A Red Hat és a HP egyetlen munkaállomásra hozza a robotikai AI teljes ciklusát

Szimulációval tesztelték a robotkar alkalmazkodását

A Red Hat október 21-i bejegyzése szerint a bemutató a Robot Operating System 2, vagyis a ROS2 közösségének fizikai AI-demójára épült. A csapat a Gazebo segítségével egy nyílt forráskódú SO-ARM101 robotkart szimulált, amelynek egy LeRobot segítségével tanított szabályozása három kockát helyezett egy tálcára.

A tesztben szándékosan eltértek attól a környezettől, amelyben az eredeti szabályozást betanították. Az egyik kocka helyzetét véletlenszerűen, bármely irányban legfeljebb 3 centiméterrel eltolva új viselkedés szükségességét idézték elő. A futtatások eredményeit epizódonként értékelték, a sikeres próbákat verziózott tanítási adatokba gyűjtötték, a hibákat pedig nyomon követték, de kihagyták az adatgyűjtésből.

Automatizált ellenőrzés dönt a modell továbbengedéséről

Amikor a rendezett tanítási adathalmaz elér egy beállítható küszöböt, a Red Hat OpenShift AI-folyamata új szabályozásjelöltet tanít. A jelölt teljesítményét az eredeti szabályozással azonos jeleneteken hasonlítja össze, és csak jelentős javulás esetén csomagolja aláírt konténerbe, majd regisztrálja a modellnyilvántartásban.

A folyamat egy pull requestet is létrehoz, így a továbbengedés előtt emberi ellenőrzésre van lehetőség. Jóváhagyás után a Red Hat Edge Manager ellenőrzi és eljuttatja a modellt az eszközre, majd újraindul az adatgyűjtési ciklus. A Red Hat szerint a kevés adaton tanított korai jelöltek gyengébben teljesítettek az eredeti szabályozásnál, ezért nem jutottak át az értékelési kapukon.

Megfelelő mennyiségű adattal a szabályozás 360, azonos módon előkészített jelenetben 81,9 százalékos sikerességről 92,5 százalékra javult. A példa azt mutatja, hogy a folyamat képes mérni a fejlesztést, ugyanakkor a visszaesést is felismeri.

Szimuláció, tréning és flottakezelés egy HP gépen

A Red Hat és a HP bemutatójában a ciklus minden eleme egyetlen HP ZGX Fury AI állomáson futott. Itt kapott helyet a szimuláció, a tanítási folyamat, az értékelési kapu, a platformirányítás és a kezelt eszközök működtetése is. A gép az NVIDIA GB300 Grace Blackwell architektúrájára és 748 gigabájt koherens memóriára épül.

A vállalatok szerint a rendszer a bemutatott munkaterhelést a rendelkezésre álló erőforrások egy részével kezelte, így maradt kapacitás például megerősítéses tanuláson alapuló tréningre párhuzamos szimulációkban, legfeljebb 1 billió paraméteres modellek futtatására vagy nagyméretű digitális ikerkörnyezetekre. A Red Hat állítása szerint így nincs szükség külön tréningklaszterre vagy másodlagos validációs környezetre, és a munkafolyamat helyben maradhat.

A közlemény szerint ez csökkentheti a nyilvános felhő erőforrásaira való várakozást, a saját hálózaton kívülre továbbított védett adatok mennyiségét, valamint a kimenő adatforgalommal kapcsolatos terheket.

Nyílt forráskódú Podman Desktop-kiegészítő készül

A fejlesztők munkáját a Red Hat szerint azzal egyszerűsítenék, hogy a ROS2, a Gazebo és a LeRobot által használt eszközök megmaradnak, miközben a platform átveszi az értékelés, a műtermékek aláírása és a flottakezelés összehangolását. A projektben a folyamat aláírt Open Container Initiative, vagyis OCI-szabályozási képet állít elő. A jelölt a sikeres értékeléstől az eszközre töltésig nem kerül újracsomagolásra.

A Red Hat egy nyílt forráskódú fizikai AI-kiegészítőt is fejleszt a Podman Desktophoz. Ez a kiválasztott ROS2-disztribúció és architektúra alapján képeket készíthet, szimulációkat futtathat és jeleníthet meg, élőben figyelheti a ROS2-témaköröket, valamint segíthet a regisztrációs és fürttelepítési feladatokban. A vállalat upstream projektként tervezi a kiegészítőt, és hardverpartnerek, illetve közösségi tagok hozzájárulásait is várja.