Quadro di Intelligenza Artificiale guidato dall’uomo promette un apprendimento robotico più rapido in ambienti nuovi

Nell’era futura delle case intelligenti, avere un robot per semplificare le attività domestiche non sarà una rarità. Tuttavia, la frustrazione potrebbe insorgere quando questi aiutanti automatici non riescono a eseguire compiti semplici. Entra in scena Andi Peng, una studiosa del dipartimento di Ingegneria Elettrica e Informatica del MIT, che, insieme al suo team, sta creando un percorso per migliorare la curva di apprendimento dei robot.

Peng e il suo team interdisciplinare di ricercatori hanno fatto da pionieri per un quadro di interazione uomo-robot. Il punto di forza di questo sistema è la sua capacità di generare narrazioni controfattuali che individuano le modifiche necessarie per far sì che il robot esegua con successo un compito.

Per esempio, quando un robot fatica a riconoscere una tazza dipinta in modo insolito, il sistema offre situazioni alternative in cui il robot avrebbe avuto successo, forse se la tazza fosse stata di un colore più comune. Queste spiegazioni controfattuali, unite al feedback umano, semplificano il processo di generazione di nuovi dati per il perfezionamento del robot.

Peng spiega: “Il perfezionamento è il processo di ottimizzazione di un modello di apprendimento automatico esistente che è già esperto in un compito, in modo da permettergli di eseguire un secondo compito analogo.”

Un balzo in efficienza e prestazioni

Quando sottoposto a test, il sistema ha mostrato risultati impressionanti. I robot addestrati con questo metodo hanno dimostrato capacità di apprendimento rapide, riducendo il tempo di impegno dei loro insegnanti umani. Se implementato con successo su larga scala, questo quadro innovativo potrebbe aiutare i robot ad adattarsi rapidamente a nuovi ambienti, minimizzando la necessità per gli utenti di possedere conoscenze tecniche avanzate. Questa tecnologia potrebbe essere la chiave per sbloccare robot polivalenti in grado di assistere efficientemente anziani o persone con disabilità.

Peng crede: “L’obiettivo finale è quello di permettere a un robot di apprendere e funzionare a un livello astratto simile a quello umano.”

Rivoluzionando l’addestramento dei robot

L’ostacolo principale nell’apprendimento dei robot è il ‘cambio di distribuzione’, un termine usato per descrivere una situazione in cui un robot incontra oggetti o spazi a cui non è stato esposto durante il suo periodo di addestramento. I ricercatori, per affrontare questo problema, hanno implementato un metodo noto come ‘apprendimento per imitazione’. Tuttavia, questo metodo aveva delle limitazioni.

“Immagina di dover dimostrare con 30.000 tazze perché un robot possa prendere qualsiasi tazza. Invece, preferisco dimostrare con una sola tazza e insegnare al robot a capire che può prendere una tazza di qualsiasi colore”, dice Peng.

In risposta a ciò, il sistema del team identifica quali attributi dell’oggetto sono essenziali per il compito (come la forma di una tazza) e quali non lo sono (come il colore della tazza). Armato di queste informazioni, genera dati sintetici, alterando gli elementi visivi “non essenziali”, ottimizzando così il processo di apprendimento del robot.

Collegando il ragionamento umano con la logica robotica

Per valutare l’efficacia di questo quadro, i ricercatori hanno condotto un test coinvolgendo utenti umani. I partecipanti sono stati chiesti se le spiegazioni controfattuali del sistema miglioravano la loro comprensione delle prestazioni del robot nel compito.

Peng afferma: “Abbiamo scoperto che gli esseri umani sono naturalmente abili in questo tipo di ragionamento controfattuale. È questo elemento controfattuale che ci consente di tradurre il ragionamento umano nella logica robotica in modo fluido.”

Nel corso di numerose simulazioni, il robot ha imparato costantemente più in fretta con il loro approccio, superando altre tecniche e richiedendo meno dimostrazioni da parte degli utenti.

Guardando al futuro, il team pianifica di implementare questo quadro su robot reali e di lavorare per ridurre il tempo di generazione dei dati tramite modelli di apprendimento automatico generativi. Questo approccio innovativo ha il potenziale per trasformare la traiettoria di apprendimento dei robot, aprendo la strada a un futuro in cui i robot coesistono armoniosamente nella nostra vita quotidiana.