الأطفال الصغار يلهمون أساليب جديدة لتعلم الروبوت

إنه وقت مثير للتعلم الآلي. أمضت المنظمات عقودًا في بناء مجموعات بيانات معقدة ورائدة طرق مختلفة لتعليم الأنظمة لأداء مهام جديدة. يبدو أننا على أعتاب بعض الاختراقات الحقيقية عندما يتعلق الأمر بنشر التكنولوجيا التي يمكنها التكيف والتعلم أثناء التنقل.

في العام الماضي ، رأينا عددًا كبيرًا من الدراسات الرائعة. خذ VRB (Vision-Robotics Bridge) ، الذي عرضته جامعة كارنيجي ميلون مرة أخرى في يونيو. النظام قادر على تطبيق الدروس المستفادة من مقاطع فيديو YouTube على بيئات مختلفة ، لذلك لا يتعين على المبرمج أن يأخذ في الحسبان كل الاختلاف المحتمل.

في الشهر الماضي ، عرض فريق الروبوتات DeepMind في Google أعماله المثيرة للإعجاب ، في شكل RT-2 (Robotic Transformer 2). النظام قادر على تجريد التفاصيل الدقيقة لأداء مهمة ما. في المثال المعطى ، إخبار الروبوت برمي قطعة من القمامة لا يتطلب مبرمجًا لتعليم الروبوت تحديد قطع معينة من القمامة ، والتقاطها ورميها بعيدًا من أجل أداء ما يبدو بسيطًا (بالنسبة للبشر ، على الأقل) المهمة.

يقارن البحث الإضافي الذي أبرزته جامعة CMU هذا الأسبوع عملها بالتعلم البشري في المراحل المبكرة. على وجه التحديد ، تتم مقارنة عامل الذكاء الاصطناعي الآلي بطفل يبلغ من العمر ثلاث سنوات. بوضع السياق ، يتم تقسيم مستوى التعلم إلى فئتين – التعلم النشط والسلبي.

التعلم السلبي في هذه الحالة هو تعليم نظام لأداء مهمة عن طريق عرض مقاطع فيديو لها أو تدريبها على مجموعات البيانات المذكورة أعلاه. التعلم النشط هو بالضبط ما يبدو عليه – الخروج وأداء مهمة والتعديل حتى تحصل عليها بشكل صحيح.

RoboAgent ، وهو جهد مشترك بين CMU و Meta AI (نعم ، هذا Meta) ، يجمع بين هذين النوعين من التعلم ، تمامًا كما يفعل الإنسان. وهذا يعني هنا مراقبة المهام التي يتم إجراؤها عبر الإنترنت ، إلى جانب التعلم النشط عن طريق التشغيل عن بُعد للروبوت. وفقًا للفريق ، فإن النظام قادر على أخذ الدروس من بيئة وتطبيقها على أخرى ، على غرار نظام VRB المذكور أعلاه.

يقول شوبهام تولسياني من معهد الروبوتات بجامعة كارنيجي ميلون: “إن العامل القادر على هذا النوع من التعلم يقترب بنا من روبوت عام يمكنه إكمال مجموعة متنوعة من المهام في بيئات متنوعة غير مرئية ويتطور باستمرار لأنه يجمع المزيد من الخبرات”. “يمكن لـ RoboAgent تدريب الروبوت بسرعة باستخدام بيانات محدودة في المجال مع الاعتماد بشكل أساسي على البيانات المجانية المتوفرة بكثرة من الإنترنت لتعلم مجموعة متنوعة من المهام. وهذا يمكن أن يجعل الروبوتات أكثر فائدة في الأماكن غير المنظمة مثل المنازل والمستشفيات والأماكن العامة الأخرى “.

أحد الأجزاء الأكثر برودة في كل هذا هو حقيقة أن مجموعة البيانات مفتوحة المصدر ويمكن الوصول إليها عالميًا. تم تصميمه أيضًا ليتم استخدامه مع أجهزة الروبوتات المتاحة بسهولة ، مما يعني أنه يمكن للباحثين والشركات على حد سواء استخدام وبناء مجموعة متنامية من بيانات ومهارات الروبوتات.

يقول أبيناف جوبتا من معهد الروبوتات: “إن RoboAgents قادرون على الحصول على مهارات أكثر تعقيدًا مما حققه الآخرون”. “لقد أظهرنا تنوعًا أكبر في المهارات أكثر من أي شيء حققه عامل روبوت واحد في العالم الحقيقي بكفاءة ونطاق من التعميم لسيناريوهات غير مرئية فريدة من نوعها.”

اعتمادات الصورة: CMU

هذه كلها أشياء واعدة للغاية عندما يتعلق الأمر ببناء ونشر أنظمة الروبوتات متعددة الأغراض مع التركيز على الروبوتات ذات الأغراض العامة في نهاية المطاف. الهدف هو إنشاء تقنية يمكنها تجاوز الآلات المتكررة في بيئات منظمة للغاية والتي نميل إلى التفكير فيها عندما نفكر في الروبوتات الصناعية. إن الاستخدام الفعلي في العالم الحقيقي والتوسع ، بالطبع ، أسهل كثيرًا في القول من فعله.

نحن أقرب بكثير إلى البداية عندما يتعلق الأمر بهذه الأساليب للتعلم الآلي ، لكننا نتحرك خلال فترة مثيرة لأنظمة ناشئة متعددة الأغراض.