Estrutura de IA Orientada por Humanos Promete Aprendizado Robótico Mais Rápido em Ambientes Novos

No futuro da era de casas inteligentes, adquirir um robô para otimizar tarefas domésticas não será uma raridade. No entanto, a frustração pode se instalar quando esses ajudantes automatizados falham em realizar tarefas simples. Entre nesse cenário Andi Peng, uma estudiosa do departamento de Engenharia Elétrica e Ciência da Computação do MIT, que, junto com sua equipe, está criando um caminho para melhorar a curva de aprendizado dos robôs.

Peng e sua equipe interdisciplinar de pesquisadores pioneiram uma estrutura interativa de robô humano. O destaque desse sistema é sua capacidade de gerar narrativas contrafactuais que apontam as mudanças necessárias para o robô realizar uma tarefa com sucesso.

Para ilustrar, quando um robô luta para reconhecer uma caneca pintada de forma peculiar, o sistema oferece situações alternativas nas quais o robô teria sucesso, talvez se a caneca fosse de uma cor mais comum. Essas explicações contrafactuais, juntamente com o feedback humano, otimizam o processo de geração de novos dados para o ajuste fino do robô.

Peng explica, “Ajuste fino é o processo de otimizar um modelo de aprendizado de máquina existente que já é proficiente em uma tarefa, permitindo que ele realize uma segunda tarefa análoga.”

Um Salto em Eficiência e Desempenho

Quando testado, o sistema mostrou resultados impressionantes. Robôs treinados por esse método exibiram habilidades de aprendizado rápidas, enquanto reduziam o compromisso de tempo de seus professores humanos. Se implementado com sucesso em larga escala, essa estrutura inovadora poderia ajudar robôs a se adaptarem rapidamente a novos ambientes, minimizando a necessidade de que os usuários possuam conhecimento técnico avançado. Essa tecnologia poderia ser a chave para desbloquear robôs de propósito geral capazes de auxiliar indivíduos idosos ou deficientes de forma eficiente.

Peng acredita, “O objetivo final é empoderar um robô a aprender e funcionar em um nível abstrato semelhante ao humano.”

Revolucionando o Treinamento de Robôs

O principal obstáculo no aprendizado robótico é a ‘mudança de distribuição’, um termo usado para descrever uma situação em que um robô encontra objetos ou espaços com os quais não foi exposto durante seu período de treinamento. Os pesquisadores, para resolver esse problema, implementaram um método conhecido como ‘aprendizado por imitação’. No entanto, ele tinha suas limitações.

“Imagine ter que demonstrar com 30.000 canecas para um robô pegar qualquer caneca. Em vez disso, prefiro demonstrar com apenas uma caneca e ensinar o robô a entender que ele pode pegar uma caneca de qualquer cor”, diz Peng.

Em resposta a isso, o sistema da equipe identifica quais atributos do objeto são essenciais para a tarefa (como a forma de uma caneca) e quais não são (como a cor da caneca). Armados com essas informações, eles geram dados sintéticos, alterando os elementos visuais “não essenciais”, otimizando assim o processo de aprendizado do robô.

Conectando o Raciocínio Humano com a Lógica Robótica

Para avaliar a eficácia dessa estrutura, os pesquisadores conduziram um teste envolvendo usuários humanos. Os participantes foram questionados se as explicações contrafactuais do sistema melhoraram sua compreensão do desempenho da tarefa do robô.

Peng diz, “Descobrimos que os humanos são intrinsicamente aptos a esse tipo de raciocínio contrafactual. É esse elemento contrafactual que nos permite traduzir o raciocínio humano em lógica robótica de forma transparente.”

Durante várias simulações, o robô aprendeu consistentemente mais rápido com a abordagem deles, superando outras técnicas e necessitando de menos demonstrações dos usuários.

Olhando para o futuro, a equipe planeja implementar essa estrutura em robôs reais e trabalhar na redução do tempo de geração de dados via modelos de aprendizado de máquina gerativos. Essa abordagem inovadora tem o potencial de transformar a trajetória de aprendizado dos robôs, abrindo caminho para um futuro onde robôs coexistam harmoniosamente em nosso dia a dia.