — மேலும் இது செயல்பாட்டுத் தளத்தில் வெளிப்படுவதற்கு முன்பே தரவுத்தொகுப்புகளில் தென்படுகிறது.
| பரிமாணத்தை | பார்வை-மட்டும் தரவுத்தொகுப்பு | பன்முறைமை இயற்பியல் AI பயிற்சி தரவுத்தொகுப்பு |
|---|---|---|
| முறைகள் | RGB படங்கள், அவ்வப்போது ஆழம் | பார்வை, ஆழம், தொடு உணர்வு, விசை/திருப்புவிசை, உடலிருப்பு உணர்வு, ஒலி |
| பிடிப்பு மூலம் | சுரண்டப்பட்ட அல்லது திட்டமிட்டு உருவாக்கப்பட்ட படங்கள் | உண்மையான அல்லது தொலை இயக்க ஊடாடல்களில் இருந்து நோக்கத்திற்காக சேகரிக்கப்பட்டது |
| குறிப்பு வகை | எல்லைப் பெட்டிகள், பிரித்தல், வகுப்புகள் | தொடர்பு நிகழ்வுகள், நழுவுதல், பிடியின் தரம், விசை விவரங்கள், தற்காலிக சீரமைப்பு |
| அளவீட்டுப் பொருளாதாரம் | நகலெடுப்பதற்கு மலிவானது | விலை அதிகம் — ஒவ்வொரு மாதிரிக்கும் நேரடித் தொடர்பு தேவைப்படுகிறது. |
| கீழ்நிலை பணிப் பொருத்தம் | உணர்தல், வழிசெலுத்தல் | கையாளுதல், தகவமைப்பு, தொடர்பு செறிந்த கட்டுப்பாடு |
சக மதிப்பாய்வு செய்யப்பட்ட கையாளுதல் அளவீடுகள், பார்வை-மட்டுமே பயிற்சி முறைகளில் தொடு உணர்வுத் தரவைச் சேர்ப்பது, கையாளுதல் வெற்றி விகிதங்களைச் சுமார் 20 சதவிகிதப் புள்ளிகள் வரை உயர்த்த முடியும் என்பதைக் காட்டியுள்ளன; மேலும், ஒருங்கிணைந்த காட்சி-தொடு உணர்வு முன்-பயிற்சியின் மூலம் மற்றொரு குறிப்பிடத்தக்க உயர்வும் கிடைக்கிறது (ஆதாரம்: IEEE/RSJ IROS அளவீட்டு முடிவுகள், 2024). இந்த வேறுபாடு படிப்படியானதல்ல. இது ஒரு செயல்விளக்கத்திற்கும் ஒரு நடைமுறைச் செயல்பாட்டிற்கும் இடையிலான கோடு.
ஒரு உண்மையான பௌதீக AI பயிற்சி தரவுத்தொகுப்பின் நான்கு அடுக்குகள்
பௌதீக உலகில் ஒரு மாதிரி செயல்படக் கற்றுக்கொடுக்கும் தரவுத்தொகுப்பை உருவாக்குவதற்கு, நெருக்கமாகப் பிணைக்கப்பட்ட நான்கு அடுக்குகள் தேவைப்படுகின்றன. அவற்றுள் ஏதேனும் ஒன்றைத் தவிர்த்தால், அதற்கு மேலுள்ள அடுக்கு சரிந்துவிடும்.
- பன்முறைப் பதிவு. தரவுத்தொகுப்பில், ரோபோ உண்மையில் அனுபவிக்கப் போகும் விஷயங்கள் அடங்கியிருக்க வேண்டும்: ஒத்திசைக்கப்பட்ட RGB மற்றும் ஆழம் சார்ந்த காணொளி, தேவைப்படும் இடங்களில் LiDAR அல்லது ஸ்டீரியோ, தொடு உணர்வு சமிக்ஞைகள் (அழுத்தப் பரவல், அதிர்வு, நழுவல்), தொடு புள்ளியில் உள்ள விசை மற்றும் முறுக்கு அளவீடுகள், பற்றிக்கொள்ளியின் நிலை குறித்த உடலசைவு உணர்வுத் தரவுகள், மற்றும் பெரும்பாலும் ஒலி ஆகியவை இதில் அடங்கும். உணரிகளைப் போலவே, படம்பிடிப்பு அமைப்பும் முக்கியமானது — அதன் அமைவிடம், அளவுத்திருத்தம், மற்றும் மிகவும் முக்கியமான விளிம்புநிலை நிகழ்வுகளை அடையும் திறன் ஆகியவை இதில் அடங்கும். இதை நிறுவனத்திற்குள்ளேயே உருவாக்கும் குழுக்கள், பொதுவாகத் தங்களது உள் கருவிக் குழுக்களை ஒரு நிபுணருடன் இணைக்கின்றன. இயற்பியல் AI தரவு சேகரிப்பு ஒரு வலுவான தரவுத்தொகுப்பிற்குத் தேவைப்படும் பன்முகத்தன்மை, புவியியல் மற்றும் சூழ்நிலை விரிவு ஆகியவற்றை அடைய உதவும் கூட்டாளர்.
- நேர ஒத்திசைவு மற்றும் சென்சார் ஒருங்கிணைப்பு. அதே மில்லி வினாடியில் பார்வை ஓட்டமும் விசை உணரியும் என்ன காட்டின என்பதை அறியாமல், 1,500 ஹெர்ட்ஸில் ஏற்படும் ஒரு தொடு உணர்வுத் திடீர் அதிகரிப்பு அர்த்தமற்றது. வெவ்வேறு புலன்களுக்கு இடையேயான காலச் சீரமைப்புதான், எடுத்துக்காட்டாக, தொடு அழுத்தம் குறைவதற்கு 40 மில்லி வினாடிகளுக்கு முன்பே ஒரு குறிப்பிட்ட காட்சிக்குறிப்பு ஒரு நழுவல் நிகழ்வைக் கணிக்கிறது என்பதை ஒரு மாதிரி கற்றுக்கொள்ள அனுமதிக்கிறது. ஒத்திசைவு இல்லாமல், உங்களிடம் பயிற்சித் தரவுகளுக்குப் பதிலாக இணையான ஓட்டங்கள் இருக்கும்.
- தொடர்பு செறிந்த குறிப்புரை. இதுவே மிகவும் கடினமான அடுக்கு மற்றும் பெரும்பாலான நிரல்கள் குறைத்து மதிப்பிடும் ஒன்றாகும். குறிப்பாளர்கள், பிடிப்பின் தரம், நழுவும் தருணங்கள், தொடர்பு தொடங்குதல் மற்றும் விடுவித்தல், பற்றிக்கொள்ளும் கருவிக்குள் பொருளின் நிலை, விசையின் கீழ் ஏற்படும் உருக்குலைவு, மற்றும் துணைச் செயல்களின் கால எல்லைகள் ஆகியவற்றை அடையாளமிட வேண்டும். இதைச் சரியாகச் செய்வதற்குப் பயிற்சி பெற்ற குறிப்பீட்டுக் குழுக்கள், பல அடுக்கு மறுஆய்வு, மற்றும் பல்வேறு செயல்முறைகளிலும் சீரான வழிகாட்டுதல்கள் தேவைப்படுகின்றன — இதனால்தான் பெரும்பாலான தீவிரமான செயல்பாடுகள் ஒரு குறிப்பிட்ட முறையைச் சார்ந்திருக்கின்றன. கட்டமைக்கப்பட்ட தரவு குறிப்பு பணிப்பாய்வு அதைத் தன்னிச்சையாக அளவிட முயற்சிப்பதை விட.
- தொடர்ச்சியான செயல்பாட்டு பின்னூட்டம். ஒரு இயற்பியல் செயற்கை நுண்ணறிவு அமைப்பு நிறுவப்பட்டவுடன், ஒவ்வொரு வெற்றிகரமான தேர்வும், நூலிழையில் தவறிய நிகழ்வும், தோல்வியும் புதிய தரவுகளாக மாறுகின்றன. தரவுகளைச் சேகரித்தல், குறியிடுதல், மறுபயிற்சி அளித்தல், மீண்டும் நிறுவுதல் ஆகிய முழுச் சுழற்சியையும் நிறைவு செய்யும் குழுக்கள், பெருகிவரும் ஆதாயங்களைக் காண்கின்றன. தங்களைச் சுற்றியுள்ள உலகம் மாறும்போது, தங்கள் மாதிரிகள் அமைதியாகத் தடம் மாறுவதைப் பார்த்துக் கொண்டிராத குழுக்களும் இதில் அடங்கும்.
பௌதீக AI குறிப்பீடு ஏன் ஒரு வேறுபட்ட துறையாக உள்ளது?
இயற்பியல் செயற்கை நுண்ணறிவுப் பயிற்சித் தரவுகளில் குறிப்பெழுதுதல் என்பது, கூடுதல் படிநிலைகளைக் கொண்ட படக் குறியிடல் அல்ல. அது ஒரு வேறுபட்ட துறை. இதை, ஒரு பயிற்சி பெறும் சமையல் கலைஞருக்குப் பயிற்சி அளிப்பதையும், அவருக்குச் சமையல் காணொளிகளைக் காட்டுவதையும் போல எண்ணிப் பாருங்கள். ஒரு காணொளி, அடையாளம் காணுதலைக் கற்றுக்கொடுக்கிறது — அது ஜூலியன் வெட்டு, இது புருனோயிஸ்ஒரு தொழிற்பயிற்சியானது, ஒரு திடமான வெங்காயத்தின் மீது கூர்மையான கத்தியை வைக்கும்போது ஏற்படும் உணர்வு, வெப்பமானியைப் பார்க்காமலேயே ஒரு பாத்திரம் போதுமான அளவு சூடாக இருக்கிறதா என்பது, மற்றும் கைப்பிடி வழுக்கும்போது பிடியை எவ்வாறு சரிசெய்வது போன்றவற்றைக் கற்றுக்கொடுக்கிறது. இரண்டாவது வகையான கற்றலுக்கு, தொழிற்பயிற்சியாளருடன் ஒருவர் இருந்து, அவர் ஒவ்வொரு கணமும் நிகழும் அனுபவத்திற்குப் பெயரிட வேண்டும். பௌதீக செயற்கை நுண்ணறிவு (Physical AI) குறிப்பீடும் இதே வழியில்தான் செயல்படுகிறது: குறிப்பீட்டாளர்கள் கண்ணுக்குத் தெரிவதை மட்டும் குறிப்பதில்லை; அவர்கள் ஒத்திசைக்கப்பட்ட உணரித் தொடர்களில் நிகழும் தொடர்பு நிகழ்வுகள், விசைக் கோட்டுருக்கள், நழுவல் தொடக்கம் மற்றும் செயல்களின் தற்காலிக எல்லைகளுக்குப் பெயரிடுகிறார்கள். இதற்குத் துறை சார்ந்த குறிப்பீட்டாளர்கள், வலுவான தரக்கட்டுப்பாடு மற்றும் சிறப்பு வாய்ந்த கருவிகள் தேவைப்படுகின்றன. இதைச் சிறப்பாகச் செய்யும்போது, அது மூலப் பன்முகப் பதிவிலிருந்து ஒரு வகையான... ரோபோட்டிக்ஸ் பயிற்சி தரவு அது உண்மையில் ஒரு மாதிரிக்குத் தொடர்பைக் கையாளக் கற்றுக்கொடுக்கிறது. அதைச் சரியாகச் செய்யாவிட்டால், அது குறியிடப்பட்ட இரைச்சலை உருவாக்கும்.
முடிவுரை — வன்பொருள் சுழற்சியை நிறைவு செய்கிறது; தரவு அதைத் தொடங்குகிறது.
மேம்பட்ட பற்றிகள், தொடு உணர்வுத் தோல்கள் மற்றும் விசை உணர்விகள் ஆகியவை உண்மையான முன்னேற்றங்களாகும். அவற்றுள் எதுவும், அந்த சமிக்ஞைகள் சூழலுக்கு ஏற்ப என்ன அர்த்தம் தருகின்றன என்பதை ஒரு மாதிரிக்குக் கற்பிக்கும் பலவகைப்பட்ட, ஒத்திசைக்கப்பட்ட, செழுமையாகக் குறிக்கப்பட்ட தரவுத்தொகுப்புகளின் தேவையை நீக்குவதில்லை. இயற்பியல் செயற்கை நுண்ணறிவு செயல்விளக்கங்களுக்கும் இயற்பியல் செயற்கை நுண்ணறிவுப் பயன்பாடுகளுக்கும் இடையிலான இடைவெளியைக் குறைக்கும் நிறுவனங்களே, தரவை ஒரு முதன்மை உள்கட்டமைப்பாகக் கருதுகின்றன — அதாவது, அதைத் திட்டமிட்டுச் சேகரித்து, களத் துல்லியத்துடன் அதற்குக் குறிப்புகளை இட்டு, செயல்பாட்டுத் தரவை ஒரு நிரந்தர சுழற்சியாகப் பயிற்சிக்கு மீண்டும் அளிக்கின்றன. உணர்-முடிவெடு-செயல்படு-தகவமை என்ற சுழற்சியை வன்பொருள் நிறைவு செய்கிறது. பயிற்சித் தரவுதான் அதைத் தொடங்குகிறது.
இயற்பியல் சார்ந்த AI பயிற்சித் தரவை, சாதாரண AI பயிற்சித் தரவிலிருந்து வேறுபடுத்துவது எது?
இது பன்முகத்தன்மை வாய்ந்தது, நேர ஒத்திசைவு கொண்டது, மற்றும் உண்மையான அல்லது தொலை இயக்க உடல்ரீதியான தொடர்புகளிலிருந்து பெறப்பட்டது. சாதாரண AI பயிற்சித் தரவு என்பது பொதுவாக மொத்தமாகச் சேகரிக்கப்பட்ட உரை அல்லது படங்களாக இருக்கும். உடல்ரீதியான AI பயிற்சித் தரவில், பொருள்கள் மற்றும் சூழல்களுடனான உண்மையான தொடர்பின் போது பதிவுசெய்யப்பட்ட பார்வை, ஆழம், தொடு உணர்வு, விசை, உடலிருப்பு உணர்வு போன்ற உணரித் தரவுத் தொடர்கள் கட்டாயம் இடம்பெற வேண்டும்.
பொருட்களைக் கையாளும் ரோபோக்களுக்குப் பார்வைத் தரவுகள் ஏன் போதுமானதாக இல்லை?
ஒரு பொருள் எப்படி இருக்கிறது என்பதை கேமராக்களால் ஒரு ரோபோவுக்குச் சொல்ல முடியும்; ஆனால், அது விசைக்கு எவ்வாறு பதிலளிக்கிறது, பிடி நழுவுகிறதா, அல்லது அழுத்தத்தின் கீழ் ஒரு பொருள் எவ்வாறு உருமாறுகிறது என்பதை அவற்றால் சொல்ல முடியாது. கையாளுதல் என்பது ஒரு தொடுகை சார்ந்த சிக்கலாகும். பயிற்சித் தொகுப்பில் தொடுகை மற்றும் விசைத் தரவுகள் இல்லாமல், தொடுகையின் போது தன்னைத் தகவமைத்துக் கொள்வதற்கு அந்த மாதிரிக்கு எந்த அடிப்படையும் இருப்பதில்லை.
தொடு உணர்வு மற்றும் தொடர்பு சார்ந்த தரவுத்தொகுப்புகள் ஏன் மிகவும் அரிதாகக் காணப்படுகின்றன?
இணையப் படங்களைப் போலல்லாமல், ஒவ்வொரு தொட்டுணரக்கூடிய தரவுப் புள்ளிக்கும் ஒரு பௌதீக ஊடாட்டம் தேவைப்படுகிறது — அதாவது, ஒரு ரோபோ அல்லது மனிதர் ஏதேனும் ஒன்றை உண்மையில் தொடுவது, பற்றுவது அல்லது கையாள்வது. இது தரவுப் பதிவை மெதுவாகவும், செலவு மிக்கதாகவும், மற்றும் கருவி அளவுத்திருத்தத்திற்கு எளிதில் உட்படக்கூடியதாகவும் ஆக்குகிறது. எனவே, பெரிய அளவிலான பொதுத் தரவுத் தொகுப்புகள் அரிதாகவே உள்ளன.
செயற்கைத் தரவு மற்றும் உருவகப்படுத்துதல், நிஜ உலகப் பன்முறைப் பதிவிற்கு மாற்றாக அமைய முடியுமா?
உருவகப்படுத்துதல், குறிப்பாக அரிதான அல்லது அபாயகரமான சூழ்நிலைகளுக்கு மதிப்புமிக்கது, ஆனால் தொடர்பு இயக்கவியல், பொருள் இணக்கம் மற்றும் உணரி இரைச்சல் ஆகியவற்றைப் பொறுத்தவரை, உருவகப்படுத்துதலுக்கும் நிஜத்திற்கும் இடையிலான இடைவெளிகள் குறிப்பிடத்தக்கவையாகவே உள்ளன. மிகவும் வலிமையான இயற்பியல் செயற்கை நுண்ணறிவுப் பயிற்சி வழிமுறைகள், செயற்கை மற்றும் நிஜத் தரவுகளில் ஏதேனும் ஒன்றை மட்டும் சார்ந்திருக்காமல், அவற்றை ஒன்றிணைக்கின்றன.
ஒரு பௌதீக செயற்கை நுண்ணறிவு குழுவின் தரவுத்தொகுப்பு பெரும்பாலும் பார்வை சார்ந்ததாக இருந்தால், அக்குழு எங்கிருந்து தொடங்க வேண்டும்?
இரண்டு வழிகள். முதலாவதாக, நழுவுதல், உருக்குலைதல், சீரற்ற நிலை போன்ற தொடுதலால் ஏற்படும் உற்பத்தித் தோல்விகளைக் கண்டறியுங்கள். ஏனெனில், அத்தகைய தோல்விகளைத் தரவுகளால் மட்டுமே சரிசெய்ய முடியும். இரண்டாவதாக, முழுத் தரவுத்தொகுப்பையும் ஒரே நேரத்தில் மீண்டும் உருவாக்க முயற்சிப்பதற்குப் பதிலாக, குறிப்பிடத்தக்க மாற்றத்தை ஏற்படுத்தக்கூடிய குறிப்பிட்ட பணிகளில் விடுபட்ட புலனுணர்வுகளை (தொடு உணர்வு, விசை, உடலிருப்பு உணர்வு) சேர்க்கும் ஒரு இலக்கு சார்ந்த தரவுப் பதிவுத் திட்டத்தை வகுக்கவும்.
