محققان MIT چارچوبی جدید برای ساده‌سازی آموزش ربات‌ها ایجاد کردند

محققان MIT چارچوبی را برای ساده کردن آموزش ربات‌ها ایجاد کرده‌اند که روند یادگیری آنها را به شکل قابل‌توجهی بهبود بخشیده و کوتاه‌تر کرده و نیاز به آموزش انسانی را در پروسه توسعه ربات‌ به حداقل می‌رساند. 

در آینده، خانه‌های هوشمند احتمالاً ربات‌هایی خواهند داشت که می‌توانند در انجام کارهای خانه کمک کنند. با این حال، زمانی که این رباتها در انجام وظایف ساده ناکام می‌مانند، می‌تواند منجر به ناامیدی شود. برای رفع این مشکل، اندی پنگ و تیمش در MIT، در حال توسعه راه‌حل‌هایی برای بهبود توانایی یادگیری ربات‌ها هستند.

پنگ و تیم محققانش، چارچوبی برای تعامل انسان و ربات ایجاد کردند. این چارچوب دارای یک ویژگی منحصر‌به‌فرد است که به ربات اجازه می‌دهد، سناریوهایی ایجاد نماید که تغییرات مورد نیاز برای انجام موفقیت‌آمیز یک کار را تعریف می‌نماید.

وقتی ربات تلاش می‌کند لیوان خاصی را بر اساس رنگ آن تشخیص دهد، سیستم با نشان دادن نمونه‌های دیگری از همان لیوان با رنگ‌هایی که تشخیص آن آسان‌تر است به ربات کمک می‌کند، اشیا را در آینده بهتر شناسایی نماید. با ترکیب این مثال‌ها با بازخورد انسان‌ها، ربات می‌تواند در تشخیص اشیا بهتر شود و به مرور زمان دقیق‌تر گردد.

با تنظیم دقیق فرایند بهینه‌سازی یک مدل یادگیری ماشینی، می‌توانیم آن را در انجام یک کار جدید که شبیه به کاری است که قبلاً در آن ماهر بوده، بهینه کنیم. هنگامی که این روش آزمایش شد، نتایج چشمگیری را نشان داد زیرا ربات‌های آموزش دیده از طریق این روش به‌سرعت مهارت‌های جدیدی را می‌آموزند و زمان و تلاش مورد نیاز معلمان انسانی خود را کاهش می‌دهند. اگر این چارچوب نوآورانه در مقیاس بزرگ‌تری پیاده‌سازی شود، می‌تواند به ربات‌ها کمک کند تا به سرعت با محیط‌های جدید سازگار شوند و نیاز کاربران به داشتن دانش فنی پیشرفته را به حداقل برسانند. این فناوری می‌تواند کلید ایجاد ربات‌های همه‌منظوره‌ای باشد که قادر به ارائه کمک موثر به افراد مسن یا ناتوان هستند.

یکی از چالش‌هایی که ربات‌ها با آن روبرو هستند این است که ممکن است با اشیاء یا محیط‌هایی مواجه شوند که در طول دوره آموزشی خود در معرض آن‌ها قرار نگرفته‌اند. برای رسیدگی به این مشکل، محققان سعی کردند از تکنیکی به نام «یادگیری تقلیدی» استفاده کنند، اما این تکنیک مشکل را به‌صورت کامل حل نکرد.

در پاسخ به این مشکل، سیستم تیم مشخص می‌کند که کدام ویژگی یک شی (مانند شکل لیوان)، برای انجام یک کار مهم است و کدام ویژگی (مانند رنگ لیوان) مهم نیست. سپس، هر جنبه بصری بی‌اهمیت، مانند رنگ، در داده‌های تولید شده مصنوعی تغییر می‌کند تا فرایند یادگیری ربات را اصلاح کرده و عملکرد آن را بهبود بخشد.

برای سنجش اثربخشی این چارچوب، محققان آزمایشی را با استفاده از شرکت‌کنندگان انسانی انجام دادند. از شرکت‌کنندگان پرسیده شد که آیا ارائه توضیحات در مورد اقدامات ربات به شرکت‌کنندگان در درک بهتر عملکرد آن کمک می‌کند یا خیر. در طول شبیه‌سازی‌های چندگانه، ربات به طور مداوم با رویکرد خود سریع‌تر یاد می‌گرفت و از تکنیک‌های دیگر بهتر عمل می‌کرد و حتی نیاز به کمک کمتری از سوی انسان داشت.

با نگاهی به آینده، تیم MIT قصد دارد این چارچوب را بر روی ربات‌های واقعی پیاده‌سازی کند و بر روی کوتاه‌تر کردن زمان تولید داده از طریق مدل‌های یادگیری ماشین مولد کار کند. این رویکرد پیشرفته، پتانسیل تغییر مسیر یادگیری ربات‌ها را دارد و راه را برای آینده‍ای هموار می کند که در آن ربات‍‌ها به صورت کاملا هماهنگی در زندگی روزمره ما وجود دارند.