لماذا تُعدّ تصوير البيانات بالغ الأهمية في الروبوتات
أدريان مكنيل هو المؤسس المشارك والمدير التنفيذي لشركة Foxglove، وهي شركة ناشئة تقدم برمجيات قوية لإدارة البيانات وتصورها في مجال الروبوتات. وقبل تأسيس Foxglove، أشرف على البنية التحتية وأدوات التطوير في شركة Cruise المتخصصة في القيادة الذاتية.
يحرص مكنيل على رفع إنتاجية المطورين، ويرى أن تحسين حلقة التغذية الراجعة مع المطورين أمر حاسم للتسريع في ابتكار الحلول في مجال الروبوتات.
ويقول إنه عندما نفكر في تطور الروبوتات، نتخيل غالباً عملية منطقية ومنظمة. ورغم أننا لا نفترض أن ذلك سهل أو بسيط، فقد نظن أنه موضوعي نسبياً، إذ إن الهدف النهائي واضح، والخطوات المؤدية إليه قابلة للقياس.
لكننا ننسى أنه عند تطوير تقنيات جديدة نحتاج إلى طرق جديدة بالقدر نفسه لاختبار هذه التقنيات واستكشاف أعطالها وإصلاحها. فالأمر لا يتعلق بروبوت جديد فحسب، بل بأدوات وعمليات جديدة كلياً يجب ابتكارها لبناء هذا الروبوت. وكما هو الحال مع أي أرض مجهولة، لا تزال هذه الأدوات والعمليات قيد التطوير، وهي تتطور مع المنتج والأشخاص الذين يبنونه.
يُعدّ تصوير البيانات من أهم هذه الأدوات. فهو يعرض البيانات المعقدة والتفصيلية في شكل سهل الاستخدام، مما يتيح اتخاذ قرارات بالقدر نفسه من التعقيد والتفصيل بشأن كيفية عمل الروبوت وكيفية تحسينه. وتعمل هذه الأداة على كبح الضوضاء غير المهمة وتضخيم الإشارات المهمة.
«وهي تضفي المعنى والنظام الضروريين على الطبيعة متعددة الأبعاد بدرجة هائلة لبيانات الروبوتات. فالروبوتات، بوصفها علماً دقيقاً كما نريدها أن تكون، لا تزال إلى حد كبير تمريناً ذاتياً تتخلله أحكام بشرية لا تُحصى، تقربنا خطوة واحدة من هدفنا النهائي، وهو عالم تتحسن فيه حياتنا اليومية وتغتني بتقنيات الروبوتات»
تطوير البرمجيات التقليدي مقابل تطوير الروبوتات
لفهم أهمية تصوير البيانات في الروبوتات فهماً حقيقياً، يجب أولاً أن نفهم كيف يختلف تطوير الروبوتات عن تطوير البرمجيات التقليدي.
إن تشخيص السبب الجذري للمشكلات في تطوير البرمجيات التقليدي عملية ثنائية نسبياً: إما أن يؤدي الكود ما يجب أن يؤديه في مرحلة معينة أو لا يؤديه. وهناك توقع واضح لما يجب أن يحدث في كل سيناريو ممكن.
من خلال تتبع مسار الخطأ وتشغيل الاختبارات في كل مرحلة من المسار، مثل تسجيل القيم، ومقارنة النتائج المتوقعة بالفعلية، وتفعيل بعض الوظائف وإيقافها، يستطيع المهندسون تحديد سطر الكود المسبب للمشكلة بدقة كبيرة.
في المقابل، نادراً ما تكون معالجة المشكلات في تطوير الروبوتات بهذه الخطية. فمعرفة ما الذي حدث بشكل خاطئ في نظام روبوتي عادةً ما تكون عملية أكثر تعقيداً، ومن ثم أكثر انفتاحاً. فعلى سبيل المثال، عندما يصطدم روبوت متنقل ذاتي التحكم (AMR) بجسم آخر، لا يوجد «مسار كود» واضح أو مسؤول محدد.
توجد أسباب لا حصر لها قد تفسر ما حدث، تماماً كما توجد أسباب كثيرة قد تجعل إنساناً يصطدم بعائق. فربما لم يرَ الروبوت العائق لأنه كان خلف زاوية، أو ربما أخطأ في حساب مساره لتجنب الاصطدام. بل إن الأسباب قد لا تكون مرتبطة بالبرمجيات أصلاً، فقد تتعطل فرامل الروبوت، أو قد تُحجب رؤية كاميرته لبرهة بسبب شيء ما.
لا يوجد بروتوكول منهجي واحد يجب اتباعه، وقد يكون جذر المشكلة سلسلة من المشكلات الأصغر المترابطة التي تمتد عبر عدة طبقات من مكدس الروبوت. وغالباً ما تكون الحلول مشروطة وظرفية، لذلك يجب أن تُراعى المعلومات السياقية في عملية التصحيح لا تقل أهمية عن الكود الحرفي الظاهر على الشاشة.
تصوير البيانات للروبوتات
لمواجهة تعقيد التصحيح هذا، نحتاج إلى جيل جديد من الأدوات المتقدمة لدراسة الجوانب العديدة لبيانات الروبوتات. وهنا يأتي دور تصوير بيانات الروبوتات.
في الأيام الأولى لشركة Cruise، المتخصصة في إنتاج السيارات ذاتية القيادة، اكتشف الموظفون بأنفسهم مدى صعوبة تطوير الروبوتات دون الأدوات المناسبة.
عند تصحيح البيانات أو نتائج المحاكاة، كان على المهندسين تثبيت بيئة تطوير كاملة على جهاز يعمل بنظام Ubuntu، ثم تحميل عدد صغير من الأدوات مفتوحة المصدر المختلفة، مثل rviz وrqt وغيرها. بعد ذلك، كان على المهندسين تشغيل ملف السجل يدوياً وتغيير مواضع عدة نوافذ على الشاشة لاستخدامها في الوقت نفسه.
كان المهندسون قادرين على ترتيب النوافذ على شاشاتهم بدقة لسير عمل معين، لكن استبدال هذا الترتيب بآخر لسير عمل مختلف، أو نسخه إلى حاسوب زميل في الفريق، كان يستنزف وقت المطورين الثمين. ورغم أن هذه الأدوات كانت تؤدي وظيفتها الفردية، كان واضحاً أن استخدامها معاً، أو استخدامها مع فريق أكبر من مهندسي الروبوتات، لم يكن مدرجاً في تصميمها الأساسي.
كانت هذه الأدوات مرهقة في الاستخدام بمفردها، وصعبة الدمج مع بعضها، ولم يكن من الممكن استخدامها مع زملاء الفريق بطريقة مفيدة. وقد تعطلت قدرة الفريق على تكرار التجارب مع الروبوتات تعطيلاً شديداً، لا بسبب نقص موهبة الفريق، بل بسبب عجز الأدوات عن استخلاص الرؤى المفيدة من البيانات بسرعة.
أدى ذلك إلى مشروع هاكاثون، رأت فيه مجموعة من المهندسين فرصة لتحسين سير العمل هذا. فقدموا أداة ويب لتصوير البيانات، لاقت استحساناً كبيراً إلى حد أنها نالت تصفيقاً حاداً، وتحولت في النهاية إلى أداة داخلية لها فريق مخصص خاص بها.
كانت هذه الأداة هي Webviz، التي أُتيحت في النهاية للمصدر المفتوح لمساعدة روبوتيين آخرين على الاستفادة من مجموعة أدوات أكثر تكاملاً. ومع مرور الوقت، أدرجت الشركة مدى التأثير الذي أحدثته Webviz في Cruise، فقررت تأسيس Foxglove لمواصلة معالجة التحديات المشتركة في الروبوتات على مستوى الصناعة ككل.
«أطلقنا Foxglove Studio لمساعدة المستخدمين على تصوير بيانات الروبوتات وتصحيحها، وFoxglove Data Platform لمساعدتهم على تخزينها وإدارتها في مستودع مركزي. ومع تصوير البيانات، يمكننا أن نفهم بياناتنا بسرعة، من زوايا مختلفة، وباستخدام عروض متعددة، ولسير عمل متنوعة، لتحديد الخطوة التالية في التطوير. وبهذه الطريقة نستطيع استكشاف المواقف غير الثنائية، وإصدار الأحكام البشرية اللازمة لنقل الروبوتات إلى المستقبل»
يُعدّ تصوير البيانات التفاعلي الغني أمراً حاسماً، إذ يساعد الروبوتيين على المشاركة في الأبحاث المفتوحة اللازمة لتطوير الروبوتات. فهو يتيح لهم استخدام حدسهم وخبرتهم للبدء في تصحيح المشكلة المطروحة. ويساعدهم على الجمع بين الأحكام الذاتية والموضوعية بالقدر نفسه من الأهمية، والضرورية لاستكشاف الأعطال وإصلاحها في أعمالهم.
ويساعدهم على فهم الوضع الحالي لأداء روبوتاتهم وكيفية تحسينها من النظرة الأولى، بحيث يتمكنون من إجراء التعديلات عليها بفعالية أكبر.
يمكن لأدوات تصوير البيانات المختلفة أن تساعد في إصدار أحكام متنوعة عند معالجة مهام مختلفة. ويمكن لكل خطوة في سير عمل التصحيح أو التحليل أن تستفيد من مزيج من الأدوات المختلفة. فعلى سبيل المثال، يستطيع المستخدمون في Foxglove Studio الاختيار من مجموعة واسعة من لوحات التصوير لإنشاء تخطيطات تصحيح مخصصة.
لكل لوحة وظيفة محددة: ففي إحداها يمكن رسم القيم، وفي أخرى تحديد الإحداثيات على الخريطة، وفي ثالثة عرض نماذج ثلاثية الأبعاد في مشهد تفاعلي. وسواء كنتم تصححون الأعطال في مكدس تخطيط الروبوت أو تراقبون تشخيصاته، فهناك أداة تصوير مناسبة لهذه المهمة.
بفضل تصوير البيانات التفاعلي الغني، يمكن للأدوات أخيراً أن تواكب الطموحات. أصبح بالإمكان الآن استكشاف البيانات وتحليلها وفهمها بعمق أكبر، تلك البيانات التي كانت من قبل مغلقة أمام الفهم، لتسريع التقدم نحو الهدف.
مستقبل الروبوتات وتصوير البيانات
على الرغم من الموضوعية الظاهرة، فإن تطوير الروبوتات لا يخلو من القرارات الذاتية والإبداعية. فرغم أن النتيجة النهائية قد تكون محددة، مثل «يستطيع الروبوت الآن التنقل على أرضية المستودع»، فإن الوسائل التي يصل بها الباحثون إلى ذلك تمثل عملية تكرارية لا نهائية تتطلب تدخلاً بشرياً كبيراً.
«لكي نقدم الروبوتات للجمهور العريض بنجاح، يجب أن نعترف بأن الروبوتات مجال أكثر انفتاحاً، إذ تولّد مشكلات مترابطة أكثر، وتتضمن حلولاً أكثر ارتباطاً بالظروف، ومن ثم تحتاج إلى أدوات أكثر تنوعاً من تطوير البرمجيات التقليدي»
لا تزال هناك تحديات عديدة تحتاج إلى حل في تطوير الروبوتات، مثل البنية التحتية الثقيلة للاختبار، والجداول الزمنية غير المتوقعة لتطوير الأجهزة، وإدارة البيانات القابلة للتوسع. ويمكن مواصلة القائمة. لكن هناك بعض التحسينات التي ستؤثر بقوة في كل قطاعات الروبوتات، مثل أدوات تصوير البيانات الممتازة.
