انعطاف پذیری رفتارهای روبات و توصیفات زبانی
یکی از مؤلفه‌های کلیدی یادگیری زبان، داشتن جسم و تعامل با محیط است. این شیوه یادگیری حاصل تلفیق پردازش زبان طبیعی و روباتیک است. مقاله جدید Xiv.org به مسئله انعطاف پذیری رفتارهای روبات و توصیفات زبانی می‌پردازد. منظور از انعطاف‌پذیری، ترجمه بین دو حالت متفاوت و بدون نیاز به بازتنظیم مدل است.
پژوهشگران، شبکه عصبی یکپارچه‌ای معرفی کرده‌اند که انواع مسائل ترجمه رفتار-زبان را طی مرحله استنتاج، به صورت انعطاف‌پذیر و هم‌راستا با شرایط آموزش، انجام می‌دهد. بر این اساس، روباتی شبه‌انسانی می‌تواند علاوه بر انجام رفتارهای خود، رفتارهای عامل مقابل را نیز شناسایی و تقلید کند.
عملکرد رویکرد پیشنهادی از نظر ترجمه زبان-رفتار، در سطح رویکردهای قبلی است. قسمتی از مقاله را با هم می‌بینیم:
«انجام مسائل گوناگون ترجمه رفتار-زبان به صورت انعطاف‌پذیر، از ملزومات بنیادین تعامل طبیعی بین روبات و انسان است. رویکردهای قبلی، تنظیمات مدل را برای هر مسئله تغییر می‌دادند؛ به همین دلیل، ماهیت یادگیری چندمسئله‌ای را زیر سؤال می‌بردند.
در پژوهش حاضر، جفت‌رمزگذارهای خودکار دریچه‌دار (PGAE) برای ترجمه انعطاف پذیری رفتارهای روبات و توصیفات زبانی معرفی می‌شوند. مدل به شیوه یکپارچه آموزش دیده است: از طریق جفت کردن هر یک از رفتارها و توصیفات مربوطه. این توصیفات سیگنالی دارند که ترجمه را هدایت می‌کنند.
در طی مرحله استنتاج، مدل می‌تواند بر اساس این سیگنال‌ها، در قالب انعطاف‌پذیری رفتارها را به زبان (و بالعکس) برگرداند. به علاوه، از آنجایی که یک مدل زبانی از پیش آموزش‌دیده به عنوان رمزگذار زبان استفاده شده است، مدل پیشنهادی می‌تواند ورودی‌های زبانی طبیعی جدید را شناسایی کند. قابلیت دیگر این مدل، شناسایی و تقلید رفتارهای یک عامل دیگر است. آزمایشات نیز تمام این قابلیت‌ها را تأیید کرده‌اند.»
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
