Robotlar öz həmkarlarından səylə və metodik şəkildə öyrənə bilərlər

Google tərəfindən tədqiqat mərkəzləri və şirkətlərlə sinerji ilə həyata keçirilən son araşdırmalar süni görmə və təbii dil emalı kimi maşın öyrənməsi (ML) üzrə mühüm nəticələr verib.

Qazanan, ümumi və paylaşılan yanaşma bütün məlumatları effektiv şəkildə mənimsəyə bilən böyük və müxtəlif verilənlər bazalarından və ifadəli modellərdən istifadə edir. Bu yanaşmanı robototexnikaya tətbiq etmək üçün müxtəlif cəhdlər olsa da, robotlar hələ digər alt sahələrdə olduğu kimi yüksək qabiliyyətli modellərdən də istifadə etməmişdilər.

Bu illər ərzində biz insan imkanlarımızı tamamlamaq və artırmaq üçün tez-tez texnologiyaya etibar etmişik. Biz məlumat paylaşmağa kömək etmək üçün printerlər, riyaziyyat üçün kalkulyatorlar, sürətlə hərəkət etməyimizə kömək etmək üçün təyyarələr hazırladıq. Son illərdə və xüsusən də maşın öyrənməsi sahəsində biz Axtarış, Köməkçilər, Xəritələr və sair kimi faydalı texnologiyaları gücləndirmək üçün məlumatları emal etmək üçün yeni üsullar hazırlamışıq.

Transformator

2017-ci ildən əvvəl sistemləri maşın təlim onlar daxil etdikləri məlumatların hansı hissəsinin düzgün cavaba çatmaq üçün uyğun olduğunu müəyyən etmək üçün mübarizə apardılar. Transformator diqqət anlayışını təqdim etdi: onun girişinin vacib hissəsinə diqqət yetirməklə, model dinamik olaraq hansı məlumatın vacib olduğunu və hansının olmadığını seçə bilər. Transformatorlar o qədər aktual olduqlarını sübut etdilər ki, süni intellektin çox hissəsini gücləndirərək müasir dil modellərinin anasına çevrildilər. Bu gün hətta süni intellekt sahəsində Imagen və Parti kimi görünüşlər meydana gətirir.

Bu illər ərzində Transformerlər internetdən böyük həcmdə mətn məlumatı üzrə təlim keçmişlər. Onlar tərcümə xidmətləri göstərmək, insan söhbətini formalaşdırmaq və yüksək keyfiyyətli axtarış nəticələrini artırmaq üçün dildə meylləri və nümunələri müəyyən etməyə kömək edir. Son zamanlar Transformers şəkillər, video və nitq daxil olmaqla dildən başqa digər məlumat növlərini də anlamağa kömək etmək üçün daha geniş şəkildə qəbul edilmişdir. Həqiqətən, Transformers nitq və vizual tapşırıqlarda üstündür, ona görə də biz bu texnologiyadan istifadə edərək robotların nə gördüyünü və necə hərəkət etdiyini başa düşə bildik.

Transformatorların robotlara tətbiqi

Everyday Robots ilə əməkdaşlıq nəticəsində google göstərdi ki, PaLM kimi güclü dil modelinin robot öyrənmə modelinə inteqrasiyası təkcə insanlara robotla ünsiyyət qurmağa imkan vermir, həm də robotun ümumi performansını yaxşılaşdıra bilər. Bu dil modeli yardımçı botlara müxtəlif növ sorğuları başa düşməyə imkan verdi – məsələn, “acdım, mənə qəlyanaltı gətir” və ya “bu sızıntını təmizləməkdə mənə kömək et” – və onları icra etsin.

Google, robotlara gördüklərini daha çox öyrənməyə kömək etmək üçün Transformer olan PaLM ilə eyni arxitekturadan istifadə edir. Beləliklə, “Mən acmışam, mənə qəlyanaltı gətir” kimi sorğunun arxasındakı dili anlamaqdansa, o, bizim etdiyimiz kimi, qəlyanaltılara baxmaq və gətirmək kimi şeylər etməklə bütün kollektiv təcrübələrini öyrənə bilər.

Tədqiqat

Transformatorun təlimi 130.000 Gündəlik Robotlar köməkçi robotu tərəfindən yerinə yetirilən 700-dən çox növ tapşırıqdan ibarət 13 nümayişdən toplanmış məlumatlardan istifadə edilməklə həyata keçirilib - bir şəxs robotu bir tapşırığı yerinə yetirmək üçün idarə edərkən. Fəaliyyətlərə əşyaların götürülməsi və yerləşdirilməsi, siyirmələrin açılması və bağlanması, siyirmələrin içərisinə və çıxarılması, uzunsov əşyaların yuxarı sağ küncə yerləşdirilməsi, əşyaların yıxılması, salfetlərin çəkilməsi və qutuların açılması kimi bacarıqlar daxildir. Nəticə 1-dən çox işi yerinə yetirməyə qadir olan ən müasir Robotik Transformator modeli və ya RT-700. Öyrəndiklərini yeni fəaliyyətlərə, obyektlərə və mühitlərə ümumiləşdirərək müvəffəqiyyət nisbəti 97% təşkil edir.
Transformator əsaslı dil modeli mətndə gördüyü tendensiyalar və nümunələr əsasında növbəti sözü necə proqnozlaşdırır. RT-1 robot qavrayış məlumatları və müvafiq hərəkətlər üzrə təlim keçmişdir ki, o, robotun növbəti ən çox ehtimal olunan davranışını müəyyən edə bilsin. Bu yanaşma robota öyrəndiklərini yeni tapşırıqlar üçün ümumiləşdirməyə imkan verir. O, bunu təlim məlumatlarında təcrübə əsasında yeni obyektləri və mühitləri idarə etməklə edir – bu, adətən dar tapşırıqlar üçün ciddi şəkildə kodlaşdırılan robotlar üçün nadir bir nailiyyətdir.

Bir-birinizdən öyrənin

İnsanlar olaraq biz öz təcrübəmizdən və bir-birimizdən öyrənirik. Biz tez-tez öyrəndiklərimizi paylaşırıq və qarşılaşdığımız uğursuzluqlar əsasında sistemləri yenidən işləyirik. Robotlar bir-biri ilə ünsiyyət qurmasalar da, tədqiqatlar müxtəlif növ robotlardan verilənlər bazalarının necə uğurla birləşdirilə biləcəyini və davranışların onlar arasında ötürüldüyünü göstərir. Google göstərdi ki, bir neçə robotun məlumatlarını birləşdirərək, modelin tutumunu təxminən iki dəfə artıra və yeni səhnəyə ümumiləşdirə bilirlər. Bu o deməkdir ki, müxtəlif robotlar və yeni tapşırıqlarla təcrübə aparmağa davam etməklə RT-1 üçün təlim məlumatlarını artırmaq, robot davranışını təkmilləşdirmək, onu robot öyrənməsinə çevik və miqyaslı yanaşma etmək mümkün ola bilər.

Daha faydalı robototexnikaya doğru

Google-un açıq mənbəli Transformer tədqiqatına sahib olduğu kimi, RT-1 də robototexnika sahəsində gələcək tədqiqatları təşviq etmək üçün açıq mənbəli olacaq. Bu, insan mərkəzli mühitlərin demək olar ki, sonsuz dəyişkənliyini idarə edə bilən robotik öyrənmə sistemlərinə doğru ilk addımdır.

Ercole Palmeri

â € <