إطار ذكاء اصطناعي بقيادة الإنسان يعد بتعلم أسرع للrobots في بيئات جديدة

في المستقبل، سيكون الحصول على روبوت لتحسين المهام المنزلية ليس أمرًا نادرًا. ومع ذلك، قد تظهر الإحباط عندما تفشل هذه المساعدات الآلية في أداء مهام بسيطة. أدخل أندريا بينغ، عالمة من قسم الهندسة الكهربائية والعلوم الحاسوبية في معهد ماساتشوستس للتكنولوجيا، التي، إلى جانب فريقها، تقوم بتحسين منحنى التعلم للrobots.

بينغ وفريقها من الباحثين التفاعليين بين البشر والrobots قد رائدوا إطار تفاعلي بين البشر والrobots. يتميز هذا النظام بقدرته على توليد روايات مضادة تشير إلى التغييرات اللازمة للروبوت لأداء مهمة بنجاح.

على سبيل المثال، عندما يجد روبوت صعوبة في التعرف على كوب مطلي بطريقة غريبة، يقدم النظام حالات بديلة حيث كان من الممكن أن ينجح الروبوت، ربما إذا كان الكوب من لون أكثر شيوعًا. تسهل هذه التوضيحات المضادة مع反馈 الإنسان عملية توليد بيانات جديدة لتعدين الروبوت.

تشرح بينغ، “التعدين هو عملية تحسين نموذج تعلم الآلة الحالي الذي يمتلك بالفعل مهارة في مهمة واحدة، مما يسمح له بتنفيذ مهمة ثانية، مشابهة”.

قفزة في الكفاءة والأداء

عندما تم اختبار النظام، أظهر نتائج مثيرة. أظهرت Robots التي تم تدريبها بهذه الطريقة قدرات تعلم سريعة، في حين قامت بتقليل الوقت الملتزم من معلميها البشر. إذا تم تنفيذ هذا الإطار بنجاح على نطاق أكبر، يمكن أن يساعد Robots على التكيف بسرعة مع بيئات جديدة، مما يقلل من الحاجة للمستخدمين إلى امتلاك معرفة تقنية متقدمة. يمكن أن تكون هذه التكنولوجيا هي المفتاح لفتح Robots متعددة الأغراض قادرة على مساعدة الأفراد المسنين أو المعاقين بفعالية.

تعتقد بينغ، “الهدف النهائي هو تمكين الروبوت من التعلم والعمل على مستوى مجرد مثل الإنسان”.

ثورة في تدريب الروبوت

الحد الرئيسي في تعلم الروبوت هو “التغيير في التوزيع”، وهو مصطلح يستخدم لشرح حالة عندما يواجه الروبوت أشياء أو مساحات لم يتم تعريفه عليها خلال فترة تدريبه. لتصحيح هذه المشكلة، نفذ الباحثون طريقة تعرف باسم “التعلم بالتقليد”. لكنها كانت لها قيود.

“تخيل أنك تظهر 30,000 كوب لروبوت ليتعلم उठاء أي كوب. بدلاً من ذلك، أ pref أظهر لك كوب واحد وأعلم الروبوت أن يفهم أنه يمكنه उठاء كوب بأي لون”، تقول بينغ.

استجابةً لذلك، يحدد نظام الفريق السمات الأساسية للكائن (مثل شكل الكوب) وأيها ليست أساسية (مثل لون الكوب). ومسلحًا بهذه المعلومات، يولد بيانات اصطناعية، ويغير العناصر البصرية “غير الأساسية”، ويتحسين عملية تعلم الروبوت.

ربط التفكير البشري بالمنطق الروبوتي

为了 تقييم فعالية هذا الإطار، أجرت الباحثون اختبارًا بمشاركة مستخدمين بشريين. تمت مطالبة المشاركين بالسؤال عما إذا كانت التوضيحات المضادة للنظام قد حسنت فهمهم لأداء الروبوت.

تقول بينغ، “لقد وجدنا أن البشر يمتلكون هذه القدرة على التفكير المضاد بشكل فطري. إن هذا العنصر المضاد هو ما يسمح لنا بترجمة التفكير البشري إلى منطق روبوتي بسلاسة”.

خلال العديد من المحاكاة، تعلم الروبوت بثبات أسرع باستخدام نهجهم، متغلبًا على تقنيات أخرى، ويتطلب عددًا أقل من التظاهرات من المستخدمين.

في المستقبل، يخطط الفريق لتنفيذ هذا الإطار على روبوتات حقيقية ويعمل على تقصير وقت توليد البيانات من خلال نماذج تعلم الآلة التوليدية. هذا النهج المتقدم يحمل إمكانية تحويل مسار تعلم الروبوت، مما يفتح الطريق لمستقبل حيث تعيش الروبوتات في وئام معنا في حياتنا اليومية.