Η ευρεία υιοθέτηση οικιακών ρομπότ πέρα από το Roomba έχει παρεμποδιστεί από διάφορους παράγοντες, όπως το κόστος, η πρακτικότητα, ο σχεδιασμός και η πρόκληση των περιβαλλόντων χαρτογράφησης. Ακόμα κι αν αυτά τα προβλήματα επιλυθούν εν μέρει, εξακολουθούν να συμβαίνουν αστοχίες, κάτι που επιδεινώνεται από τη δυσκολία στη διόρθωση των λαθών που κάνουν αυτά τα συστήματα. Ενώ οι μεγάλοι οργανισμοί έχουν την ικανότητα να χειρίζονται τέτοια ζητήματα, δεν είναι ρεαλιστικό να περιμένουμε από τους καταναλωτές να πληρώσουν επαγγελματίες για τον εντοπισμό σφαλμάτων ή να γίνουν προγραμματιστές. Όμως, όπως δείχνει πρόσφατη έρευνα από το MIT, τα μεγάλα γλωσσικά μοντέλα (LLM) προσφέρουν μια πιθανή προσέγγιση.
Μια επερχόμενη ανάρτηση στο Διεθνές Συνέδριο για τις Εκπαιδευτικές Αναπαραστάσεις (ICLR) επιδιώκει να ενσωματώσει ρομπότ με έναν βαθμό «κοινής λογικής» ώστε να μπορούν να κάνουν διορθώσεις αυτόνομα. Σύμφωνα με αυτήν την έρευνα, τα ρομπότ μπορούν να αναπαράγουν την ανθρώπινη συμπεριφορά, αλλά αν δεν είναι κατάλληλα εκπαιδευμένα για να χειρίζονται κάθε πιθανό εμπόδιο, δυσκολεύονται να προσαρμοστούν σε απρόβλεπτες αλλαγές και συχνά επανεκκινούν τις εργασίες τους από την αρχή.
Η μελέτη εφιστά την προσοχή στα μειονεκτήματα της εκμάθησης μίμησης στα ρομπότ, ειδικά σε δυναμικές οικιακές καταστάσεις όπου ακόμη και μικρές αλλαγές μπορούν να προκαλέσουν επαναφορά του συστήματος. Διαχωρίζοντας τις δραστηριότητες σε μικρότερα στοιχεία, η μελέτη του MIT προτείνει μια επαναστατική μέθοδο που διευκολύνει τις διορθώσεις και εξαλείφει την ανάγκη χειροκίνητης επέμβασης από τους προγραμματιστές. Αυτό γίνεται εφικτό από τα LLM, τα οποία γεφυρώνουν το χάσμα μεταξύ των ανθρώπινων επιδείξεων και της ρομποτικής κατανόησης δίνοντας οδηγίες βήμα προς βήμα στην κοινή γλώσσα. Αυτό επιτρέπει στα ρομπότ να αναγνωρίζουν το στάδιο της εργασίας τους και να κάνουν τις απαραίτητες προσαρμογές μόνα τους.
Χρησιμοποιώντας ένα ρομπότ που είχε εκπαιδευτεί να σκουπίζει και να χύνει μάρμαρα, η έρευνα απεικόνισε αυτή την ιδέα και έδειξε πώς τα LLM επιτρέπουν στο ρομπότ να αυτοδιορθώνεται μετά από σκόπιμη διακοπή. Αυτή η προσέγγιση παρέχει μια αποτελεσματική επίλυση σε ένα επίμονο πρόβλημα στη ρομποτική μειώνοντας σημαντικά την απαίτηση για ανθρώπινο προγραμματισμό ή παρέμβαση κατά τη διάρκεια αστοχιών.
Αναβαθμίστε τις δεξιότητες χωρίς να διακόπτετε την καριέρα σας! Εγγραφείτε στο διαδικτυακό πρόγραμμα μερικής απασχόλησης του Code Labs Academy Data Science and AI bootcamp και αποκτήστε πρακτικές δεξιότητες στην κωδικοποίηση και την ανάλυση δεδομένων. Μάθετε από ειδικούς του κλάδου, δημιουργήστε πραγματικά έργα και προετοιμαστείτε για μια καριέρα βασισμένη στα δεδομένα—όλα σύμφωνα με το πρόγραμμά σας!