Apakah robot memerlukan Wikipedia sendiri?
Selamat datang di Halaman Blog iCover! Terlepas dari keraguan sebagian intelektual pada sumber daya seperti Wikipedia, yang dalam beberapa kasus memiliki alasan yang cukup bagus, secara umum, nilai sumber informasi yang dapat diakses oleh setiap orang ini harus diakui sebagai positif. Tentu saja, menghubungkan kunjungan ke Wikipedia atau YouTube dengan semacam wahyu ilmiah akan ceroboh, ini lebih tentang akses ke informasi tentang hal-hal sepele yang membantu kita menjawab tantangan saat ini dan pertanyaan-pertanyaan dari zaman kita. Jadi, misalnya, sebuah video tentang cara memasak telur dadar sesuai dengan resep asli yang dilihat di YouTube akan memungkinkan kita untuk dengan cepat dan efisien meningkatkan literasi kuliner kita tanpa menggunakan kebutuhan akan resep pembelajaran yang membosankan dari buku masak. Kenapa kita sebenarnya?Pertanyaannya adalah menarik: dengan kami semuanya cukup sederhana, dapat dimengerti dan akrab, tetapi bagaimana menyesuaikan pengetahuan yang dikumpulkan oleh umat manusia untuk proses pelatihan robot yang paling efektif? Jelas bahwa nilai informasi yang diberikan kepada PS oleh robot dalam menanggapi "permintaan pencarian" nya: apa algoritma untuk mentransfer secangkir teh dari dapur ke ruang tamu? ... akan dikurangi menjadi nol. Untuk mengasimilasi informasi, mesin memerlukan jawaban terperinci, instruksi langkah-demi-langkah dengan tindakan spesifik dan pemahaman bahasa. Jadi dalam contoh kita dengan secangkir teh, akan perlu untuk memberikan informasi tentang koordinat wadah dengan teh, metode penangkapan, tempat di mana perlu diangkut, dll. Tentu saja, contoh ini sengaja disederhanakan - dalam kehidupan nyata dengan lingkungan yang berubah secara acak, informasi dikelilingi oleh banyak parameter multi-vektor tambahan dan pengantar.Dan di sini masalah yang pasti sedang dilihat: spesifik dari banyak metode yang ada untuk pelatihan sistem robot memaksakan beberapa pembatasan pada efektivitas pelatihan tersebut.Pencarian cara untuk membuat algoritma umum dan sumber informasi untuk pelatihan robot yang produktif menjadi insentif yang kuat untuk mencari dan mengembangkan arah dan cara baru untuk menyampaikan pengetahuan khusus dan mendapatkan pengalaman yang diperlukan. Hari ini kami menyentuh dua bidang yang menjanjikan, yang bekerja di mana para peneliti telah berhasil mencapai hasil positif tertentu.Pelatihan Robot YouTube
Jadi, seperti yang kita ketahui, hal-hal yang tampak sederhana dan alami bagi kita (gerakan paling sederhana, mengolah sayuran, bekerja dengan penyedot debu, memasak makanan sesuai resep yang sudah dikenal, dll.) Untuk robot yang belum menjalani pelatihan khusus masih merupakan masalah yang tak terpecahkan. Faktanya adalah bahwa pada tahap saat ini, robot, tidak seperti manusia, masih tidak tahu bagaimana belajar secara empiris, secara independen menjelajahi dunia dan menghubungkan benda-benda di sekitarnya dengan kualitas tertentu. Jadi, hari ini, pada awal perkembangan robotika, robot sejauh ini perlu diajari setiap gerakan dasar secara individual - cara membuka kulkas, cara mengambil wadah, cara membukanya, cara mengekstrak isinya.Kurangnya kualitas manusia yang berharga seperti intuisi dan keterampilan berpikir asosiatif serta proses berlarut-larut robot pelatihan dalam hal ini memaksa spesialis untuk mencari dan mengembangkan metode alternatif. Para ahli dari Institute of Advanced Computer Technologies (Maryland, AS) menyarankan jawaban mereka untuk pertanyaan tersebut, menggunakan video YouTube untuk mempercepat dan meningkatkan kualitas pelatihan.Peningkatan efektivitas proses pembelajaran dalam hal ini diamati karena penggunaan simultan dari dua saluran identifikasi informasi - pengakuan oleh kecerdasan buatan dari tindakan yang dilakukan oleh seseorang dalam video pelatihan dan pengenalan informasi pidato dengan cara menguraikan bahasa. Proses pembelajaran memungkinkan pada waktu tertentu untuk mencocokkan kata dan frasa tertentu dan makna serta tindakan yang sesuai yang dilakukan pada layar monitor.Menurut peserta percobaan, penggunaan metodologi pelatihan "dua saluran" yang sudah ada hari ini memungkinkan kami untuk menunjukkan tingkat akurasi dalam memenuhi tugas yang diberikan pada level 77% dengan tingkat menghafal materi di 76%. Pada saat yang sama, modul mengenali objek dengan akurasi 93% dan di masa depan akan dapat mengidentifikasi perintah verbal yang lebih kompleks dengan tingkat akurasi yang tinggi.Pembelajaran cloud
Robotika terbiasa dengan masalah yang dialami bangsal mekanik mereka saat mengembangkan algoritma untuk menangkap objek dari berbagai bentuk, berat dan ukuran. Robot juga mengalami masalah yang jelas dalam kasus-kasus ketika perlu untuk mengambil atau menggunakan benda yang tidak mereka kenal untuk tujuan yang dimaksud. Dan di sini, teknologi cloud sangat diperlukan. Sebuah tim spesialis dari Brown University, AS, di bawah kepemimpinan Stefanie Tellex (Stefanie Tellex) melakukan percobaan untuk mengajarkan robot Baxter kolaboratif cara menangkap objek dan mentransfer pengalaman mereka ke sesama robot dari model yang sama.Robot yang pertama kali menemukan objek memindai yang terakhir dengan sensor inframerah, yang memungkinkannya mengidentifikasi bentuk objek. Dan langkah selanjutnya adalah memilih pendekatan yang akan optimal ketika mengangkat objek dari bentuk ini. Algoritme seperti itu berfungsi dalam banyak kasus dan ternyata 75% lebih berhasil daripada upaya penangkapan yang dilakukan oleh protokol standar. Tapi ini hanya langkah pertama. Pada tahap selanjutnya, pengalaman positif yang diperoleh diunggah ke cloud, yang pada dasarnya adalah basis data objek yang telah dipelajari untuk semua robot yang terhubung dengannya dan sejenis analog dari Wikipedia yang disebutkan di atas.Saat ini, sekitar 300 robot Baxter beroperasi di laboratorium di seluruh dunia. Para ahli memperkirakan bahwa jika mereka semua ikut serta dalam pengisian ulang basis data cloud bersama, maka setiap 11 hari, ketika komunitas robot dimuat sepenuhnya, perpustakaan dapat dilengkapi dengan informasi tentang satu juta objek yang diteliti. Karena kenyataan bahwa platform dasar dapat diselesaikan, pendekatan ini di masa depan akan menjadi insentif yang kuat untuk pengembangan seluruh masyarakat. Jadi, misalnya, relatif baru-baru ini Baxter menerima "pegangan lembut", yang memungkinkannya mengangkat banyak objek tanpa mengurangi integritasnya.Kemungkinan meningkatkan berbagai objek tanpa risiko menjatuhkannya dan merusaknya akan memungkinkan kita untuk mempertimbangkan di masa depan aplikasi robot yang baru tidak hanya pada jalur perakitan, tetapi juga dalam infrastruktur kompleks gudang dari berbagai jenis. Dan ini hanya permulaan, dan di masa depan, peluang untuk pelatihan mandiri secara kolektif yang akan diungkapkan oleh lingkungan cloud Robopedia (istilah. Penulis) dengan tingkat kemungkinan yang tinggi dapat digunakan di hampir semua bidang robotika, dari kedokteran hingga bidang servis dan pemadam kebakaran .Contoh-contoh positif yang membantu melepaskan potensi konsep pembelajaran cloud hari ini sudah memungkinkan kita untuk optimis tentang masa depan dari pendekatan semacam itu. Di antara contoh-contoh tersebut adalah cara paling sederhana untuk mengajarkan pengenalan perpustakaan foto yang membantu dalam mengidentifikasi objek dan seluruh rangkaian algoritma yang memungkinkan Anda untuk mentransfer keterampilan individu dari tingkat yang lebih tinggi. Dan spesialis dari Brown University, Stanford dan Cornell University secara aktif bekerja untuk menciptakan lingkungan belajar berbasis cloud yang cerdas. Pada tahap penelitian saat ini, sistem robot memungkinkan Anda untuk menyimpan dan mengirimkan informasi tentang simbol, elemen sintaksis, bentuk, properti taktil, keterampilan motorik ke awan informasi umum.Pendekatan pembelajaran Cloud Robopedia relatif baru. Sampai baru-baru ini, sebagian besar peneliti menganggap proses belajar sebagai terisolasi. Revisi konsep pelatihan akan memungkinkan spesialis untuk berkonsentrasi pada peningkatan algoritma robot, sementara memiliki akses gratis ke perpustakaan yang lengkap dan terkini dari pengetahuan yang terakumulasi di lapangan saat ini.
Pembaca yang budiman, kami selalu senang bertemu dan menunggu Anda di halaman blog kami. Kami siap untuk terus berbagi dengan Anda berita terbaru, bahan ulasan, dan publikasi lainnya, dan akan berusaha melakukan yang terbaik untuk membuat waktu yang dihabiskan bersama kami bermanfaat bagi Anda. Dan, tentu saja, jangan lupa berlangganan kolom kami .Artikel dan acara kami yang lainSource: https://habr.com/ru/post/id391649/
All Articles