La amplia adopción de robots domésticos más allá del Roomba se ha visto obstaculizada por una serie de factores, incluidos el costo, la practicidad, el diseño y el desafío de mapear entornos. Incluso si estos problemas se resuelven parcialmente, todavía se producen fallas, lo que se ve agravado por la dificultad para corregir los errores que cometen estos sistemas. Si bien las principales organizaciones tienen la capacidad de manejar estos problemas, no es realista esperar que los consumidores paguen a profesionales para que realicen depuraciones o se conviertan en programadores. Pero como muestra una investigación reciente del MIT, los modelos de lenguajes grandes (LLM) ofrecen un posible enfoque.
Un próximo artículo en la Conferencia Internacional sobre Representaciones del Aprendizaje (ICLR) busca integrar robots con un grado de "sentido común" para que puedan hacer correcciones de forma autónoma. Según esta investigación, los robots pueden replicar el comportamiento humano, pero a menos que estén adecuadamente entrenados para manejar todos los impedimentos posibles, tienen dificultades para adaptarse a cambios imprevistos y frecuentemente reinician sus tareas desde el principio.
El estudio llama la atención sobre los inconvenientes del aprendizaje por imitación en robots, especialmente en situaciones domésticas dinámicas donde incluso pequeños cambios pueden hacer que un sistema se reinicie. Al dividir las actividades en componentes más pequeños, el estudio del MIT sugiere un método revolucionario que facilita las correcciones y elimina la necesidad de que los programadores intervengan manualmente. Esto es posible gracias a los LLM, que cierran la brecha entre las demostraciones humanas y la comprensión robótica al brindar instrucciones paso a paso en un lenguaje común. Esto permite a los robots reconocer la etapa de su tarea y realizar los ajustes necesarios por sí mismos.
Utilizando un robot que fue entrenado para recoger y verter canicas, la investigación ilustró esta idea y mostró cómo los LLM permiten que el robot se autocorrija después de haber sido interrumpido intencionalmente. Este enfoque proporciona una resolución eficaz a un problema persistente en robótica al reducir en gran medida la necesidad de programación o intervención humana durante las fallas.
¡Mejora tus habilidades sin interrumpir tu carrera! Únase al campamento de entrenamiento de ciencia de datos e inteligencia artificial en línea a tiempo parcial de Code Labs Academy y obtenga habilidades prácticas en codificación y análisis de datos. Aprenda de expertos de la industria, cree proyectos reales y prepárese para una carrera basada en datos, ¡todo según su cronograma!