في دراسة متقدمة، طور الباحثون في جامعة ولاية أريزونا نهجًا حسابيًا جديدًا يمكّن المستخدمين من تعليم الروبوت مهارات جديدة بالحوار. يتمتع هذا النظام المبتكر بالقدرة على إحداث ثورة في الطريقة التي تتعلم بها الروبوتات وتتكيف مع المهام الجديدة، مما يمهد الطريق لاعتماد الروبوتات على نطاق واسع في المنازل والمطابخ.
ركزت الدراسة، التي قادها ناكول جوبالان وفريقه، على تطوير طريقة تسمح للروبوتات باكتساب مهارات أو سلوكيات جديدة بسرعة من العناصر البشرية. ونجح الباحثون في إثبات هذا النهج من خلال تعليم إنسان آلي مناور (robotic manipulator) إعداد شطيرة من خلال التفاعلات القائمة على الحوار مع المستخدمين البشريين.
محتويات المقال :
تعليم الروبوتات بطريقة جديدة
لعقود من الزمن، سعى علماء الروبوتات إلى إنشاء روبوتات يمكنها تعلم مهارات جديدة والتكيف مع المواقف الجديدة. على الرغم من التقدم الكبير، لا تزال معظم الروبوتات مبرمجة مسبقًا ومدربة على أداء مهام محددة. ومع ذلك، مع ظهور الذكاء الاصطناعي والتعلم الآلي، بدأ الباحثون في استكشاف أساليب جديدة لتمكين الروبوتات من التعلم المستمر والتكيف مع البيئات المتغيرة.
أحد التحديات الرئيسية في تعلم الروبوت هو القدرة على سد الفجوة بين اللغة البشرية وأفعال الروبوت. يقوم البشر بتوصيل الأفكار والتعليمات المعقدة باستخدام اللغة، لكن الروبوتات تحتاج إلى تمثيل واضح للمهام والإجراءات لتنفيذها. وقد أعاقت هذه المشكلة تطوير الروبوتات التي يمكنها التعلم من البشر والتكيف مع المواقف الجديدة.
يعالج الإنجاز الأخير الذي حققه الباحثون في جامعة ولاية أريزونا (ASU) هذا التحدي من خلال تقديم نهج حسابي جديد يمكّن الروبوتات من التعلم من البشر من خلال التفاعلات القائمة على الحوار. يستفيد هذا النهج من قوة نماذج اللغة الكبيرة (LLMs) ومحولات تقسيم العمل (ACTs) لتمكين الروبوتات من فهم اللغة البشرية وتعلم مهارات جديدة.
يتكون النظام المبتكر لباحثي جامعة ولاية أريزونا من ثلاثة مكونات، نظام الحوار القائم على (LLM)، ومحولات تقسيم العمل (ACTs) المدربة مسبقًا والمضبوطة بدقة مع التكيف منخفض الرتبة (LoRA)، ووحدة التعلم المستمر. يمكّن نظام الحوار القائم على (LLM) الروبوتات من طرح الأسئلة والمشاركة في محادثات مع البشر، في حين تسمح محولات تقسيم العمل للروبوتات بتعيين الأوامر اللغوية لمهارات الروبوت. وتتيح وحدة التعلم المستمر للروبوتات إضافة مهارات جديدة إلى نظامها والتكيف مع المواقف المتغيرة.
تعليم الروبوت مهارات جديدة بالحوار
يعد هذا النهج المبتكر بمثابة تغيير جذري في مجال الروبوتات. ومن خلال السماح للمستخدمين بتعليم الروبوتات مهارات جديدة من خلال المحادثة، فإنه يفتح عالمًا من الإمكانيات للروبوتات في الحياة اليومية. لن تقتصر الروبوتات بعد الآن على المهام المبرمجة مسبقًا؛ حيث يمكنهم التعلم والتكيف والتطور مع توجيهات المستخدم.
إذًا، كيف يعمل؟ يستخدم النظام نموذج لغة كبير (LLM) للدخول في حوار مع المستخدم، وطرح الأسئلة لاكتساب معرفة جديدة وفهم ما يريد المستخدم أن يتعلمه الروبوت. إذا لم يكن الروبوت متأكدًا من مهارة معينة، فإنه يطلب توضيحًا من المستخدم، ثم يراقبه ويتعلم منه. تسمح عملية التعلم المستمر هذه للروبوت بالتكيف بسرعة مع المهام والبيئات الجديدة.
نهج الباحثين يثبت نجاحه
كان على الفريق التغلب على العديد من التحديات، بما في ذلك ضمان مشاركة المستخدمين البشريين أثناء تعليم الروبوت، وأن الروبوت ينقل أي شكوك أو يطلب معلومات إضافية بطرق يمكن للمستخدمين غير الخبراء فهمها. وكان عليهم أيضًا التأكد من أن الروبوت يمكنه التقاط المعرفة من عدد قليل فقط من التفاعلات مع المستخدمين وعدم نسيان المعرفة الموجودة مسبقًا.
يتضمن نظام الفريق أيضًا آلية تمكن الروبوتات من الاستخدام المشترك لتمثيلات المهارات وتمثيلات اللغة لنمذجة معرفة الروبوتات بالمهارة. إذا توقع النظام أن الروبوت لم يكتسب المهارة الجديدة بعد، فسيطلب الروبوت من المستخدم يوضح بدقة مسارات الروبوت المرتبطة بالمهمة باستخدام جهاز التحكم عن بعد، حتى يتمكن من إضافتها إلى مكتبة مهاراته وإكمال نفس المهمة بشكل مستقل في مستقبل.
بشكل أساسي، يمكّن النظام الروبوتات من تعلم مهارات جديدة من خلال مراقبة المستخدمين وهم يكملون مهام محددة، ثم يطلبون معلومات إضافية أو توضيحات عند الحاجة. وقد أظهر نهج الباحثين نتائج واعدة، حيث تمكن مكون (ACT-LORA) من اكتساب مهارات جديدة دقيقة بنسبة 100% بعد خمس تجارب بشرية فقط. واحتفظ النموذج أيضًا بدقة تبلغ 74.75% على المهارات المدربة مسبقًا، متفوقًا على النماذج المماثلة الأخرى.
بعض القيود في النظام
على الرغم من أن نظام التعلم الذي تم تطويره حديثًا قد أسفر عن نتائج جيدة في تجارب الفريق، إلا أنه يعاني أيضًا من بعض القيود. على سبيل المثال، وجد الفريق أنه لا يمكنه دعم تبادل الأدوار بين الروبوتات والمستخدمين من البشر، وبالتالي اعتمد على الباحثين لتوضيح دور من في معالجة المهمة المطروحة.
وبينما كانت النتائج مثيرة بالنسبة للباحثين، فقد لوحظ أيضًا أن الروبوت يستغرق وقتًا للتعلم وهذا يمكن أن يكون مزعجًا للمستخدمين. ولا يزال يتعين إيجاد آليات لتسريع هذه العملية، وهي مشكلة أساسية في التعلم الآلي يعتزم الباحثون حلها في المرحلة التالية.
مستقبل الروبوتات في حياتنا اليومية
في المستقبل القريب، يمكننا تعليم الروبوت مهارات جديدة بالحوار ورؤيتهه يندمج بسلاسة في حياتنا اليومية، ويتعلم مهارات جديدة ويتكيف مع احتياجاتنا وتفضيلاتنا الفريدة. علاوة على ذلك، عندما تصبح هذه الروبوتات أكثر تقدمًا، فإنها ستكون قادرة على مساعدتنا في مجموعة واسعة من المهام، بدءًا من إعداد الوجبات وحتى الأعمال المنزلية.
ومن أهم الآثار المترتبة على هذه التكنولوجيا قدرتها على تمكين الأفراد ذوي الإعاقة، مما يسمح لهم بالعيش بشكل أكثر استقلالية وثقة. على سبيل المثال، يمكن للمساعد الآلي مساعدة شخص يعاني من مشاكل في الحركة لإعداد وجبة، أو مساعدة شخص مسن في مهام مثل شراء البقالة أو الطهي.
عندما نتطلع إلى المستقبل، فمن الواضح أن الاحتمالات لا حصر لها. ومع التقدم المستمر في تدريب الروبوتات القائمة على الحوار، يمكننا أن نتوقع أن نرى الروبوتات تلعب دورًا متزايد الأهمية في حياتنا اليومية، مما يجعل حياتنا أسهل وأكثر ملاءمة وأكثر متعة.
المصادر
Computational approach could continually teach robots new skills via dialogue | techxplore
Continual Skill and Task Learning via Dialogue | arxiv
Author: أخبار علمية
سعدنا بزيارتك، جميع مقالات الموقع هي ملك موقع الأكاديمية بوست ولا يحق لأي شخص أو جهة استخدامها دون الإشارة إليها كمصدر. تعمل إدارة الموقع على إدارة عملية كتابة المحتوى العلمي دون تدخل مباشر في أسلوب الكاتب، مما يحمل الكاتب المسؤولية عن مدى دقة وسلامة ما يكتب.
التعليقات :