Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 سیستم یادگیری ماشینی که به ربات‌ها کمک می‌کند تعاملات اجتماعی خاصی را درک و اجرا کنند

سیستم یادگیری ماشینی که به ربات‌ها کمک می‌کند تعاملات اجتماعی خاصی را درک و اجرا کنند

ربات‌ها می‌توانند در محوطۀ دانشگاه غذا توزیع کنند و یا در زمین گلف با موفقیت توپی را وارد حفره کنند اما حتی پیچیده‌ترین ربات‌ها هم نمی‌توانند در تعاملات اجتماعی پایه‌ای که نقش حیاتی در زندگی روزمره انسان دارند، مشارکت نماید.

پژوهشگران MIT امکان برخی از تعاملات اجتماعی خاص را برای ربات‌ها فراهم کرده‌اند این چارچوب ماشین‌ها را قادر می‌سازد که معنای کمک به یکدیگر یا مانع دیگری شدن را درک کنند و بیاموزند که این رفتارهای اجتماعی را خود به تنهایی انجام دهند. در یک محیط شبیه سازی شده، ربات، همراه خود را تماشا می‌کند و حدس می‌زند که آن ربات می‌خواهد چه تکلیفی را به سرانجام برساند؛ سپس بر اساس اهداف خود، یا به ربات دیگر کمک می‌کند یا مانع آن می‌شود.

همچنین، این پژوهشگران نشان دادند که مدلی که طراحی کرده‌اند، تعاملات اجتماعی واقعی و قابل پیش‌بینی خلق می‌کند. وقتی ویدئوهای این ربات‌های شبیه‌سازی شده را که در حال تعامل با یکدیگر بودند، به انسان‌ها نشان دادند، این بینندگان تقریباً در تمام موارد دربارۀ نوع رفتار اجتماعی‌ای که بروز می‌کرد با مدل هم نظر بودند.

اگر ربات‌ها توان به‌کارگیری مهارت‌های اجتماعی را داشته باشند، امکان برقراری تعاملات ملایم‌تر و مساعدتری میان انسان و ربات فراهم می‌شود. برای مثال، ربات در مرکز نگهداری سالمندان می‌تواند از این توانایی‌ها برای ایجاد محیطی دلسوزانه‌تر برای افراد مسن‌ استفاده کند. مدل جدید همچنین می‌تواند این فرصت را در اختیار دانشمندان بگذارد تا تعاملات اجتماعی را به صورت کمّی اندازه‌گیری کنند؛ این امر به روانشناسان در مطالعۀ اتیسم یا تحلیل اثرات داروهای ضد افسردگی، کمک می‌کند.

[irp posts=”21205″]

بوریس کتز، پژوهشگر اصلی و رئیس گروه InfoLab در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و یکی از اعضای مرکز مغزها، ذهن‌ها و ماشین‌ها (CBMM) می‌گوید: «ربات‌ها به زودی در جهان ما زندگی خواهند کرد و به همین دلیل، واقعاً نیاز دارند که تعامل با ما را مطابق معیارهای انسانی، بیاموزند. آن‌ها باید بفهمند که چه موقع باید کمک کنند و چه وقت باید مانع رخداد چیزی شوند. کاری که ما انجام داده‌ایم بسیار ابتدایی است و ما هنوز در آغاز راه هستیم اما احساس می‌کنم اولین تلاش بسیار جدی برای فهم معنای تعامل اجتماعی انسان و ماشین است.

نویسندگان همکار کتز در این مقاله راوی تجوانی، دستیار پژوهشی در CSAIL ؛ ین-لینگ کیو، دانشجوی دکترای CSAIL ؛ تیانمین شو، فوق دکترای بخش علوم اعصاب و شناختی؛ اندری باربو پژوهشگر CSAIL و CBMM هستند. این پژوهش در همایش یادگیری ربات در ماه نوامبر ارائه خواهد شد.

شبیهسازی اجتماعی

پژوهشگران برای مطالعۀ تعاملات اجتماعی، یک محیط شبیه‌سازی شده ایجاد کردند که در آن ربات‌ها اهداف فیزیکی و اجتماعی را حین حرکت در حول یک شبکۀ دو بعدی، دنبال می‌کنند.

هدف فیزیکی مربوط به محیط است. برای مثال، هدف فیزیکی ربات ممکن است مکان‌یابی و حرکت به سمت یک درخت در نقطه‌ای از شبکه باشد. هدف اجتماعی این است که حدس بزند رباتِ دیگر چه کاری می‌خواهد انجام بدهد و بر اساس حدسی که زده است، عمل کند؛ مثلا به آن ربات در آبیاری درخت کمک کند.

پژوهشگران از این مدل استفاده می‌کنند تا مشخص سازند اهداف فیزیکی و اجتماعی ربات چه هستند و چقدر باید روی یکی نسبت به دیگری تأکید بیشتری داشته باشند. ربات برای انجام اقداماتی که او را به اهدافش نزدیک‌تر می‌کند، پاداش می‌گیرد. اگر ربات سعی دارد که به رباتِ همراهش کمک کند، پاداش خود را برای مطابقت با ربات دیگر تنظیم می‌کند؛ اگر بخواهد مانع دیگری شود، پاداش خود را ضد آن تنظیم می‌کند. برنامه‌ریز، یعنی الگوریتمی که تصمیم می‌گیرد ربات چه عملی باید انجام دهد، از این پاداش مدامِ به روزشونده استفاده می‌کند تا ربات را در جهت انجام ترکیبی از اهداف فیزیکی و اجتماعی، هدایت کند.

تجوانی می‌گوید: «ما یک چارچوب ریاضی جدید برای مدل‌سازی تعامل‌های اجتماعی بین دو کنش‌گر، باز کرده‌ایم. اگر شما یک ربات باشید و بخواهید به نقطۀ X بروید، و من ربات دیگری باشم و شما را ببینم که سعی دارید به آن نقطه بروید، می‌توانم با شما همکاری کنم تا سریع‌تر به نقطۀ X برسید. این کار را ممکن است با نزدیک‌کردن X به شما، پیدا کردن یک X بهتر یا انجام هر عملی که شما باید برای رسیدن به X صورت‌ دهید، تحقق ببخشم. فرمول‌بندی ما به برنامه اجازه می‌دهد که «چگونه» را کشف کند؛ ما «چه» را بر اساس اینکه تعاملات اجتماعی به زبان ریاضی به چه معنا هستند، مشخص می‌کنیم».

[irp posts=”21197″]

باربو بیان می‌کند: «تلفیق اهداف فیزیکی و اجتماعی ربات برای خلق تعاملات واقعی، اهمیت دارد، زیرا انسان‌ها در کمک به یکدیگر، خط قرمزهایی دارند. برای مثال، یک فرد خردمند احتمالاً کیف پول خود را به دست یک غریبه نمی‌دهد».

پژوهشگران از این چارچوب ریاضی برای تعیین سه نوع ربات استفاده می‌کنند. رباط سطح 0 تنها دارای اهداف فیزیکی است و نمی‌تواند استدلال اجتماعی داشته باشد. ربات سطح 1 دارای اهداف فیزیکی و اجتماعی است، اما فرض می‌کند که تمام ربات‌های دیگر تنها اهداف فیزیکی دارند. ربات‌های سطح 1 می‌توانند بر اساس اهداف فیزیکی ربات‌های دیگر اقداماتی مثل کمک یا مانع‌شدن را انجام دهند. ربات سطح 2، فرض می‌کند که دیگر ربات‌ها دارای اهداف اجتماعی و فیزیکی هستند؛ این ربات‌ها می‌توانند کارهای پیچیده‌تری مانند ملحق شدن به هم برای کم به یکدیگر را انجام دهند.

ارزیابی مدل

پژوهشگران برای مقایسۀ مدل خود با دیدگاه انسان به تعاملات اجتماعی، 98 سناریوی مختلف را با ربات‌های سطح 0، 1 و 2 امتحان کردند. 12 انسان، 196 ویدئو کلیپ از ربات‌هایی که با هم تعامل می‌کردند را مشاهده کردند و سپس از آن‌ها خواسته شد که اهداف فیزیکی و اجتماعی ربات‌ها را تخمین بزنند.

در بیشتر نمونه‌ها، مدل آن‌ها منطبق بر تصور انسان‌ها از تعاملات اجتماعی‌ای بود که در تصویر در حال وقوع بود.

باربو می‌گوید: «ما دو چشم‌انداز بلندمدت داریم، یکی اینکه برای ربات‌ها مدل‌های محاسباتی بسازیم و دیگر اینکه در جنبه‌های انسانی آن‌ها، عمیق‌تر شویم. ما می‌خواهیم دریابیم که انسان‌ها از چه ویژگی‌هایی در این ویدئوها استفاده می‌کنند تا تعاملات اجتماعی را درک کنند. آیا می‌توانیم آزمایشی عینی دربارۀ توانایی انسان در تشخیص تعاملات اجتماعی طراحی کنیم؟ شاید راهی باشد که به انسان برای تشخیص این تعاملات اجتماعی آموزش بدهیم و توانایی‌هایش را بهبود ببخشیم. ما راه دور و درازی در پیش داریم اما حتی اینکه بتوانیم به صورت کارآمد تعاملات اجتماعی را اندازه بگیریم، خود قدمی بزرگ به پیش رو است».

[irp posts=”21138″]

به سوی پیچیدگیهای بیشتر

پژوهشگران در حال کار روی توسعۀ یک سیستم دارای کنش‌گران سه بعدی، در محیطی هستند که انواع بیشتری از تعاملات را ممکن می‌سازد؛ به عنوان مثال می‌توان از به کاربردن وسایل خانه نام برد. همچنین برای اصلاح مدل خود برنامه‌ریزی می‌کنند تا این مدل، محیط‌هایی که ممکن است در آن، کار با شکست مواجه شود را نیز در بر بگیرد.

به علاوه، پژوهشگران قصد دارند که یک برنامه‌ریز عصبی ربات مبتنی بر شبکه را نیز در مدل بگنجانند که از تجربه‌ها می‌آموزد و عملکرد سریع‌تری دارد. در نهایت، آنان امیدوارند آزمایشی را اجرا کنند تا به وسیلۀ آن داده‌هایی را جمع‌آوری کنند که مربوط به ویژگی‌هایی هستند که انسان‌ها از آن‌ها برای تشخیص رویداد تعامل اجتماعی میان ربات‌ها استفاده می‌کنند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.