Axis Robotics llega a Medellín 🇨🇴 Nos unimos a AI After Hours Rooftop Edition, organizado por Visible Builders. Una noche dedicada a la inteligencia artificial y conexiones entre builders locales e internacionales. Presentaremos ¿Cómo aprende un robot? Y una breve introducción a la IA física, cómo se genera y entrena la data detrás de los robots. Más información y registro ⚡️ luma.com/orpa42bz

En LATAM también se habla de IA Física y Robótica ⚡️ Crea con Axis es un concurso para creadores de contenido en latinoamérica que quieran aprender sobre IA Física, explorar el Axis Hub y contar su experiencia en español. $200 USD en premios + merch para 5 ganadores 🏆 🗓️ Tienes hasta el 15 de septiembre para participar, todos los detalles del concurso en el próximo tweet.

Enseñarle una tarea nueva a un robot normalmente requiere cientos de demostraciones hechas por personas controlándolo a mano. Y si se trata de adaptar un modelo grande a un robot completamente nuevo, el costo se dispara todavía más: hardware especializado, operadores entrenados, meses de trabajo de ingeniería. Con el robot de doble brazo de @boosterobotics, probamos si la simulación puede aliviar ese problema, en dos niveles: 🔹 Nivel 1: una tarea específica ¿Ayuda combinar simulación con solo unas pocas demostraciones reales? Sí. Con apenas 10 demostraciones reales, el robot no lograba tocar el objeto correctamente ni una sola vez (0 de 20 intentos). Al agregar 50 trayectorias simuladas, el robot logró hacer contacto en 17 de 20 intentos. 🔹 Nivel 2: un modelo más general ¿Sirve la data acumulada de varias tareas para darle al robot una base de conocimiento reutilizable? También sí. Después de entrenar un modelo con esa base, y ajustarlo con solo 30 demostraciones por tarea, superó a un modelo que había usado el doble de demostraciones (14 de 16 aciertos, contra 10 de 16, en pruebas simuladas). Incluso antes de ajustarlo a una tarea específica, ese modelo ya se acercaba al objetivo casi 3 veces mejor que antes (el margen de error bajó de 17.27 cm a 5.78 cm). 🔹¿Qué significa esto? Que no siempre se necesita muchísima data real para que un robot aprenda bien. La simulación, generada a gran escala, puede llenar ese vacío. Este trabajo corre sobre Axis Suite, nuestra solución de IA física para distintos tipos de robots. Los contribuidores de la comunidad generan esta data de simulación en Axis Hub, reduciendo la necesidad de data real para tareas específicas, y a la vez alimentando modelos capaces de generalizar entre distintos tipos de robots. Lee el blog completo: axisrobotics.ai/blogs/blog/a…