Marco de IA guiado por humanos promete un aprendizaje robótico más rápido en entornos nuevos

En la era futura de los hogares inteligentes, adquirir un robot para agilizar las tareas domésticas no será una rareza. Sin embargo, la frustración puede surgir cuando estos ayudantes automatizados no pueden realizar tareas sencillas. Andi Peng, una académica del departamento de Ingeniería Eléctrica y Ciencias de la Computación de MIT, junto con su equipo, está creando un camino para mejorar la curva de aprendizaje de los robots.

Peng y su equipo interdisciplinario de investigadores han sido pioneros en un marco interactivo humano-robot. El punto destacado de este sistema es su capacidad para generar narrativas contrafácticas que señalan los cambios necesarios para que el robot realice una tarea con éxito.

Por ejemplo, cuando un robot lucha por reconocer una taza pintada de manera peculiar, el sistema ofrece situaciones alternativas en las que el robot habría tenido éxito, quizás si la taza fuera de un color más común. Estas explicaciones contrafácticas, combinadas con la retroalimentación humana, agilizan el proceso de generación de nuevos datos para el ajuste fino del robot.

Peng explica, “El ajuste fino es el proceso de optimizar un modelo de aprendizaje automático existente que ya es competente en una tarea, permitiéndole realizar una segunda tarea análoga.”

Un salto en eficiencia y rendimiento

Cuando se puso a prueba, el sistema mostró resultados impresionantes. Los robots entrenados con este método mostraron habilidades de aprendizaje rápidas, mientras reducían el compromiso de tiempo de sus maestros humanos. Si se implementa con éxito a gran escala, este marco innovador podría ayudar a los robots a adaptarse rápidamente a nuevos entornos, minimizando la necesidad de que los usuarios tengan conocimientos técnicos avanzados. Esta tecnología podría ser la clave para desbloquear robots de propósito general capaces de asistir a personas mayores o discapacitadas de manera eficiente.

Peng cree, “El objetivo final es empoderar a un robot para que aprenda y funcione a un nivel abstracto similar al humano.”

Revolutionando el entrenamiento de robots

El principal obstáculo en el aprendizaje robótico es el ‘cambio de distribución’, un término utilizado para explicar una situación en la que un robot se encuentra con objetos o espacios que no ha sido expuesto durante su período de entrenamiento. Los investigadores, para abordar este problema, implementaron un método conocido como ‘aprendizaje por imitación’. Pero tenía sus limitaciones.

“Imagínese tener que demostrar con 30.000 tazas para que un robot pueda recoger cualquier taza. En su lugar, prefiero demostrar con solo una taza y enseñar al robot a entender que puede recoger una taza de cualquier color”, dice Peng.

En respuesta a esto, el sistema del equipo identifica qué atributos del objeto son esenciales para la tarea (como la forma de una taza) y cuáles no (como el color de la taza). Armado con esta información, genera datos sintéticos, alterando los elementos visuales “no esenciales”, optimizando así el proceso de aprendizaje del robot.

Conectando el razonamiento humano con la lógica robótica

Para evaluar la eficacia de este marco, los investigadores realizaron una prueba que involucró a usuarios humanos. A los participantes se les pidió que determinaran si las explicaciones contrafácticas del sistema mejoraban su comprensión del rendimiento de la tarea del robot.

Peng dice, “Encontramos que los humanos son inherentemente hábiles en este tipo de razonamiento contrafáctico. Es este elemento contrafáctico lo que nos permite traducir el razonamiento humano en lógica robótica de manera fluida.”

En el transcurso de múltiples simulaciones, el robot aprendió consistentemente más rápido con su enfoque, superando a otras técnicas y necesitando menos demostraciones de los usuarios.

Mirando hacia adelante, el equipo planea implementar este marco en robots reales y trabajar en la reducción del tiempo de generación de datos a través de modelos de aprendizaje automático generativos. Este enfoque innovador tiene el potencial de transformar la trayectoria de aprendizaje de los robots, allanando el camino para un futuro donde los robots coexisten armoniosamente en nuestra vida diaria.