एमआईटी शोधकर्ता रोबोट मोशन डेटा को भाषा मॉडल के साथ मिलाते हैं ताकि कार्य निष्पादन में सुधार किया जा सके

घरेलू रोबोटों को बढ़ती हुई तरह से जटिल कार्यों को करने के लिए प्रशिक्षित किया जा रहा है, जो एक प्रक्रिया है जिसमें उन्हें एक मानव द्वारा प्रदर्शित गतियों की नकल करने के लिए प्रोग्राम किया जाता है। जबकि रोबोट मानव क्रियाओं की उत्कृष्ट नकल करने में सक्षम होते हैं, वे अक्सर कार्य निष्पादन के दौरान विक्षोभ या अप्रत्याशित स्थितियों के लिए अनुकूलन करने में संघर्ष करते हैं। इन विचलनों को संभालने के लिए स्पष्ट प्रोग्रामिंग के बिना, रोबोटों को कार्य को शुरू से करना पड़ता है। इस चुनौती का सामना करने के लिए, एमआईटी इंजीनियर एक नई दृष्टिकोण विकसित कर रहे हैं जो रोबोटों को अप्रत्याशित स्थितियों में सामान्य ज्ञान की भावना प्रदान करने का लक्ष्य रखता है, जिससे उन्हें मैनुअल हस्तक्षेप की आवश्यकता के बिना कार्यों को अनुकूलित और जारी रखने में सक्षम बनाता है।

नई दृष्टिकोण

एमआईटी शोधकर्ताओं ने एक विधि विकसित की है जो रोबोट मोशन डेटा को बड़े भाषा मॉडल (एलएलएम) के “सामान्य ज्ञान ज्ञान” के साथ जोड़ती है। इन दो तत्वों को जोड़कर, यह दृष्टिकोण रोबोटों को एक दिए गए घरेलू कार्य को उप-कार्यों में तर्कसंगत रूप से विभाजित करने और प्रत्येक उप-कार्य में विक्षोभ के लिए शारीरिक रूप से अनुकूलन करने में सक्षम बनाता है। यह रोबोट को पूरे कार्य को शुरू से करने के बजाय आगे बढ़ने की अनुमति देता है, और इंजीनियरों को हर संभावित विफलता के लिए स्पष्ट प्रोग्रामिंग की आवश्यकता को समाप्त करता है।
एमआईटी के इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर साइंस (ईईसीएस) विभाग के स्नातक छात्र यानवेई वांग के अनुसार, “हमारी विधि के साथ, एक रोबोट स्व-निर्देशित निष्पादन त्रुटियों को ठीक कर सकता है और कार्य की समग्र सफलता में सुधार कर सकता है।”

अपने नए दृष्टिकोण को प्रदर्शित करने के लिए, शोधकर्ताओं ने एक सरल कार्य का उपयोग किया: एक कटोरे से मोती को दूसरे कटोरे में डालना। पारंपरिक रूप से, इंजीनियर एक रोबोट को एक तरल गति में मोती को खोदने और डालने की गति के माध्यम से ले जाते हैं, अक्सर रोबोट को अनुकरण करने के लिए कई मानव प्रदर्शन प्रदान करते हैं। हालांकि, जैसा कि वांग बताते हैं, “मानव प्रदर्शन एक लंबा, निरंतर मार्ग है।” टीम ने महसूस किया कि जबकि एक मानव एक कार्य को एक बार में प्रदर्शित कर सकता है, कार्य उप-कार्यों की एक श्रृंखला पर निर्भर करता है। उदाहरण के लिए, रोबोट को एक कटोरे में पहुंचने से पहले मोती को खोदने से पहले और खाली कटोरे में जाने से पहले मोती को उठाना होगा।

यदि एक रोबोट इनमें से किसी भी उप-कार्य के दौरान एक त्रुटि करता है, तो उसका एकमात्र उपाय यह है कि वह रुक जाए और शुरू से शुरू करे, जब तक कि इंजीनियर प्रत्येक उप-कार्य को स्पष्ट रूप से लेबल न करें और रोबोट को विफलता से उबरने के लिए प्रोग्राम या नए प्रदर्शन एकत्र न करें। वांग पर जोर देते हैं कि “उस स्तर की योजना बहुत थकाऊ है।” यहीं पर शोधकर्ताओं का नया दृष्टिकोण आता है। एलएलएम की शक्ति का लाभ उठाकर, रोबोट स्वचालित रूप से कार्य में शामिल उप-कार्यों की पहचान कर सकता है और विक्षोभ के मामले में संभावित पुनर्प्राप्ति कार्यों का निर्धारण कर सकता है। यह इंजीनियरों को रोबोट को हर संभावित विफलता परिदृश्य को संभालने के लिए मैनुअल रूप से प्रोग्राम करने की आवश्यकता को समाप्त करता है, जिससे रोबोट अधिक अनुकूलनीय और घरेलू कार्यों को निष्पादित करने में अधिक कुशल होता है।

बड़े भाषा मॉडल की भूमिका

बड़े भाषा मॉडल एमआईटी शोधकर्ताओं के नए दृष्टिकोण में एक महत्वपूर्ण भूमिका निभाते हैं। ये गहरे शिक्षण मॉडल विशाल पुस्तकालयों को संसाधित करते हैं, शब्दों, वाक्यों और अनुच्छेदों के बीच संबंध स्थापित करते हैं। इन संबंधों के माध्यम से, एक एलएलएम सीखे गए पैटर्न के आधार पर नए वाक्य उत्पन्न कर सकता है, मूल रूप से यह समझते हुए कि अंतिम शब्द या वाक्य के बाद किस प्रकार का शब्द या वाक्य आने की संभावना है।

शोधकर्ताओं ने महसूस किया कि एलएलएम की यह क्षमता स्वचालित रूप से एक बड़े कार्य में उप-कार्यों की पहचान करने और विक्षोभ के मामले में संभावित पुनर्प्राप्ति कार्यों का निर्धारण करने के लिए उपयोग की जा सकती है। रोबोट मोशन डेटा के साथ एलएलएम के “सामान्य ज्ञान ज्ञान” को जोड़कर, यह दृष्टिकोण रोबोटों को एक कार्य को तर्कसंगत रूप से उप-कार्यों में विभाजित करने और अप्रत्याशित स्थितियों के लिए अनुकूलन करने में सक्षम बनाता है। एलएलएम और रोबोटिक्स का यह एकीकरण घरेलू रोबोटों को प्रोग्राम और प्रशिक्षित करने के तरीके को क्रांतिकारी बनाने की क्षमता रखता है, जिससे वे अधिक अनुकूलनीय और वास्तविक दुनिया की चुनौतियों को संभालने में सक्षम होते हैं।

जैसा कि रोबोटिक्स का क्षेत्र आगे बढ़ता है, एलएलएम जैसी एआई प्रौद्योगिकियों का एकीकरण बढ़ती हुई महत्वपूर्ण हो जाएगा। एमआईटी शोधकर्ताओं का दृष्टिकोण घरेलू रोबोटों को बनाने के लिए एक महत्वपूर्ण कदम है जो न केवल मानव क्रियाओं की नकल कर सकते हैं, बल्कि वे कार्य जो वे करते हैं उनके अंतर्निहित तर्क और संरचना को भी समझते हैं। यह समझ उन रोबोटों को विकसित करने के लिए महत्वपूर्ण होगी जो स्वतंत्र रूप से और कुशलता से जटिल, वास्तविक दुनिया के वातावरण में काम कर सकते हैं।

एक अधिक बुद्धिमान, अनुकूलनीय भविष्य की ओर घरेलू रोबोटों के लिए

निष्पादन त्रुटियों को स्व-निर्देशित करने और कार्य की समग्र सफलता में सुधार करने के द्वारा, यह विधि रोबोट प्रोग्रामिंग में एक प्रमुख चुनौती का समाधान करती है: वास्तविक दुनिया की स्थितियों के लिए अनुकूलन।

इस शोध के परिणाम मोती को खोदने के सरल कार्य से बहुत आगे तक फैले हुए हैं। जैसा कि घरेलू रोबोट अधिक प्रचलित हो जाते हैं, उन्हें गतिशील, अनियंत्रित वातावरण में विभिन्न प्रकार के कार्यों को संभालने में सक्षम होने की आवश्यकता होगी। कार्यों को उप-कार्यों में तोड़ने, अंतर्निहित तर्क को समझने और विक्षोभ के लिए अनुकूलन करने की क्षमता इन रोबोटों के लिए प्रभावी और कुशल रूप से काम करने के लिए आवश्यक होगी।

इसके अलावा, एलएलएम और रोबोटिक्स का एकीकरण एआई प्रौद्योगिकियों के लिए रोबोटों को प्रोग्राम और प्रशिक्षित करने के तरीके को क्रांतिकारी बनाने की क्षमता को प्रदर्शित करता है। जैसा कि ये प्रौद्योगिकियां आगे बढ़ती हैं, हम अधिक बुद्धिमान, अनुकूलनीय और स्वतंत्र रोबोटों को अपने घरों और कार्यस्थलों में देखने की उम्मीद कर सकते हैं।

एमआईटी शोधकर्ताओं का काम वास्तविक दुनिया की जटिलताओं को समझने और नेविगेट करने में सक्षम घरेलू रोबोटों को बनाने के लिए एक महत्वपूर्ण कदम है। जैसा कि यह दृष्टिकोण व्यापक कार्यों के लिए परिष्कृत और लागू किया जाता है, इसके हमारे जीवन को आसान और अधिक कुशल बनाने की क्षमता है।