L'adoption généralisée de robots domestiques au-delà du Roomba a été entravée par un certain nombre de facteurs, notamment le coût, l'aspect pratique, la conception et le défi de la cartographie des environnements. Même si ces problèmes sont partiellement résolus, des échecs surviennent toujours, aggravés par la difficulté de corriger les erreurs commises par ces systèmes. Même si les grandes organisations ont la capacité de gérer de tels problèmes, il n'est pas réaliste d'attendre des consommateurs qu'ils paient des professionnels pour le débogage ou qu'ils deviennent des programmeurs. Mais comme le montre une étude récente du MIT, les grands modèles linguistiques (LLM) offrent une approche possible.
Un prochain article à la Conférence internationale sur les représentations d'apprentissage (ICLR) cherche à intégrer des robots dotés d'un certain degré de « bon sens » afin qu'ils puissent effectuer des corrections de manière autonome. Selon cette recherche, les robots peuvent reproduire le comportement humain, mais s’ils ne sont pas correctement formés pour gérer tous les obstacles possibles, ils ont du mal à s’adapter aux changements imprévus et recommencent fréquemment leurs tâches depuis le début.
L'étude attire l'attention sur les inconvénients de l'apprentissage par imitation chez les robots, en particulier dans les situations domestiques dynamiques où même de petits changements peuvent entraîner la réinitialisation d'un système. En divisant les activités en composants plus petits, l'étude du MIT suggère une méthode révolutionnaire qui facilite les corrections et élimine le besoin d'intervention manuelle des programmeurs. Ceci est rendu possible par les LLM, qui comblent le fossé entre les démonstrations humaines et la compréhension robotique en donnant des instructions étape par étape dans un langage commun. Cela permet aux robots de reconnaître l’étape de leur tâche et de procéder eux-mêmes aux ajustements nécessaires.
À l’aide d’un robot entraîné à ramasser et à verser des billes, la recherche a illustré cette idée et montré comment les LLM permettent au robot de s’auto-corriger après avoir été délibérément interrompu. Cette approche fournit une résolution efficace à un problème persistant en robotique en réduisant considérablement le besoin de programmation humaine ou d’intervention en cas de panne.
- Améliorez vos compétences sans interrompre votre carrière ! Rejoignez le [bootcamp en ligne sur la science des données et l'IA] à temps partiel de Code Labs Academy(/courses/data-science-and-ai) et acquérez des compétences pratiques en codage et en analyse de données. Apprenez auprès d'experts du secteur, construisez de vrais projets et préparez-vous à une carrière basée sur les données, le tout selon votre emploi du temps !*