A videó feltárja a tanítás meglepő kihívásait A.I. öltözködni

A pólóba való bejutás lehet az egyik olyan feladat, amivel az emberek képesek vagyunk, még akkor is, ha alig ébren vagyunk, és még mindig megkarcoljuk az alvást a szemünkből. De az a tény, hogy elsajátítottuk, hogyan kell öltözni magunkat (többé-kevésbé), meggyőződik arról, hogy mennyire összetett a mozgássorozat, ami ahhoz szükséges, hogy a bábról a ruhába öltözve elegendő legyen az ajtók kilépéséhez.

Egy személy, aki ezt megérti, és bárki más, Alex Clegg, informatika Ph.D. a Georgia Institute of Technology diákja, aki a gépi tanulás technikai intelligenciára való felhasználására összpontosított. Ahogy mondja fordítottja, míg A.I. elég okos ahhoz, hogy megjósolja, hogy mely betegek fogják szepszist kapni, vagy hogyan lehet a világbajnokokat bonyolult stratégiai játékokban megkérdőjelezni, a póló betöltésére szolgáló oktatási gépek megfoghatatlan célnak bizonyultak.

„A szövet összetett” - magyarázza egy e-mailben. „Azonnali és drasztikusan reagálhat a test helyzetének kis változásaira, és gyakran korlátozza a mozgást… A ruházati hajlandóság hajlamos arra, hogy összecsukjon, ragadjon és ragaszkodjon a testhez, így haptikus vagy érintésérzetet teremt a feladathoz.”

Tehát miért pontosan egy számítógép kiabál, hogy megpróbálja lebontani, hogyan illeszkedik fel reggel? Clegg elmagyarázta, hogy van néhány lehetséges alkalmazás az A.I. amely megérti az öltözködés megtévesztően egyszerű látszólagos művészetét. Rövid távon a Clegg megállapításai egy nap múlva felgyorsíthatják az élethű 3D-s animációk készítését. De még ennél is fontosabb, hogy ezek a betekintések segíthetnek olyan segédrobotok kialakításában, amelyek segíthetnek fiatal és idős emberek gondozásában.

A kutatók elkezdték tanítani egy számítógépet, hogyan kell elkapni a karját a hüvelybe. A decemberi SIGGRAPH Asia 2018-as számítógépes grafikáról szóló konferencián bemutatott tanulmányban Clegg és munkatársai kifejtették, hogy milyen pontos technikát alkalmaztak, egyfajta „mélyreható tanulást”.

A mélyreható tanulás célja az, hogy megpróbálja megtanítani a robotokat, hogy bizonyos mozgásokat és feladatokat befejezzen azzal, hogy újra és újra megteszik őket. Az A.I. kötszer esetében Clegg csapata az A.I. figyelje meg a folyamat virtuális környezetét, replikálja azt, majd jutalmazza azt, amikor úgy tűnt, hogy a megfelelő úton halad.

Clegg elmagyarázta, hogy több százezer próbálkozásra volt szükség annak érdekében, hogy a kolbász alakú animált karaktert megtanulják, hogy megtanulják, hogyan kell egy kabátot vagy pólót helyezni. Végtére is, a botjuknak meg kellett tanulnia, hogyan kell észlelni az érintést, így meg tudná csípni az ingét, amikor szükséges. Továbbá szükségük volt továbbá egy fizikai motor beépítésére is, hogy a szimulációt a lehető legpontosabbnak tartsuk.

Végül, Clegg ügyetlen, animált fia sikerült megtanulnia, hogyan kell az ingét behozni, még akkor is, ha egy kicsit rosszul. Mégis, az eredmények leginkább hasznosak lehetnek egy olyan koncepcióként, amely megmutatja, hogy a mélyreható tanulás hogyan használható a árnyalt problémák megoldására.

„Érdekes elképzelni, hogy a mélyen megerõsített tanulással megoldjuk a sok problémát,” mondja. „Bízunk benne, hogy folytatjuk a munkát a robotika lehetővé tételére és olyan megoldások megtalálására, amelyek olyan sok problémát érintenek, amely sok ember életét érinti.”

A tanulmány eredményeinek a robotikával való munkájának átalakítása egy kicsit többet fog tenni a szoftver és a hardver szempontjainak összehangolása érdekében. Clegg megállapításai azonban olyan kutatókat mutatnak, akik érdeklődnek a futurisztikus robot gondnokok megszabadításáért a jelenlegi korlátoktól.