Robotët mund të mësojnë nga njerëzit e tjerë, me zell dhe metodikë

Hulumtimet e fundit të kryera nga Google në sinergji me qendrat kërkimore dhe kompanitë kanë dhënë rezultate të rëndësishme në mësimin e makinerive (ML), si vizioni artificial dhe përpunimi i gjuhës natyrore.

Qasja fituese, e zakonshme dhe e përbashkët shfrytëzon grupe të dhënash të mëdha dhe të larmishme dhe modele ekspresive që mund të absorbojnë në mënyrë efektive të gjitha të dhënat. Ndërsa ka pasur përpjekje të ndryshme për të aplikuar këtë qasje në robotikë, robotët nuk kishin shfrytëzuar ende modele shumë të afta, si dhe në nënfusha të tjera.

Me kalimin e viteve, ne shpesh jemi mbështetur te teknologjia për të plotësuar dhe përmirësuar aftësitë tona njerëzore. Ne zhvilluam printera për të ndihmuar në ndarjen e informacionit, kalkulatorë për matematikë, aeroplanë për të na ndihmuar të lëvizim shpejt. Vitet e fundit, dhe veçanërisht në fushën e mësimit të makinerive, ne kemi zhvilluar mënyra të reja për të përpunuar informacionin për të fuqizuar teknologjitë e dobishme si Kërkimi, Asistentët, Hartat dhe shumë më tepër.

transformator

Para vitit 2017 sistemet e Mësimi makinë ata luftuan për të përcaktuar se cila pjesë e kontributit të tyre ishte e rëndësishme për të arritur në përgjigjen e saktë. Transformer prezantoi nocionin e vëmendjes: duke i kushtuar vëmendje pjesës së rëndësishme të hyrjes së tij, modeli mund të zgjedhë në mënyrë dinamike se cili informacion ka rëndësi dhe cili jo. Transformatorët janë dëshmuar aq të rëndësishëm sa janë bërë nëna e modeleve moderne të gjuhës, duke ushqyer shumë inteligjencë artificiale. Sot, edhe në fushën e inteligjencës artificiale që gjeneron imazhe të tilla si Imagen dhe Parti.

Gjatë viteve, Transformers janë trajnuar për sasi të mëdha të të dhënave tekstuale nga ueb. Ato ndihmojnë në identifikimin e tendencave dhe modeleve në gjuhë për të ofruar shërbime përkthimi, për të formuar bisedën njerëzore dhe për të nxitur rezultate kërkimi me cilësi të lartë. Kohët e fundit, Transformers janë miratuar më gjerësisht për të ndihmuar në kuptimin e llojeve të tjera të informacionit përveç gjuhës, duke përfshirë imazhet, videon dhe fjalimin. Në të vërtetë, Transformers shkëlqejnë në detyrat e të folurit dhe vizuale, kështu që ne ishim në gjendje ta përdornim këtë teknologji për të kuptuar se çfarë shohin robotët dhe si veprojnë ata.

Aplikimi i transformatorëve te robotët

Nga një bashkëpunim me Everyday Robots, google ka treguar se integrimi i një modeli të fuqishëm gjuhësor si PalM, në një model të të mësuarit robot, jo vetëm që mund t'i lejojë njerëzit të komunikojnë me një robot, por edhe të përmirësojë performancën e përgjithshme të robotit. Ky model gjuhësor i lejoi robotët ndihmës të kuptonin lloje të ndryshme kërkesash – të tilla si “jam i uritur, më sill një meze të lehtë” ose “më ndihmo ta pastroj këtë derdhje” – dhe t'i ekzekutojnë ato.

Google po përdor të njëjtën arkitekturë si PaLM, Transformer, për të ndihmuar robotët të mësojnë më në përgjithësi nga ajo që kanë parë tashmë. Pra, në vend që të kuptojë thjesht gjuhën që qëndron pas një kërkese si "jam e uritur, më sill një meze të lehtë", ajo mund të mësojë - ashtu si ne - nga të gjitha përvojat e saj kolektive duke bërë gjëra të tilla si shikimi dhe marrja e ushqimeve.

Për kërkimin

Trajnimi i Transformer u krye duke përdorur të dhëna të mbledhura nga 130.000 demonstrime - kur një person përdor robotin për të kryer një detyrë - të më shumë se 700 llojeve të detyrave, të përfunduara nga 13 robotë ndihmës të Everyday Robots. Aktivitetet përfshijnë aftësi të tilla si marrja dhe vendosja e objekteve, hapja dhe mbyllja e sirtarëve, vendosja e objekteve brenda dhe jashtë sirtarëve, vendosja e objekteve të zgjatura në këndin e sipërm të djathtë, rrëzimi i objekteve, tërheqja e pecetave dhe hapja e kanaçeve. Rezultati është një model i teknologjisë së fundit Robotics Transformer, ose RT-1, i aftë për të kryer mbi 700 detyra. Shkalla e suksesit është 97%, duke i përgjithësuar mësimet e tij në aktivitete, objekte dhe mjedise të reja.
Si një model gjuhësor i bazuar në Transformer parashikon fjalën tjetër bazuar në tendencat dhe modelet që sheh në tekst. RT-1 u trajnua mbi të dhënat e perceptimit të robotëve dhe veprimet përkatëse, në mënyrë që të mund të identifikonte sjelljen tjetër më të mundshme në të cilën duhet të përfshihet një robot. Kjo qasje i lejon robotit të përgjithësojë atë që ka mësuar në detyra të reja. Ai e bën këtë duke menaxhuar objekte dhe mjedise të reja bazuar në përvojat në të dhënat e tij të trajnimit - një arritje e rrallë për robotët, të cilët zakonisht kodohen në mënyrë rigoroze për detyra të ngushta.

Mësoni nga njëri-tjetri

Si njerëz, ne mësojmë nga përvojat tona dhe nga njëri-tjetri. Ne shpesh ndajmë atë që kemi mësuar dhe ripunojmë sistemet bazuar në dështimet që kemi hasur. Megjithëse robotët nuk komunikojnë me njëri-tjetrin, hulumtimi tregon se si grupet e të dhënave nga lloje të ndryshme robotësh mund të kombinohen me sukses dhe sjelljet të transferohen në to. Google ka treguar se duke kombinuar të dhënat nga disa robotë, ata janë në gjendje të dyfishojnë kapacitetin e modelit dhe të përgjithësohen në një skenë të re. Kjo do të thotë se duke vazhduar të eksperimentosh me robotë të ndryshëm dhe detyra të reja, dikush mund të jetë në gjendje të rrisë të dhënat e trajnimit për RT-1, duke përmirësuar sjelljen e robotëve, duke e bërë atë një qasje fleksibël dhe të shkallëzuar për të mësuarit e robotëve.

Drejt robotikës më të dobishme

Ashtu si Google ka kërkime me burim të hapur Transformer, RT-1 gjithashtu do të jetë me burim të hapur për të nxitur kërkime të mëtejshme në hapësirën e robotikës. Ky është një hap i parë drejt sistemeve robotike të të mësuarit që mund të jenë në gjendje të trajtojnë ndryshueshmërinë pothuajse të pafundme të mjediseve me në qendër njeriun.

Ercole Palmeri

â € <