İnsan Kılavuzlu AI Çerçevesi Robotik Öğrenmeyi Yeni Ortamlarda Hızlandırıyor

Gelecek dönemde akıllı evlerde, ev işlerini kolaylaştırmak için bir robota sahip olmak nadir bir şey olmayacak. Ancak, bu otomatik yardımcılar basit görevleri yerine getiremediğinde hayal kırıklığı oluşabilir. MIT’in Elektrik Mühendisliği ve Bilgisayar Bilimi bölümünden Andi Peng, birlikte çalıştığı ekibiyle, robotların öğrenme eğrisini iyileştirmek için bir yol oluşturuyor.

Peng ve araştırmacı ekibi, bir insan-robot etkileşimli çerçeve geliştirdi. Bu sistemin öne çıkan özelliği, robotun bir görevi başarılı bir şekilde gerçekleştirmesi için gerekli değişiklikleri belirleyen karşıt anlatılar oluşturabilmesidir.

Örneğin, bir robot tuhaf bir şekilde boyanmış bir fincanı tanımlamakta zorlanıyorsa, sistem alternatif durumlar sunar, örneğin fincan daha yaygın bir renge sahip olsaydı robotun başarılı olabileceği durumlar. Bu karşıt açıklamalar, insan geri bildirimi ile birleştirildiğinde, robot için yeni veri oluşturma ve fine-tuning süreci hızlandırılır.

Peng, “Fine-tuning, zaten bir görevde uzmanlaşmış bir makine öğrenimi modelini, ikinci, benzer bir görevi gerçekleştirmesini sağlamak için optimize etme sürecidir” diyor.

Verimlilik ve Performans’ta Bir Sıçrama

Sistem test edildiğinde etkileyici sonuçlar gösterdi. Bu yöntemle eğitilen robotlar, hızlı öğrenme yetenekleri sergilerken, insan öğretmenlerinin zaman taahhüdünü azalttı. Bu yenilikçi çerçevenin büyük ölçekte başarılı bir şekilde uygulanması, robotların yeni ortamlara hızlı bir şekilde uyum sağlamalarına yardımcı olabilir, böylece kullanıcıların advanced teknik bilgiye sahip olmasına gerek kalmaz. Bu teknoloji, genel amaçlı robotları, yaşlı veya engelli bireyleri verimli bir şekilde destekleyebilecek şekilde güçlendirebilir.

Peng, “Son hedef, bir robota insan benzeri soyut bir düzeyde öğrenme ve işlevsellik kazandırmaktır” diyor.

Robot Eğitiminin Devrimi

Robotik öğrenmede temel engel, ‘dağılım kayması’ olarak bilinen durum, yani robotun eğitim döneminde karşılaşmadığı nesneler veya alanlarla karşılaşmasıdır. Araştırmacılar, bu sorunu çözmek için ‘taklit öğrenme’ yöntemini uyguladılar, ancak bu yöntemin sınırlamaları vardı.

“30.000 fincan için bir robota göstermek yerine, sadece bir fincan gösterip robota her renkten fincanı alabileceğini öğretmeyi tercih ederim” diyor Peng.

Buna karşılık, ekibin sistemi, nesnenin görev için gerekli olan özelliklerini (örneğin, fincanın şekli) ve olmayan özelliklerini (örneğin, fincanın rengi) belirler. Bu bilgiyle, sentetik veri oluşturur ve “önemsiz” görsel öğeleri değiştirerek, robota öğrenme sürecini optimize eder.

İnsan Mantığını Robottan Mantıkla Bağlamak

Bu çerçevenin etkinliğini ölçmek için araştırmacılar, insan kullanıcılarla bir test gerçekleştirdi. Katılımcılardan, sistemin karşıt açıklamalarının robotun görev performansını anlamalarına yardımcı olup olmadığını sordu.

Peng, “İnsanların bu tür karşıt akıl yürütme konusunda doğal bir yeteneği olduğunu bulduk. Bu karşıt öğe, insan mantığını robota mantıkla bağlamamızı sağlıyor” diyor.

Çoklu simülasyonlar boyunca, robot tutarlı bir şekilde daha hızlı öğrenme gösterdi ve diğer teknikleri geride bıraktı, ayrıca kullanıcıların daha az gösterimi gerektirdi.

İlerleyen dönemde, ekip bu çerçeveyi gerçek robotlara uygulamayı ve generatif makine öğrenimi modelleri aracılığıyla veri oluşturma süresini kısaltmayı planlıyor. Bu yenilikçi yaklaşım, robot öğrenme yolunu dönüştürme potansiyeline sahip, robotların günlük hayatımızda uyumlu bir şekilde var olabileceği bir geleceğe yol açabilir.