DeepMind, farklı robot kol modellerinde bir dizi görevi yerine getirebilen RoboCat adlı bir AI modeli geliştirdiğini söylüyor. Bu tek başına özellikle yeni değil. Ancak DeepMind, modelin birden çok görevi çözebilen ve bunlara uyum sağlayabilen ve bunu farklı, gerçek dünyadaki robotları kullanarak yapabilen ilk model olduğunu iddia ediyor.
DeepMind’da araştırma bilimcisi ve RoboCat’in arkasındaki ekipte ortak katkıda bulunan Alex Lee, “Tek bir büyük modelin, birden çok gerçek robotik düzenlemede çeşitli görevleri çözebileceğini ve yeni görevlere ve düzenlemelere hızla uyum sağlayabildiğini gösteriyoruz.” TechCrunch’a bir e-posta röportajında söyledi.
Metni, görüntüleri ve olayları analiz edebilen ve bunlara göre hareket edebilen bir DeepMind AI modeli olan Gato’dan ilham alan RoboCat, hem simülasyonda hem de gerçek hayatta robotlardan toplanan görüntüler ve eylem verileri üzerinde eğitildi. Lee, verilerin sanal ortamlardaki diğer robot kontrol eden modellerin, robotları kontrol eden insanların ve RoboCat’ın kendisinin önceki yinelemelerinin bir kombinasyonundan geldiğini söylüyor.
DeepMind’deki araştırmacılar, RoboCat’i eğitmek için önce bir insan tarafından kontrol edilen robotik bir kol kullanarak bir görevin veya robotun 100 ila 1000 gösterimini topladı. (Bir robot kolunun dişlileri veya blokları istiflediğini düşünün.) Ardından, görev üzerinde ortalama 10.000 kez pratik yapan özel bir “yan ürün” modeli oluşturarak, görev üzerinde RoboCat’e ince ayar yaptılar.
Araştırmacılar, hem yan ürün modelleri tarafından oluşturulan verilerden hem de tanıtım verilerinden yararlanarak, RoboCat’in eğitim veri setini sürekli olarak büyüttüler ve RoboCat’in müteakip yeni sürümlerini eğittiler.
Görsel Kaynakları: Derin Düşünce
RoboCat modelinin son versiyonu, hem simülasyonda hem de gerçek dünyada toplam 253 görev üzerinde eğitildi ve bu görevlerin 141 varyasyonu üzerinde kıyaslandı. DeepMind, birkaç saat içinde toplanan 1.000 insan kontrollü gösteriyi gözlemledikten sonra RoboCat’in farklı robotik kolları kullanmayı öğrendiğini iddia ediyor.
RoboCat, iki çatallı kollu dört tür robot üzerinde eğitilirken, model, üç parmaklı bir kıskaç ve iki kat daha fazla kontrol edilebilir girdi içeren daha karmaşık bir kola uyum sağlayabildi.
RoboCat, robot kontrollü yapay zeka modellerinin hepsinden önemlisi olarak müjdelenmesin diye, görevler genelindeki başarı oranı, DeepMind’in testlerinde büyük ölçüde değişiyordu – düşük uçta %13’ten yüksek uçta %99’a. Bu, eğitim verilerindeki 1.000 gösterimle; Başarılar tahmin edilebileceği gibi yarı yarıya daha az yaygındı.
Yine de bazı senaryolarda DeepMind, RoboCat’in 100 kadar az gösterimle yeni görevleri öğrenebildiğini iddia ediyor.
Daha da ileri götürüldüğünde Lee, RoboCat’in robot bilimindeki yeni görevleri çözmek için engelin düşürüleceğinin habercisi olabileceğine inanıyor.
“Yeni bir görev için sınırlı sayıda gösterim sağlanan RoboCat, yeni görevlere göre ince ayar yapılabilir ve daha da geliştirmek için kendi kendine daha fazla veri üretebilir” diye ekledi.
İleriye dönük olarak, araştırma ekibi, RoboCat’e yeni bir görevi tamamlamayı öğretmek için gereken gösteri sayısını 10’un altına indirmeyi hedefliyor.
