Zmagovalni, skupni in skupni pristop izkorišča velike in raznolike nabore podatkov ter ekspresivne modele, ki lahko učinkovito absorbirajo vse podatke. Medtem ko je bilo več poskusov uporabe tega pristopa v robotiki, roboti še niso izkoriščali zelo zmogljivih modelov kot tudi na drugih podpoljih.
Z leti smo se pogosto zanašali na tehnologijo, da bi dopolnili in izboljšali naše človeške sposobnosti. Razvili smo tiskalnike za pomoč pri izmenjavi informacij, kalkulatorje za matematiko, letala za pomoč pri hitrejšem premikanju. V zadnjih letih, zlasti na področju strojnega učenja, smo razvili nove načine za obdelavo informacij za pogon uporabnih tehnologij, kot so Iskanje, Pomočniki, Zemljevidi in še veliko več.
Pred letom 2017 so bili sistemi strojno učenje trudili so se ugotoviti, kateri del njihovega vnosa je pomemben za pravilen odgovor. Transformer je uvedel pojem pozornosti: če je pozoren na pomemben del svojega vnosa, lahko model dinamično izbere, katere informacije so pomembne in katere ne. Transformerji so se izkazali za tako pomembne, da so postali mati sodobnih jezikovnih modelov, ki spodbujajo večino umetne inteligence. Danes tudi na področju umetne inteligence, ki generira slike, kot sta Imagen in Parti.
Z leti so se Transformerji urili na ogromnih količinah besedilnih podatkov iz spleta. Pomagajo prepoznati trende in vzorce v jeziku za zagotavljanje prevajalskih storitev, oblikujejo človeški pogovor in spodbujajo visokokakovostne rezultate iskanja. V zadnjem času so Transformerji vse pogosteje uporabljeni za pomoč pri razumevanju drugih vrst informacij poleg jezika, vključno s slikami, videoposnetki in govorom. Transformerji so resnično odlični pri govornih in vizualnih nalogah, zato smo lahko s to tehnologijo razumeli, kaj roboti vidijo in kako se obnašajo.
Iz sodelovanja z Everyday Robots je google pokazal, da integracija zmogljivega jezikovnega modela, kot je PaLM, v robotski učni model ne bi le omogočila ljudem, da komunicirajo z robotom, ampak bi lahko tudi izboljšala splošno učinkovitost robota. Ta jezikovni model je botom za pomoč omogočil razumevanje različnih vrst zahtev – na primer »lačen sem, prinesi mi prigrizek« ali »pomagaj mi počistiti to razlitje« – in jih izvršil.
Google uporablja isto arhitekturo kot PaLM, Transformer, da bi robotom pomagal pri splošnem učenju iz tega, kar so že videli. Torej, namesto da samo razume jezik v ozadju zahteve, kot je »Lačen sem, prinesi mi prigrizek,« se lahko uči – tako kot mi – iz vseh svojih skupnih izkušenj tako, da počne stvari, kot je gledanje in prinašanje prigrizkov.
Usposabljanje Transformerja je potekalo z uporabo podatkov, zbranih iz 130.000 demonstracij – ko oseba upravlja robota za izvedbo naloge – več kot 700 vrst nalog, ki jih je opravilo 13 robotov pomočnikov Everyday Robots. Dejavnosti vključujejo spretnosti, kot so pobiranje in odlaganje predmetov, odpiranje in zapiranje predalov, dajanje predmetov v in iz predalov, polaganje podolgovatih predmetov v zgornji desni kot, prevračanje predmetov, vlečenje prtičkov in odpiranje pločevink. Rezultat je najsodobnejši model Robotics Transformer ali RT-1, ki lahko opravi več kot 700 nalog. Stopnja uspešnosti je 97 %, posplošuje svoje učenje na nove dejavnosti, predmete in okolja.
Kako jezikovni model, ki temelji na Transformerju, napove naslednjo besedo na podlagi trendov in vzorcev, ki jih vidi v besedilu. RT-1 je bil usposobljen za podatke o zaznavanju robota in ustreznih dejanjih, tako da je lahko prepoznal naslednje najverjetnejše vedenje, ki bi se ga moral lotiti robot. Ta pristop omogoča robotu, da posploši naučeno na nove naloge. To počne z upravljanjem novih predmetov in okolij na podlagi izkušenj v svojih podatkih o usposabljanju – redek podvig za robote, ki so običajno strogo kodirani za ozke naloge.
Kot ljudje se učimo iz lastnih izkušenj in drug od drugega. Pogosto delimo, kar smo se naučili, in predelujemo sisteme na podlagi napak, na katere smo naleteli. Čeprav roboti ne komunicirajo med seboj, raziskave kažejo, kako je mogoče nabore podatkov iz različnih tipov robotov uspešno kombinirati in vedenje prenašati med njimi. Google je pokazal, da lahko z združevanjem podatkov iz več robotov skoraj podvojijo zmogljivost modela in posplošijo na novo sceno. To pomeni, da bi lahko z nadaljnjim eksperimentiranjem z različnimi roboti in novimi nalogami povečali podatke o usposabljanju za RT-1, s čimer bi izboljšali vedenje robota, zaradi česar bi postal prilagodljiv in razširljiv pristop k robotskemu učenju.
Tako kot ima Google odprtokodne raziskave Transformerja, bo tudi RT-1 odprtokoden za spodbujanje nadaljnjih raziskav na področju robotike. To je prvi korak k robotskim učnim sistemom, ki bodo morda sposobni obvladati skoraj neskončno spremenljivost okolij, osredotočenih na človeka.
Ercole Palmeri
,war
Razvijanje finih motoričnih spretnosti z barvanjem otroke pripravi na kompleksnejše spretnosti, kot je pisanje. Za barvanje…
Pomorski sektor je prava svetovna gospodarska sila, ki je krmarila proti 150 milijardnemu trgu...
Prejšnji ponedeljek je Financial Times objavil dogovor z OpenAI. FT licencira svoje vrhunsko novinarstvo ...
Milijoni ljudi plačujejo storitve pretakanja in plačujejo mesečne naročnine. Splošno mnenje je, da si…
