Video odhaluje překvapivé výzvy výuky A.I. obléknout se

Procházení do trička by mohlo být jedním z mála úkolů, které nám lidé dokážou dělat, i když jsme sotva vzhůru a stále se škrábáme z očí. Skutečnost, že jsme se naučili, jak se obléknout (více či méně), ale je složitá, jak složitá je série pohybů, které jsou potřebné k tomu, abychom se dostali od bytí v buffu k tomu, že jsme byli dostatečně oblečeni, abychom vystoupili ze dveří.

Jedna osoba, která tomu rozumí, stejně jako kdokoliv, je Alex Clegg, počítačová věda Ph.D. student v Technologickém institutu v Georgii, který se zaměřil na využití strojového učení k tech umělé inteligenci, jak se oblékat. Jak říká Inverzní, zatímco A.I. je dostatečně chytrý, aby předpověděl, kteří pacienti budou mít sepse nebo jak vyzvat mistry světa ve složitých strategických hrách, aby se učební stroje na košili ukázaly být nepolapitelným cílem.

„Tkanina je složitá,“ vysvětluje v e-mailu. „Může okamžitě a drasticky reagovat na drobné změny polohy těla a často omezuje pohyb… Oblečení má také tendenci skládat se, držet se a držet se těla, což činí haptický nebo dotekový pocit nezbytný pro tento úkol.“

Tak proč, přesně, je počítač, který se snaží rozbít, jak se ráno hodíme? Clegg vysvětlil, že existuje několik možných aplikací pro A.I. který chápe klamně prosté zdánlivé umění oblékání. V krátkodobém horizontu mohou být Cleggova zjištění využita k tomu, aby v některých dnech urychlila proces tvorby živých 3D animací. Ale co je důležitější, tyto postřehy by mohly pomoci vést k návrhu pomocných robotů, kteří mohou pomoci starat se o lidské bytosti mladé i staré.

Výzkumníci začali tím, že učili počítač, jak zvládnout dostat ruku do rukávu. V příspěvku, který bude představen na nadcházející konferenci SIGGRAPH Asia 2018 o počítačové grafice v prosinci, Clegg a jeho kolegové vysvětlili přesnou techniku, kterou používali, typ strojového učení nazvaný „hluboké zesílení učení“.

Cílem hluboce zesíleného učení je vyzkoušet a naučit roboty, jak dokončit určité pohyby a úkoly tím, že je budou dělat znovu a znovu. V případě oblékání A.I. měl Cleggův tým A.I. pozorovat procesní virtuální prostředí, replikovat ho a pak odměnit, když se zdálo, že je na správné cestě.

Clegg vysvětlil, že to trvalo stovky tisíc pokusů, aby se ve tvaru klobásy animované postavy, které vyvinuly se naučit, jak dát na sako nebo tričko. Koneckonců, jejich bota se musela naučit, jak vnímat dotek, aby mohla košili, když to potřebovala. Navíc, oni také potřebovali začlenit motor fyziky, aby simulace co nejpřesnější.

Nakonec se Cleggovu nemotornému, animovanému synovi podařilo naučit se, jak se dostat na košili, i když je to trochu neelegantně. Výsledky však mohou být nejužitečnější jako důkazy o tom, jak lze hluboké učení použít k řešení nulových problémů.

„Je vzrušující představit si celou řadu problémů, které můžeme řešit s hluboce posíleným učením,“ říká. „Těšíme se na další práci na tom, abychom umožnili robotiku a našli řešení velkých problémů, které ovlivňují každodenní život tolika lidí.“

Konverze poznatků z této studie na práci s robotikou bude mít o něco více práce na harmonizaci jak softwarového, tak hardwarového hlediska. Cleggovy nálezy však vytyčují cestu pro výzkumné pracovníky, kteří mají zájem osvobodit naše futuristické roboty z jejich současných omezení.