Nagrywanie, trenowanie i wdrażanie robotów w jednym miejscu - Hugging Face łączy LeRobot z AWS

👁 131 przeczytań

Hugging Face i Amazon Web Services zaprezentowały 23 maja 2025 roku wspólne rozwiązanie, które po raz pierwszy łączy trzy wcześniej osobne elementy ekosystemu robotycznego: framework LeRobot do zbierania danych i trenowania modeli, system agentów Strands Agents oraz Hugging Face Storage Buckets - wszystko w jednym, spójnym potoku.

Dla kogoś spoza branży brzmi to jak lista produktów. Ale problem, który ta kombinacja rozwiązuje, jest bardzo konkretny: dotychczas robotycy musieli ręcznie przenosić dane między etapami pracy - najpierw nagrać epizody treningowe na lokalnym sprzęcie, potem przenieść je do repozytorium, uruchomić trening na osobnej maszynie, a gotowy model wdrożyć jeszcze gdzie indziej. Każde przejście to potencjalny błąd, utracone metadane i stracony czas.

Co robi każdy z trzech komponentów

LeRobot to otwarty framework Hugging Face do uczenia ze wzmocnieniem i uczenia przez naśladowanie w robotyce. Pozwala nagrywać demonstracje operatora (np. prowadzenie ramienia robotycznego przez zadanie), przetwarzać je na dane treningowe i trenować modele polityk sterowania. To jeden z najszybciej rosnących projektów w tej przestrzeni - repozytorium na GitHub przekroczyło już dziesiątki tysięcy gwiazdek.

Strands Agents to nowe narzędzie AWS do budowania agentów AI opartych na modelu przepływu narzędzi - agent może wywoływać zewnętrzne funkcje, podejmować decyzje sekwencyjne i reagować na stan środowiska. W kontekście robotyki pełni rolę orkiestratora: to on decyduje, kiedy uruchomić kolejny krok potoku, kiedy zapisać dane, kiedy wywołać inferencję modelu.

Storage Buckets od Hugging Face to z kolei stosunkowo nowa usługa przechowywania dużych zbiorów danych bezpośrednio w ekosystemie platformy - bez konieczności hostowania ich na zewnętrznym S3 czy GCS i ręcznego synchronizowania z Hub.

Strumieniowanie jako kluczowa zmiana

Najistotniejszą technicznie innowacją w tym rozwiązaniu jest streaming danych w czasie rzeczywistym. Gdy operator nagrywa demonstrację - robot wykonuje zadanie pod ludzkim nadzorem - dane z czujników (obrazy z kamer, pozycje przegubów, momenty sił) są natychmiast przesyłane do Storage Bucket, zamiast czekać na zakończenie sesji i ręczny upload.

To zmienia rytm pracy. Trening modelu może zaczynać się, zanim skończy się zbieranie danych. Agent Strands może monitorować jakość napływających epizodów i automatycznie odrzucać te, w których wystąpiły anomalie - bez ingerencji człowieka. Po zakończeniu treningu ten sam agent może wdrożyć model jako endpoint i przekazać sterowanie z powrotem do fizycznego robota.

„Chcemy, żeby pętla zbieranie danych - trening - wdrożenie była tak szybka i bezproblemowa, jak to tylko możliwe. Strumieniowanie do Storage Buckets i integracja ze Strands Agents to krok w tę stronę.”

Tak przynajmniej brzmi deklaracja z wpisu na blogu Hugging Face, który w ciągu kilku dni od publikacji zebrał ponad 7 tysięcy odsłon - sporo jak na techniczny tekst z obszaru robotyki.

Dlaczego to ważne dla całej branży

Robotyka uczy się na danych tak samo jak LLM-y - tyle że dane robotyczne są nieporównywalnie trudniejsze w zbieraniu. Nie można ich zeskrobać z internetu. Każdy epizod to praca fizyczna: ustawienie sprzętu, przeprowadzenie demonstracji, weryfikacja jakości nagrania. Przy takich kosztach pozyskania danych każda optymalizacja potoku ma bezpośrednie przełożenie na czas i pieniądze.

Największe laboratoria - Google DeepMind, Physical Intelligence, Tesla Optimus - mają własne, wyspecjalizowane systemy do zarządzania danymi robotycznymi. Mniejsze zespoły badawcze, startupy i uczelnie nie mają ani zasobów, ani czasu, żeby budować taką infrastrukturę od zera. Integracja LeRobot z AWS i Hugging Face daje im gotową alternatywę opartą na otwartym oprogramowaniu i popularnych usługach chmurowych.

Warto zwrócić uwagę na kierunek strategiczny tego ruchu. Hugging Face konsekwentnie rozszerza się poza modele językowe - platforma jest dziś centrum dystrybucji modeli wizyjnych, audio, a teraz coraz wyraźniej celuje w robotykę jako następny duży obszar. LeRobot istnieje od początku 2024 roku i przez kilkanaście miesięcy rozrósł się do jednego z kluczowych frameworków w tej przestrzeni. Partnerstwo z AWS daje mu teraz infrastrukturę na poziomie produkcyjnym.

Praktyczny kontekst dla polskich zespołów

W Polsce rośnie liczba zespołów akademickich i startupów zajmujących się robotyką manipulacyjną - zarówno na uczelniach technicznych, jak i w prywatnych laboratoriach. Dla nich integracja LeRobot ze Storage Buckets oznacza przede wszystkim jedno: nie trzeba już stawiać własnego serwera do przechowywania danych treningowych ani konfigurować pipeline’ów między narzędziami różnych dostawców. Wystarczy konto na Hugging Face i dostęp do AWS - oba łatwo dostępne nawet dla małych zespołów bez dedykowanego DevOps.

Ograniczeniem pozostaje koszt. Strumieniowanie dużych wolumenów danych do chmury i trening modeli na GPU w AWS to wydatki, które dla akademickiego zespołu mogą szybko urosnąć. Hugging Face i AWS nie podały w ogłoszeniu żadnych szczegółów dotyczących cen tej konkretnej integracji - co samo w sobie jest informacją, którą warto mieć w głowie przed wejściem w ten ekosystem.

Branża robotyczna od lat czeka na swój „moment ImageNet” - na standaryzację danych i narzędzi, która uwolni lawinę postępu podobną do tej, którą widzieliśmy w wizji komputerowej po 2012 roku. Nie wiadomo, czy ta konkretna integracja będzie tym przełomem. Ale każde narzędzie, które skraca pętlę między nagraniem a działającym robotem, przybliża tę chwilę o jeden krok.

// czytaj dalejHugging Face: serwer vLLM z API zgodnym z OpenAI jednym poleceniemNewsyOkulary Meta AI coraz trudniejsze do wykrycia - rosną obawy o nagrywanie bez zgodyNewsyAgent AI włamał się do siłowni, żeby zdobyć miejsce na zajęciachNewsy