تويت
تعمل أنظمة AI التعليمية من Google على التفكير أكثر مثل الأطفال - على الأقل عندما يتعلق الأمر بالتعرف على الأشياء وإدراكها. في ورقة ("Grasp2Vec: تمثيلات كائن التعلم من الإحاطة الذاتية بالإشراف") ومرافقة المدونة ، Eric Jang ، مهندس برامج في قسم الروبوتات بشركة Google ، وكولين ديفين ، دكتوراه. طالب في بيركلي ومتدرب أبحاث سابق ، وصف خوارزمية - Grasp2Vec - التي "يتعلم" خصائص الأشياء من خلال مراقبة والتلاعب بها.
يأتي عملهم بعد بضعة أشهر من ظهور OpenAI التي يوجد مقرها في سان فرانسيسكو ، نظام رؤية الكمبيوتر - يطلق عليه اسم Dense Object Nets ، أو DON اختصارًا - الذي يسمح للإنسان الآلي بفحص الأشياء التي لم يرها من قبل. وقد أوضح الباحثون من غوغل ذلك على أساس البحث التنموي المعرفي عن الإشراف الذاتي.
يستمد الناس المعرفة حول العالم من خلال التفاعل مع بيئتهم ، وقد أظهرت الدراسات التي تم اختبارها منذ وقت طويل حول بقاء الكائن ، ومع مرور الوقت يتعلمون من نتائج الإجراءات التي يتخذونها. حتى استيعاب كائن يوفر الكثير من المعلومات حوله - على سبيل المثال ، حقيقة أنه يجب أن يكون في متناول اليد في اللحظات المؤدية إلى الفهم.
"في الروبوتات ، هذا النوع من ... التعلم يتم بحثه بنشاط لأنه يسمح للأنظمة الروبوتية بالتعلم دون الحاجة إلى كميات كبيرة من بيانات التدريب أو الإشراف اليدوي ،" كتب جانغ وديفين. "من خلال استخدام هذا النوع من الإشراف الذاتي ، يمكن أن تتعلم [أجهزة مثل] الروبوتات التعرف على ... الكائن [من] ... التغيير البصري في المشهد".
تعاون الفريق مع X Robotics من أجل "تعليم" ذراع الروبوتات التي يمكنها استيعاب الأشياء "عن غير قصد" ، وفي سياق التدريب تعلم تمثيلات كائنات مختلفة. وأدت هذه التمثيلات في النهاية إلى "الإمساك المتعمد" للأدوات والألعاب التي اختارها الباحثون
استفاد الفريق من التعلم التعزيزي - وهو أسلوب تدريب على الذكاء الاصطناعي يستخدم نظامًا من المكافآت لتوجيه العوامل نحو أهداف محددة - لتشجيع الذراع على فهم الأشياء ، وفحصها بكاميراتها ، والإجابة عن أسئلة التعرف على الكائنات الأساسية ("هل تتطابق هذه الكائنات؟ "). ونفذوا نظام إدراك يمكنه استخلاص معلومات ذات معنى عن العناصر من خلال تحليل سلسلة من ثلاث صور: صورة قبل الإمساك بها ، وصورة بعد الإمساك بها ، ورؤية معزولة للكائن الممسك.
في الاختبارات ، حقق Grasp2Vec والسياسات الجديدة للباحثين نجاحًا بنسبة 80٪ ، وعملوا حتى في الحالات التي تتطابق فيها كائنات متعددة مع الهدف وحيث يتألف الهدف من كائنات متعددة.
وكتب الباحثون "نظهر كيف يمكن لمهارات استيعاب الروبوتات أن تولد البيانات المستخدمة لتعلم تمثيلات تركز على الكائن". "يمكننا بعد ذلك استخدام التعلم التمثيلي من أجل" تمهيد "مهارات أكثر تعقيدًا مثل استيعاب المثال ، مع الاحتفاظ في الوقت نفسه بخواص التعلم ذاتية المراقبة لنظام الإمساك الذاتي لدينا. من الآن فصاعدًا ، نحن متحمسون ليس فقط لما يمكن أن يحققه التعلم الآلي في مجال الروبوتات عن طريق الإدراك والسيطرة الأفضل ، ولكن أيضًا ما يمكن أن تحققه الروبوتات في التعلم الآلي في نماذج جديدة من الإشراف الذاتي ".