MIT, robotların çok yönlü beceriler öğrenmesini sağlayan çığır açan yapay zeka tabanlı bir eğitim yöntemini tanıttı.

Massachusetts Teknoloji Enstitüsü (MIT), üretici yapay zeka (AI) modellerinden yararlanan robotların eğitimi için öncü bir yöntem açıkladı. Yakın zamanda yapılan bir duyuruda ayrıntıları verilen bu yenilikçi yaklaşım, farklı alanlardan ve modalitelerden gelen verileri entegre ederek büyük dil modellerinin (LLM'ler) işleyebileceği ortak bir dil oluşturmaya odaklanıyor. Araştırmacılar bu tekniğin, her bir beceri için kapsamlı bireysel eğitime ihtiyaç duymadan çok çeşitli görevleri yerine getirebilen genel amaçlı robotların geliştirilmesini kolaylaştırabileceğini iddia ediyor.

Mevcut robotik zeka seviyesinin karmaşıklığı, robotun çok sayıda simüle edilmiş ve gerçek hayat veri setiyle eğitilmesi ihtiyacından kaynaklanıyor ve bu da uzun zaman alabiliyor. Bunun altında yatan sorun, eğitim aşamaları sırasında robotun kendi ortamında bir görevi nasıl yerine getireceğini öğrenmesi ve yeni görevleri öğrenirken bunun iyileştirme kapsamına sahip olabilmesidir.

Bunun sonucu olarak, ne zaman yeni bir görev verilse, tüm potansiyel simülasyonları ve gerçek çevresel aşırılıkları kapsayacak yeni bir dizi veri kümesinin elde edilmesi gerekiyordu. Sürekli eylemlerin tekrarlanan yaklaşımları genellikle robotun eğitim dönemiyle ilişkilendirilir, bu sırada düzeltilir, yanlış eylemler stratejileri dağıtır. Şimdiye kadar, robotların operasyonları çoğunlukla tek bir işlev için tasarlanmış cihazlara indirgenmiş ve bu nedenle kurgu makinelerin çok işlevli yeteneklerine asla yaklaşmamıştır.

Bununla birlikte, MIT'den araştırmacılar yardımcı olabilecek yeni bir teknik sunuyor. ArXiv ön baskı sunucusunda paylaşılan bir raporda bilim insanları, üretken yapay zekanın robot eğitimini nasıl daha hızlı ve verimli bir şekilde kolaylaştırdığını açıkladılar. Yöntemlerinde, simüle edilmiş ortamlar ve etkileşimde bulunan gerçek robotlar ve görüş sensörleri ve robotik kol pozisyon kodlayıcıları gibi çoklu giriş türleri dahil ancak bunlarla sınırlı olmamak üzere birden fazla kaynaktan gelen bilgileri birleştiriyorlar. Bu birleştirmeye yardımcı olmak için de Heterojen Önceden Eğitilmiş Dönüştürücüler (HPT) adını verdikleri yeni bir mimari geliştirdiler.

Makalenin birincil yazarı ve elektrik mühendisliği ve bilgisayar bilimleri EECS yüksek lisans öğrencisi Lirui Wang'a göre, bu yöntemin arkasındaki temel fikir, OpenAI tarafından GPT-4 gibi kamuya açık alanda bulunan yapay zeka modellerini kullanmaktı. Transformatör olarak bilinen bir LLM modelinin devreye sokulması, arkadaşlarının düzeneklerinde iki girdiyi daha işlemesine olanak sağladı: bir robotun kendi kendine hareket etme ve kendi yerini belirleme yöntemi için kritik olan görme ve propriyosepsiyon.

Önerilen yeni yöntemin önemli sonuçları olabilir. Çalışmanın sonuçları, yeni yöntemin geleneksel yöntemlere kıyasla robotların eğitiminde daha hızlı uygulanabilir ve uygun maliyetli olduğunu gösteriyor. Bilim insanları, bu teknikte göreve özgü daha az veriye ihtiyaç duyulduğunu ve sonuç olarak bu tür robotların daha fazla görevde verimli bir şekilde eğitilebileceğini fark etti. Ayrıca, yeni teknik daha önceki testlerde belirtilen beklentileri de karşıladı: simülasyonlarda ve gerçek koşullarda geleneksel eğitim yaklaşımına göre %20 oranında daha etkili olduğu kanıtlandı.

Bu, çok sayıda işlevde ve farklı koşullarda kullanılmak üzere gelişmiş robotlar oluşturma yolunda önemli bir ilerlemedir.