मानव-निर्देशित एआई फ्रेमवर्क ने नए वातावरण में तेजी से रोबोटिक सीखने का वादा किया

स्मार्ट घरों के भविष्य के युग में, घरेलू कार्यों को सुव्यवस्थित करने के लिए एक रोबोट प्राप्त करना दुर्लभ नहीं होगा। हालांकि, जब ये स्वचालित सहायक सरल कार्यों को करने में विफल होते हैं, तो निराशा उत्पन्न हो सकती है। एमआईटी के इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर साइंस विभाग के एक विद्वान, एंडी पेंग, जो अपनी टीम के साथ रोबोटों की सीखने की अवस्था में सुधार के लिए एक मार्ग बना रहे हैं।

पेंग और उनकी अनुसंधानकर्ताओं की अंतरविषयक टीम ने एक मानव-रोबोट इंटरैक्टिव फ्रेमवर्क का पioneering किया है। इस प्रणाली की विशेषता इसकी क्षमता है जो रोबोट को सफलतापूर्वक एक कार्य करने के लिए आवश्यक परिवर्तनों को इंगित करने वाली विरोधाभासी कथाएं उत्पन्न करने की है।

उदाहरण के लिए, जब एक रोबोट एक विशिष्ट रंग के मग को पहचानने में संघर्ष करता है, तो प्रणाली वैकल्पिक स्थितियों की पेशकश करती है जिनमें रोबोट सफल होगा, शायद अगर मग अधिक प्रचलित रंग का हो। ये विरोधाभासी व्याख्याएं मानव प्रतिक्रिया के साथ मिलकर रोबोट के लिए नए डेटा के निर्माण की प्रक्रिया को सुव्यवस्थित करती हैं।

पेंग बताते हैं, “फ़ाइन-ट्यूनिंग एक मौजूदा मशीन-लर्निंग मॉडल को अनुकूलित करने की प्रक्रिया है जो पहले से ही एक कार्य में कुशल है, जिससे यह दूसरे, समान कार्य को करने में सक्षम हो जाता है।”

कार्यक्षमता और प्रदर्शन में एक छलांग

जब इस प्रणाली का परीक्षण किया गया, तो यह आश्चर्यजनक परिणाम दिखाया। इस विधि से प्रशिक्षित रोबोटों ने तेजी से सीखने की क्षमता प्रदर्शित की, जबकि मानव शिक्षकों से समय की प्रतिबद्धता कम हुई। यदि इसे बड़े पैमाने पर सफलतापूर्वक लागू किया जाता है, तो यह नवाचार फ्रेमवर्क रोबोटों को नए वातावरण में तेजी से अनुकूलन करने में मदद कर सकता है, जिससे उपयोगकर्ताओं को उन्नत तकनीकी ज्ञान की आवश्यकता कम हो जाती है। यह प्रौद्योगिकी सामान्य-उद्देश्य वाले रोबोटों को सक्षम बनाने की कुंजी हो सकती है जो बुजुर्ग या विकलांग व्यक्तियों की सहायता करने में कुशल हों।

पेंग का मानना है, “अंतिम लक्ष्य एक रोबोट को मानव-जैसे स abstract स्तर पर सीखने और कार्य करने में सक्षम बनाना है।”

रोबोट प्रशिक्षण को क्रांतिकारी बनाना

रोबोटिक सीखने में मुख्य बाधा ‘वितरण परिवर्तन’ है, जो एक ऐसी स्थिति को संदर्भित करता है जब एक रोबोट उन वस्तुओं या स्थानों का सामना करता है जिनके साथ वह अपने प्रशिक्षण काल में परिचित नहीं है। इस समस्या को हल करने के लिए, शोधकर्ताओं ने ‘अनुकरण सीखने’ नामक एक विधि को लागू किया। लेकिन इसकी सीमाएं थीं।

“कल्पना कीजिए कि 30,000 मग के साथ प्रदर्शन करने के लिए एक रोबोट को प्रशिक्षित करना जिससे वह किसी भी मग को उठा सके। इसके बजाय, मैं एक मग के साथ प्रदर्शन करना पसंद करता हूं और रोबोट को सिखाता हूं कि यह किसी भी रंग के मग को उठा सकता है,” पेंग कहते हैं।

इसके जवाब में, टीम की प्रणाली यह निर्धारित करती है कि वस्तु के कौन से गुण कार्य के लिए आवश्यक हैं (जैसे मग का आकार) और कौन से नहीं (जैसे मग का रंग)। इस जानकारी से लैस, यह सिंथेटिक डेटा उत्पन्न करता है, जो “गैर-आवश्यक” दृश्य तत्वों को बदलकर रोबोट की सीखने की प्रक्रिया को अनुकूलित करता है।

मानव तर्क को रोबोटिक तर्क से जोड़ना

इस फ्रेमवर्क की प्रभावशीलता का मूल्यांकन करने के लिए, शोधकर्ताओं ने मानव उपयोगकर्ताओं के साथ एक परीक्षण किया। प्रतिभागियों से पूछा गया कि क्या प्रणाली की विरोधाभासी व्याख्याएं रोबोट के कार्य प्रदर्शन की उनकी समझ में सुधार करती हैं।

पेंग कहते हैं, “हमने पाया कि मानव स्वाभाविक रूप से इस प्रकार के विरोधाभासी तर्क में कुशल हैं। यह विरोधाभासी तत्व है जो हमें मानव तर्क को रोबोटिक तर्क में अनुवादित करने की अनुमति देता है।”

बहुत सारे सिमुलेशन के दौरान, रोबोट ने लगातार तेजी से सीखा और अन्य तकनीकों को पीछे छोड़ दिया, और उपयोगकर्ताओं से कम प्रदर्शनों की आवश्यकता हुई।

आगे देखते हुए, टीम इस फ्रेमवर्क को वास्तविक रोबोटों पर लागू करने और उत्पन्न मशीन लर्निंग मॉडल के माध्यम से डेटा उत्पादन समय को कम करने की योजना बना रही है। यह नवाचार दृष्टिकोण रोबोट सीखने की प्रक्रिया को बदलने की क्षमता रखता है, जो एक ऐसे भविष्य की ओर ले जाता है जहां रोबोट हमारे दैनिक जीवन में हमारे साथ सौहार्दपूर्ण सह-अस्तित्व में रहते हैं।