Nauczanie robotów w sposób ludzki: przyszłość automatyzacji w miejscu pracy

Wyobraź sobie przyszłość, w której nie szkolisz już tylko ludzkiego praktykanta w swoim magazynie lub biurze; zamiast tego Twoim nowym współpracownikiem jest robot. Brzmi to co prawda nieco futurystycznie, ale nie jest to aż tak nieprawdopodobne, jak mogłoby się wydawać. Częścią twojej codziennej rutyny może być pokazywanie robotowi, jak wykonywać różne czynności, i wyjaśnianie przy tym swoich działań – zupełnie jak w grze ‘pokaż i opowiedz’.

Kiedy roboty stają się współpracownikami

Wyobraź sobie następującą sytuację: prowadzisz rozmowę przez Zoom z klientem i prosisz swojego robotycznego współpracownika, by przyniósł ci filiżankę kawy, dbając jednocześnie o to, by zachował odpowiedni dystans i nie rozlał kawy na twój drogi laptop. Takie wymagające subtelności zadania wymagają precyzyjnych pokazów i szczegółowych instrukcji, co czasami bywa żmudne i czasochłonne. Być może będziesz musiał nagrać kilka fizycznych pokazów lub sporządzić wyczerpujące instrukcje.

Kluczową rolę w tym wszystkim odgrywają naukowcy z MIT z Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL). Opracowali oni innowacyjną metodę o nazwie “Masked Inverse Reinforcement Learning” (Masked IRL), której celem jest uproszczenie procesu uczenia. Metoda ta pozwala robotom rozumieć niejasne lub wieloznaczne instrukcje przy użyciu mniejszej ilości danych demonstracyjnych. Jest to ogromna korzyść dla maszyn pracujących w różnorodnych środowiskach, takich jak domy, fabryki i biura.

Rozszyfrowanie kodu z Masked IRL

Minyoung Hwang, doktorantka z MIT, wyjaśnia, że ten nowy model ma na celu umożliwienie maszynom zrozumienia, czego naprawdę chcą użytkownicy, nawet jeśli ich instrukcje nie są jednoznaczne. Jest to szczególnie pomocne w sytuacjach, w których występują czynniki, które mogą nie być wyraźnie wymienione, ale mają kluczowe znaczenie dla wykonania zadania.

W ramach procesu uczenia się w systemie Masked IRL czujniki robota gromadzą informacje o otoczeniu. Gdy użytkownik fizycznie prowadzi robota podczas demonstracji, każdy ruch jest dokładnie rejestrowany. Dzięki wykorzystaniu dużych modeli językowych (LLM) ruchy te są porównywane z najkrótszą możliwą trasą, co pozwala dopracować instrukcje tak, by były jak najbardziej przejrzyste. Aby skupić się na kluczowych elementach, inny model LLM ocenia i pomija nieistotne szczegóły.

Co ciekawe, podejście to wykazało, że roboty mogą nauczyć się wykonywać zadania szybko i precyzyjnie, opierając się na mniejszej liczbie demonstracji. Podczas testów roboty precyzyjnie manewrowały obiektami, omijając przeszkody, i sprawnie interpretowały preferencje użytkowników, które nie zostały wyraźnie wskazane w wydanych im poleceniach.

Roboty przyszłości mogą być wyposażone w kamery, co pozwoli im lepiej rozumieć otaczające je środowisko. Te fascynujące badania są wspierane przez Grupę Tata oraz Departament Obrony Stanów Zjednoczonych i zostaną zaprezentowane podczas Międzynarodowej Konferencji IEEE poświęconej robotyce i automatyce w 2026 roku przez wybitny zespół badawczy z MIT, w skład którego wchodzą Alexandra Forsey-Smerek, Nathaniel Dennler oraz adiunkt Andreea Bobu.

Chcesz wdrożyć automatyzację opartą na sztucznej inteligencji do swojego modelu biznesowego? Dowiedz się więcej o rozwiązaniach opartych na sztucznej inteligencji na stronie implementi.ai.

Aby dowiedzieć się więcej na temat tych przełomowych badań, zapoznaj się z oryginalnym artykułem pod adresem MIT News.