211service.com
Hvordan en menneske-maskin tanke-Meld kunne gjøre roboter smartere
Denne robotarmen bruker av og til menneskelig kontroll mens den lærer å gripe forskjellige gjenstander.
En hemmelighetsfull kanadisk startup kalt Kindred AI lærer roboter hvordan de kan utføre vanskelige fingerferdige oppgaver i overmenneskelige hastigheter ved å pare dem med menneskelige piloter som har på seg virtuelle virkelighetshodesett og holder bevegelsessporingskontrollere.
Teknologien gir et fascinerende glimt av hvordan mennesker kan fungere i synkronisering med maskiner i fremtiden, og den viser hvordan å utnytte menneskelige evner kan forsterke mulighetene til automatiserte systemer. Til tross for all bekymringen over at roboter og kunstig intelligens eliminerer jobber, er det mange ting som maskiner fortsatt ikke kan gjøre. Selskapet demonstrerte maskinvaren til MIT Technology Review forrige uke, og sier at de planlegger å lansere et produkt rettet mot forhandlere i løpet av de kommende månedene. De langsiktige ambisjonene er langt større. Kindred håper at denne menneskeassisterte læringen vil fremme en fundamentalt ny og kraftigere type kunstig intelligens.
Kindred ble opprettet av flere personer fra D-Wave, et kvantedatabedrift basert i Burnaby, Canada. Kindred tester for tiden konvensjonelle industrirobotarmer som er i stand til å gripe og plassere gjenstander som kan være vanskelige å håndtere, som små klesplagg, raskere og mer pålitelig enn det som normalt ville vært mulig. Armene gjør dette ved av og til å be om hjelp fra et team av mennesker, som bruker virtuell virkelighet for å se utfordringen og midlertidig ta kontroll over en arm.
En pilot kan se, høre og føle hva roboten ser, hører og føler. Når piloten handler, beveger disse handlingene roboten, sier Geordie Rose, som er medgründer og administrerende direktør i Kindred, og som tidligere var medstifter av D-Wave. Dette lar oss vise roboter hvordan de skal opptre som mennesker. Mennesker er ikke de raskeste eller best på alle aspekter av robotkontroll, som å plassere ting på bestemte steder, men mennesker er fortsatt best til å forstå vanskelige eller uforutsette situasjoner.
Kindreds system bruker flere maskinlæringsalgoritmer, og prøver å forutsi om en av disse vil gi det ønskede resultatet, for eksempel å gripe en gjenstand. Hvis ingen ser ut til å gi høy sannsynlighet for suksess, krever det menneskelig hjelp. Det viktigste er at algoritmene lærer av handlingene til en menneskelig kontroller. For å oppnå dette bruker bedriften en form for forsterkende læring, en tilnærming som innebærer eksperimentering og styrking av atferd som fører til et bestemt mål (se 10 Breakthrough Technologies 2017: Reinforcement Learning ).
Rose sier at systemet kan gripe små klesplagg omtrent dobbelt så raskt som en person som jobber på sin egen kan, mens en robot som jobber uavhengig ville være for upålitelig til å distribuere. En person kan også betjene flere roboter samtidig.
Rose legger til at Kindred utforsker alle slags menneske-i-løkken-systemer, fra de der en person bare klikker på et bilde for å vise en robot hvor den skal gripe noe, til hele kroppens eksoskjeletter som gir kontroll over en humanoid robot. Han sier at piloter vanligvis lærer å kontrollere et eksternt robotsystem effektivt. Når du bruker kontrollapparatet, er det først veldig frustrerende, men folks sinn er veldig plastiske, og du justerer, sier Rose.
Den tekniske inspirasjonen til teknologien kommer fra Suzanne Gildert, som tidligere var seniorforsker ved D-Wave, og som er Kindreds vitenskapelige sjef. Selskapet har operert i stealth-modus i flere år, men trakk oppmerksomhet da detaljer om et patent innlevert av Gildert dukket opp på nettet . Patentet beskriver et opplegg for å kombinere ulike teleoperasjonssystemer med maskinlæring. Kindreds visjon for teknologien ser ut til å strekke seg langt utover å bygge roboter som er mer dyktige til å sortere.
Tanken var om du kunne gjøre det lenge nok, og hvis du hadde et slags AI-system i bakgrunnslæringen, at du kanskje kunne prøve ut mange forskjellige AI-modeller og se hvilke som trente bedre, sier Gildert. Til slutt var tanken min, hvis du kan få et menneske til å demonstrere hva som helst via en robot, så er det ingen grunn til at roboten ikke kunne lære å være veldig menneskelig.
Mest iøynefallende beskrev Kindreds patent til og med muligheten for å ha slike systemer kontrollert av dyr som aper. Gildert sier dette var en spekulativ idé, og ingen aper er for tiden ansatt i selskapet. Hun sier imidlertid at selskapet har en robotkatt, trent ved hjelp av forsterkningslæring, som vandrer rundt på kontoret.
Kindred er også litt uvanlig, ved at grunnleggerne er fysikere i stedet for robotikere eller informatikere etter opplæring. Men Rose hevder at dette gir et unikt og verdifullt perspektiv. For dataforskere er grensen mellom en simulering og den virkelige verden noen ganger uklar, sier han. Vi har en sterk preferanse for å gjøre den typen ting vi gjør i ekte roboter i den virkelige verden.
Tilnærmingen Kindred følger ser ut til å ha et stort potensial. Ken Goldberg , en professor ved University of California, Berkeley, som spesialiserer seg på maskinlæring og robotikk, sier å bruke menneskelige ferdigheter vil akselerere robotlæring dramatisk. Goldberg, som blant annet jobber med en lignende tilnærming for robotkirurgi, legger til at det å la roboter lære av mennesker er et veldig aktivt forskningsområde. Det er kjernen i det jeg tror er en stor mulighet innen robotikk, sier Goldberg. Det er en stor fordel å ha menneskelig demonstrasjon.
Men de tekniske utfordringene knyttet til læring gjennom menneskelig teledrift er ikke ubetydelige. Sangbae Kim , en førsteamanuensis ved MIT som jobber med teleopererte humanoide roboter, sier å kartlegge menneskelig kontroll til maskinhandling er utrolig komplisert. Den første utfordringen er å spore menneskelig bevegelse ved å feste stive lenker til menneskehuden. Dette er ekstremt vanskelig fordi vi er endoskjelettdyr, sier Kim. En større utfordring er å virkelig forstå alle detaljene i beslutningstrinn hos mennesker, hvorav de fleste skjer underbevisst.
Grunnleggerne av Kindred virker neppe skremt. Målet vårt er å dekonstruere kognisjon, sier Rose. Alle levende vesener følger visse atferds- og handlingsmønstre. Vi prøver å bygge maskiner som har samme type prinsipper.