دانشمندان رایانه در دانشگاه تگزاس در آستین به یک عامل هوش مصنوعی آموخته اند که چگونه کاری را انجام دهد که معمولاً فقط انسانها می توانند انجام دهند - چند نگاه سریع به اطراف بپردازند و کل محیط آن را استنباط کنند ، یک مهارت لازم برای توسعه جستجوی مؤثر و جستجو روبات های نجات که یک روز می توانند اثربخشی مأموریت های خطرناک را بهبود بخشند. این تیم به سرپرستی استاد کریستن گراومان ، دکترا کاندیدای Santhosh Ramakrishnan و دکترای سابق. کاندیدای دینسس جیارامان (هم اکنون در دانشگاه کالیفرنیا ، برکلی) نتایج خود را امروز در ژورنال Science Robotics منتشر کرد .
اکثر نمایندگان هوش مصنوعی - سیستم های رایانه ای که می توانند ربات یا ماشینهای دیگر با هوش و علاقه به او تحویل دهند - برای کارهایی بسیار خاص آموزش می گیرند - از جمله شناخت یک شی یا برآورد حجم آن - در محیطی که قبلاً تجربه کرده اند ، مانند یک کارخانه. اما عامل ایجاد شده توسط گروومن و راماكریشنان ، هدف كلی است ، جمع آوری اطلاعات بصری كه از آن پس می توان برای طیف گسترده ای از كارها استفاده كرد.
گرومان گفت: "ما می خواهیم نماینده ای را تهیه کنیم که به طور کلی مجهز باشد تا وارد محیط ها شود و در هنگام بروز وظایف ادراک جدید آماده باشد." "این به گونه ای رفتار می کند که همه کاره بوده و قادر به موفقیت در کارهای مختلف است زیرا الگوهای مفیدی در مورد دنیای تصویری آموخته است."
دانشمندان از یادگیری عمیق ، نوعی یادگیری ماشینی با الهام از شبکه های عصبی مغز استفاده کردند تا عامل خود را بر روی هزاران تصویر 360 درجه از محیط های مختلف آموزش دهند.
اکنون ، وقتی صحنه ای از آن دیده شده است که قبلاً دیده نشده است ، مامور از تجربه خود برای انتخاب چند نگاه کوتاه استفاده می کند - مثل یک توریستی که در وسط یک کلیسای جامع قرار دارد و چند عکس فوری در جهات مختلف گرفته است - که در کنار هم به کمتر از 20 اضافه می کنند. درصد صحنه کامل. آنچه این سیستم را بسیار مؤثر می سازد این است که فقط گرفتن عکس در جهت های تصادفی نیست بلکه پس از هر نگاه ، انتخاب عکس بعدی که پیش بینی می کند جدیدترین اطلاعات را در مورد کل صحنه اضافه می کند. این بسیار شبیه است اگر شما در یک فروشگاه مواد غذایی هستیدشما قبلاً بازدید نکرده اید ، و سیب را دیدید ، انتظار داشتید که پرتقالی را در این نزدیکی پیدا کنید ، اما برای پیدا کردن شیر ، ممکن است نگاه دیگری کنید. براساس نگاه های کوتاه ، نماینده استنباط می کند که اگر در همه جهات دیگر به نظر برسد ، یک تصویر کامل 360 درجه از محیط اطراف خود را بازسازی می کند.
بیشتر بخوانید: پمپ وکیوم کوچک
یک عامل جدید هوش مصنوعی که توسط محققان دانشگاه تگزاس در آستین ایجاد شده است ، چند مورد از محیط اطراف خود را به خود اختصاص می دهد و کمتر از 20 درصد از نمای 360 درجه را نشان می دهد و بقیه محیط را استنباط می کند. آنچه این سیستم را بسیار مؤثر می سازد این است که فقط گرفتن عکس در جهت های تصادفی نیست بلکه پس از هر نگاه ، انتخاب عکس بعدی که پیش بینی می کند جدیدترین اطلاعات را در مورد کل صحنه اضافه می کند. اعتبار: دیوید استیدمن / سانتوش راماكریشنان / دانشگاه تگزاس در آستین
گرامان گفت: "همانطور که شما اطلاعات قبلی را در مورد مواردی که در محیط های با تجربه قبلاً وجود دارد - مانند همه فروشگاه های مواد غذایی که تاکنون بوده اید ، به دست می آورید." "این آموخته است كه در مورد كجا جمع آوری اطلاعات تصویری برای موفقیت در کارهای ادراكی ، حدسهای هوشمندانه ای بسازد ."
یکی از اصلی ترین چالش هایی که دانشمندان برای خود ایجاد کرده اند ، طراحی یک عامل است که می تواند تحت محدودیت زمانی سخت کار کند. این امر در یک برنامه جستجو و نجات بسیار مهم است. به عنوان مثال ، در یک ساختمان سوزان از یک ربات خواسته می شود تا به سرعت افراد ، شعله های آتش و مواد خطرناک را پیدا کرده و آن اطلاعات را به آتش نشانان منتقل کند.
دانشمندان رایانه در دانشگاه تگزاس در آستین به یک عامل هوش مصنوعی آموخته اند که چگونه کاری را انجام دهد که معمولاً فقط انسانها می توانند انجام دهند - چند نگاه سریع به اطراف بپردازند و کل محیط آن را استنباط کنند ، یک مهارت لازم برای توسعه جستجوی مؤثر و جستجو روبات های نجات که یک روز می توانند اثربخشی مأموریت های خطرناک را بهبود بخشند. این تیم به سرپرستی استاد کریستن گراومان ، دکترا کاندیدای Santhosh Ramakrishnan و دکترای سابق. کاندیدای دینسس جیارامان (هم اکنون در دانشگاه کالیفرنیا ، برکلی) نتایج خود را امروز در ژورنال Science Robotics منتشر کرد .
اکثر نمایندگان هوش مصنوعی - سیستم های رایانه ای که می توانند ربات یا ماشینهای دیگر با هوش و علاقه به او تحویل دهند - برای کارهایی بسیار خاص آموزش می گیرند - از جمله شناخت یک شی یا برآورد حجم آن - در محیطی که قبلاً تجربه کرده اند ، مانند یک کارخانه. اما عامل ایجاد شده توسط گروومن و راماكریشنان ، هدف كلی است ، جمع آوری اطلاعات بصری كه از آن پس می توان برای طیف گسترده ای از كارها استفاده كرد.
گرومان گفت: "ما می خواهیم نماینده ای را تهیه کنیم که به طور کلی مجهز باشد تا وارد محیط ها شود و در هنگام بروز وظایف ادراک جدید آماده باشد." "این به گونه ای رفتار می کند که همه کاره بوده و قادر به موفقیت در کارهای مختلف است زیرا الگوهای مفیدی در مورد دنیای تصویری آموخته است."
دانشمندان از یادگیری عمیق ، نوعی یادگیری ماشینی با الهام از شبکه های عصبی مغز استفاده کردند تا عامل خود را بر روی هزاران تصویر 360 درجه از محیط های مختلف آموزش دهند.
اکنون ، وقتی صحنه ای از آن دیده شده است که قبلاً دیده نشده است ، مامور از تجربه خود برای انتخاب چند نگاه کوتاه استفاده می کند - مثل یک توریستی که در وسط یک کلیسای جامع قرار دارد و چند عکس فوری در جهات مختلف گرفته است - که در کنار هم به کمتر از 20 اضافه می کنند. درصد صحنه کامل. آنچه این سیستم را بسیار مؤثر می سازد این است که فقط گرفتن عکس در جهت های تصادفی نیست بلکه پس از هر نگاه ، انتخاب عکس بعدی که پیش بینی می کند جدیدترین اطلاعات را در مورد کل صحنه اضافه می کند. این بسیار شبیه است اگر شما در یک فروشگاه مواد غذایی هستیدشما قبلاً بازدید نکرده اید ، و سیب را دیدید ، انتظار داشتید که پرتقالی را در این نزدیکی پیدا کنید ، اما برای پیدا کردن شیر ، ممکن است نگاه دیگری کنید. براساس نگاه های کوتاه ، نماینده استنباط می کند که اگر در همه جهات دیگر به نظر برسد ، یک تصویر کامل 360 درجه از محیط اطراف خود را بازسازی می کند.
بیشتر بخوانید: پمپ وکیوم کوچک
یک عامل جدید هوش مصنوعی که توسط محققان دانشگاه تگزاس در آستین ایجاد شده است ، چند مورد از محیط اطراف خود را به خود اختصاص می دهد و کمتر از 20 درصد از نمای 360 درجه را نشان می دهد و بقیه محیط را استنباط می کند. آنچه این سیستم را بسیار مؤثر می سازد این است که فقط گرفتن عکس در جهت های تصادفی نیست بلکه پس از هر نگاه ، انتخاب عکس بعدی که پیش بینی می کند جدیدترین اطلاعات را در مورد کل صحنه اضافه می کند. اعتبار: دیوید استیدمن / سانتوش راماكریشنان / دانشگاه تگزاس در آستین
گرامان گفت: "همانطور که شما اطلاعات قبلی را در مورد مواردی که در محیط های با تجربه قبلاً وجود دارد - مانند همه فروشگاه های مواد غذایی که تاکنون بوده اید ، به دست می آورید." "این آموخته است كه در مورد كجا جمع آوری اطلاعات تصویری برای موفقیت در کارهای ادراكی ، حدسهای هوشمندانه ای بسازد ."
یکی از اصلی ترین چالش هایی که دانشمندان برای خود ایجاد کرده اند ، طراحی یک عامل است که می تواند تحت محدودیت زمانی سخت کار کند. این امر در یک برنامه جستجو و نجات بسیار مهم است. به عنوان مثال ، در یک ساختمان سوزان از یک ربات خواسته می شود تا به سرعت افراد ، شعله های آتش و مواد خطرناک را پیدا کرده و آن اطلاعات را به آتش نشانان منتقل کند.
تحقیقات نشان می دهد که یادگیری ماشین موانع زبان را در تجارت جهانی کاهش می دهد