Adopsi robot rumahan secara luas di luar Roomba terhambat oleh sejumlah faktor, termasuk biaya, kepraktisan, desain, dan tantangan pemetaan lingkungan. Sekalipun masalah-masalah ini telah terselesaikan sebagian, kegagalan masih terjadi, dan hal ini diperburuk dengan sulitnya memperbaiki kesalahan yang dilakukan sistem. Meskipun organisasi-organisasi besar mempunyai kapasitas untuk menangani masalah-masalah tersebut, tidaklah realistis untuk mengharapkan konsumen membayar profesional untuk melakukan debug atau menjadi pemrogram. Namun penelitian terbaru dari MIT menunjukkan, Large Language Models (LLMs) menawarkan pendekatan yang memungkinkan.
Makalah yang akan datang di Konferensi Internasional tentang Representasi Pembelajaran (ICLR) berupaya untuk mengintegrasikan robot dengan tingkat "akal sehat" sehingga mereka dapat melakukan koreksi secara mandiri. Menurut penelitian ini, robot dapat meniru perilaku manusia, namun jika mereka tidak dilatih dengan baik untuk menangani setiap hambatan yang mungkin terjadi, robot akan kesulitan menyesuaikan diri terhadap perubahan yang tidak terduga dan sering memulai kembali tugasnya dari awal.
Studi ini menarik perhatian pada kelemahan pembelajaran imitasi pada robot, terutama dalam situasi rumah yang dinamis di mana perubahan kecil sekalipun dapat menyebabkan sistem diatur ulang. Dengan memecah aktivitas menjadi komponen-komponen yang lebih kecil, studi MIT menyarankan metode revolusioner yang membuat koreksi menjadi lebih mudah dan menghilangkan kebutuhan pemrogram untuk melakukan intervensi secara manual. Hal ini dimungkinkan oleh LLM, yang menjembatani kesenjangan antara demonstrasi manusia dan pemahaman robot dengan memberikan petunjuk langkah demi langkah dalam bahasa umum. Hal ini memungkinkan robot mengenali tahap tugasnya dan melakukan penyesuaian yang diperlukan sendiri.
Dengan menggunakan robot yang dilatih untuk menyendok dan menuangkan kelereng, penelitian ini mengilustrasikan ide ini dan menunjukkan bagaimana LLM memungkinkan robot melakukan koreksi diri setelah diinterupsi dengan sengaja. Pendekatan ini memberikan resolusi efektif terhadap masalah yang terus-menerus terjadi dalam robotika dengan mengurangi kebutuhan pemrograman atau intervensi manusia jika terjadi kegagalan.
Tingkatkan Keterampilan Tanpa Mengganggu Karir Anda! Bergabunglah dengan Kamp pelatihan Ilmu Data dan AI paruh waktu online Code Labs Academy dan dapatkan keterampilan praktis dalam pengkodean dan analisis data. Belajar dari pakar industri, bangun proyek nyata, dan bersiaplah untuk karier berbasis data—semuanya sesuai jadwal Anda!