Yeni bir görevi öğrenmek için yapay zekaya güvenen robotlar, genellikle zahmetli ve tekrarlayan bir eğitim süreci gerektirir. California Üniversitesi, Berkeley araştırmacıları, robotun sıfırdan başlamak yerine boşlukları doldurmasını sağlayan yenilikçi bir öğrenme tekniğiyle bunu basitleştirmeye ve kısaltmaya çalışıyor.
Ekip, bugün TC Sessions: Robotics’te göstermek üzere TechCrunch ile birkaç çalışma hattını paylaştı ve aşağıdaki videoda onlar hakkında bir şeyler duyabilirsiniz – ilk olarak UC Berkeley araştırmacısı Stephen James’ten.
James, “Kullandığımız teknik, bir tür karşılaştırmalı öğrenme düzenidir, YouTube videosunu alır ve bir sürü alanı yayar ve fikir, robotun daha sonra bu görüntüyü yeniden oluşturmaya çalışmasıdır,” James açıkladı. “Ardından orada ne olabileceği fikrini üretebilmek için o yamalarda ne olabileceğini anlaması gerekiyor; dünyada neler olup bittiğine dair gerçekten iyi bir anlayışa sahip olması gerekiyor.”
Elbette, insan dünyasında olduğu gibi, sadece YouTube’u izleyerek öğrenmiyor. Operatörler, robota ne yapmaya çalıştığı hakkında genel bir fikir vermek için fiziksel olarak veya bir VR denetleyicisi aracılığıyla robotun kendisini hareket ettirmelidir. Bu bilgiyi, video görüntülerinin doldurulmasından elde edilen daha geniş dünya anlayışıyla birleştirir ve sonunda diğer birçok kaynağı da entegre edebilir.
Yaklaşım zaten sonuç veriyor, dedi James: “Normalde, yeni bir görevi gerçekleştirmek için bazen yüzlerce demo gerekebilir, oysa şimdi bir avuç, belki 10 demo verebiliriz ve görevi yerine getirebilir.”
Resim Kredisi: TechCrunch
Alejandro Escontrela, hayvanların, insanların veya diğer robotların hareketleri gibi YouTube videolarından ilgili verileri çıkaran modeller tasarlama konusunda uzmanlaşmıştır. Robot, belirli bir hareketin denenmesi gereken bir şey gibi görünüp görünmediğine karar vererek, kendi davranışını bilgilendirmek için bu modelleri kullanır.
Sonunda, videoları izleyen başka bir modelin o topu kovalayan bir robot mu yoksa gerçek bir Alman kurdu mu olduğunu anlayamaması için hareketleri kopyalamaya çalışır.
İlginç bir şekilde, bunun gibi birçok robot önce bir simülasyon ortamında öğrenir, hareketleri esasen VR’de test eder. Ancak Danijar Hafner’in açıkladığı gibi, süreçler o testi atlayabilecek kadar verimli hale geldi, robotun gerçek dünyada boğuşmasına ve yürüme, tökezleme ve tabii ki itilme gibi etkileşimlerden canlı olarak öğrenmesine izin verdi. Buradaki avantaj, görevi daha da basitleştirerek yeni bilgileri entegre etmek için simülatöre geri dönmek zorunda kalmadan çalışırken öğrenebilmesidir.
Hafner, “Bence robot öğreniminin kutsal kâsesi, gerçek dünyada olabildiğince çok şey ve olabildiğince çabuk öğrenmektir” dedi. Kesinlikle bu hedefe doğru ilerliyor gibi görünüyorlar. Ekibin çalışmasının tam videosunu izleyin burada.