Kako robota učiniti pametnijim?

Foto: Shutterstock.com

Savremeni roboti znaju kako da osete svoju okolinu i reaguju na jezik, ali ono što ne znaju često je važnije od onoga što znaju. Naučiti robote da traže pomoć je ključno da bi bili bezbedniji i efikasniji.

Inženjeri Prinstonskog univeziteta i „Gugla“ su pronašli novi način da nauče robote da znaju kad ne znaju. Ta tehnika uključuje kvantifikaciju neodređenosti ljudskog jezika i upotrebu te kvantifikacije da se robotima kaže kad da traže dalja uputstva, piše EurekAlert.

Preporučujemo

Reći robotu da podigne činiju sa stola na kojem je samo jedna činija je prilično jasno. Međutim, reći robotu da uzme činiju kad na stolu ima pet činija stvara mnogo viši stepen neizvesnosti – i podstiče robota da traži razjašnjenje.

Pošto su zadaci obično složeniji od proste „uzmi činiju“ komande, istraživači koriste velike jezičke modele (LLM) – tehnologiju u osnovi instrumenata kao što je ChatGPT – radi merenja neizvesnosti u kompleksnim okruženjima. LLM daje robotima velike sposobnosti da prate ljudski jezik, ali je učinak LLM još uvek često nepouzdan.

Novi metod takođe omogućuje korisniku robota da postavi ciljani stepen uspeha, koji je vezan za određeni prag neizvesnosti koji će navesti robota da traži pomoć. Na primer, korisnik će podesiti hirurškog robota na mnogo manju toleranciju prema greškama nego robota koji čisti dnevnu sobu.

„Hoćemo da robot zatraži dovoljno pomoći da postignemo nivo uspeha koji korisnik želi. Međutim, ujedno hoćemo da minimiziramo sveukupnu količinu pomoći koja je robotu potrebna“, kaže Alen Ren sa Prinstona, glavni autor studije.

Istraživači su testirali novi metod na simuliranoj robotskoj ruci i dvama tipovima robota u „Guglovim“ objektima. Jedan skup hardverskih eksperimenata koristio je robotsku ruku na postolju u cilju sortiranja prehrambenih artikala u dve kategorije; radi dodatne neodređenosti postavka je uključivala levu i desnu ruku.

Najsloženiji eksperimenti su uključivali robotsku ruku postavljenu na pokretnu platformu u kuhinji sa mikrotalasnom pećnicom i kantama za recikliranje, kompost i otpad. U jednom slučaju, čovek zatraži od robota da „stavi činiju u mikrotalasnu“, ali su dve činije na pultu – metalna i plastična.

Robotov program zasnovan na LLM generiše četiri moguća postupka na osnovu date instrukcije, poput više mogućih odgovora, i svakoj opciji se pripiše neka verovatnoća. Istraživači su kreirali algoritam koji izaziva zahtev za pomoć kad opcije zadovolje izvesni prag verovatnoće. U datom slučaju, glavne dve opcije – staviti plastičnu činiju u mikrotalasnu ili staviti metalnu činiju u mikrotalasnu – dostižu taj prag i robot pita čoveka koju činiju da stavi u mikrotalasnu.

U drugom slučaju, osoba kaže robotu: „Tu su jabuka i prljava krpa…Trula je. Možeš li je baciti u kantu?“. To ne izaziva pitanje, pošto akcija „stavi jabuku u kantu za kompost“ ima dovoljno veću verovatnoću da bude tačna naspram drugih.

Upotreba tehnike konformne predikcije, koja kvantifikuje neizvesnost jezičkog modela na rigorozniji način nego raniji modeli, omogućila je viši nivo uspeha, minimizujući istovremeno učestalost traženja pomoći.

Fizička ograničenja robota često pružaju konstruktorima uvide koje apstraktni sistemi ne omogućavaju odmah. Veliki jezički modeli se mogu provući kroz konverzaciju, ali ne mogu izbeći gravitaciju, kaže Endi Ceng iz „Gugla“.

Ren sad proširuje ovaj rad na probleme aktivne percepcije robota. Na primer, robotu će možda biti potrebna predviđanja da bi utvrdio lokaciju televizora, stola ili stolice u kući, kad se nalazi u nekom drugom delu kuće. To zahteva program zasnovan na modelu koji kombinuje vizuelne i jezičke informacije, što predstavlja nove izazove u proceni neizvesnosti i određivanju kad se uključuje pomoć.

(Telegraf Nauka/EurekAlert)