Roboti mogu učiti od svojih bližnjih, marljivo i metodično

Nedavno istraživanje koje je Google proveo u sinergiji sa istraživačkim centrima i kompanijama dalo je važne rezultate o mašinskom učenju (ML), kao što je veštačka vizija i obrada prirodnog jezika.

Pobjednički, zajednički i zajednički pristup koristi velike i raznolike skupove podataka i izražajne modele koji mogu efikasno apsorbirati sve podatke. Iako je bilo različitih pokušaja da se ovaj pristup primijeni na robotiku, roboti još nisu koristili visoko sposobne modele kao ni u drugim podpoljima.

Tokom godina, često smo se oslanjali na tehnologiju da dopunimo i poboljšamo naše ljudske sposobnosti. Razvili smo štampače koji nam pomažu u dijeljenju informacija, kalkulatore za matematiku, avione koji nam pomažu da se brzo krećemo. Posljednjih godina, a posebno u području strojnog učenja, razvili smo nove načine za obradu informacija za pokretanje korisnih tehnologija kao što su Pretraga, Pomoćnici, Mape i još mnogo toga.

transformator

Prije 2017. godine sistemi mašinsko učenje borili su se da odrede koji je dio njihovog unosa relevantan za dolazak do tačnog odgovora. Transformer je uveo pojam pažnje: obraćajući pažnju na važan dio svog unosa, model može dinamički birati koje su informacije važne, a koje ne. Transformatori su se pokazali toliko relevantnim da su postali majka modernih jezičkih modela, podstičući veći dio umjetne inteligencije. Danas čak iu polju umjetne inteligencije koja generiše slike kao što su Imagen i Parti.

Tokom godina, Transformers su bili obučeni o ogromnim količinama tekstualnih podataka s weba. Oni pomažu da se identifikuju trendovi i obrasci u jeziku kako bi se pružile usluge prevođenja, oblikovali ljudski razgovori i podstakli visokokvalitetni rezultati pretraživanja. U posljednje vrijeme, Transformers su sve više prihvaćeni kako bi pomogli u razumijevanju drugih vrsta informacija osim jezika, uključujući slike, video i govor. Zaista, Transformeri su izvrsni u govornim i vizualnim zadacima, tako da smo mogli koristiti ovu tehnologiju da shvatimo šta roboti vide i kako se ponašaju.

Primjena transformatora na robote

U saradnji sa kompanijom Everyday Robots, google je pokazao da integracija moćnog jezičkog modela poput PaLM-a u model učenja robota ne može samo omogućiti ljudima da komuniciraju s robotom, već i poboljšati ukupne performanse robota. Ovaj jezički model je omogućio botovima koji pomažu da shvate različite vrste zahtjeva – kao što su „gladan sam, donesi mi užinu“ ili „pomozite mi da očistim ovo izlijevanje“ – i da ih izvrše.

Google koristi istu arhitekturu kao PaLM, Transformer, kako bi pomogao robotima da uče više općenito iz onoga što su već vidjeli. Dakle, umjesto da samo razumije jezik koji stoji iza zahtjeva poput „gladan sam, donesi mi užinu“, ona može naučiti – baš kao i mi – iz svih svojih kolektivnih iskustava radeći stvari poput gledanja i donošenja grickalica.

Istraživanje

Transformerova obuka je obavljena korištenjem podataka prikupljenih iz 130.000 demonstracija – kada osoba upravlja robotom da izvrši zadatak – više od 700 vrsta zadataka, koje je završilo 13 robota pomoćnika Everyday Robots. Aktivnosti uključuju vještine poput podizanja i postavljanja predmeta, otvaranja i zatvaranja ladica, stavljanja predmeta u i iz ladica, postavljanja izduženih predmeta u gornji desni kut, obaranja predmeta, povlačenja salveta i otvaranja limenki. Rezultat je najmoderniji model Robotics Transformer, ili RT-1, sposoban za obavljanje preko 700 zadataka. Stopa uspješnosti je 97%, generalizirajući njegovo učenje na nove aktivnosti, objekte i okruženja.
Kako jezički model zasnovan na Transformeru predviđa sljedeću riječ na osnovu trendova i obrazaca koje vidi u tekstu. RT-1 je bio obučen za podatke o percepciji robota i odgovarajućim radnjama kako bi mogao identificirati sljedeće najvjerovatnije ponašanje u koje bi robot trebao biti uključen. Ovaj pristup omogućava robotu da generalizira ono što je naučio na nove zadatke. To radi upravljanjem novim objektima i okruženjima na osnovu iskustava u svojim podacima o obuci – rijedak podvig za robote, koji su obično rigorozno kodirani za uske zadatke.

Učite jedni od drugih

Kao ljudi, učimo iz vlastitih iskustava i jedni od drugih. Često dijelimo ono što smo naučili i prerađujemo sisteme na osnovu neuspjeha na koje smo naišli. Iako roboti ne komuniciraju jedni s drugima, istraživanja pokazuju kako se skupovi podataka različitih tipova robota mogu uspješno kombinirati i ponašanja prenijeti preko njih. Google je pokazao da kombinovanjem podataka nekoliko robota mogu skoro udvostručiti kapacitet modela i generalizovati na novu scenu. To znači da bi se nastavkom eksperimentiranja s različitim robotima i novim zadacima moglo povećati podatke o obuci za RT-1, poboljšavajući ponašanje robota, čineći ga fleksibilnim i skalabilnim pristupom učenju robota.

Ka korisnijoj robotici

Kao što Google ima otvoreno istraživanje Transformera, RT-1 će također biti otvorenog koda kako bi podstakao daljnja istraživanja u prostoru robotike. Ovo je prvi korak ka robotskim sistemima za učenje koji bi mogli da se nose sa gotovo beskonačnom varijabilnosti okruženja usredsređenog na čoveka.

Ercole Palmeri

​