آموزش روبات ها توسط گوگل
امروزه بسیاری از شرکت‌ها در نظر دارند به جای نیروی کار انسانی از روباتها در بخش‌هایی همچون انبارداری استفاده کنند. تنها مشکلی که در این زمینه وجود دارد، به عدم شناسایی اجسام توسط روباتها باز می‌گردد. اما به نظر می‌رسد، بخش تحقیقات گوگل به موفقیت‌هایی در این زمینه دست پیدا کرده است.
امروزه طیف گسترده‌ای از روباتها در صنایع مختلفی همچون ماشین‌سازی مورد استفاده قرار می‌گیرند. اما طراحی روبات‌هایی با انعطاف‌پذیری و چالاکی بالا به‌طوری که همانند یک کودک پنج ساله بتوانند اجسام را بردارند، یک چالش کوچک و کم اهمیت نیست. به ویژه اگر قرار باشد این روباتها در زمینه توسعه سیستم‌های اتوماسیون انعطاف‌پذیر مورد استفاده قرار گیرند.
روباتها دوست ندارند ما بیکار شویم!
آمازون در راستای استراتژی‌های تازه خود مبنی بر کاهش نیروی انسانی و کم کردن مناقشات کارفرمایی ( کاهش نیروی انسانی در انبارها)، از مدت‌ها قبل تحقیقات وسیعی در زمینه هوش مصنوعی انجام داده است. تحقیقات آمازون حول این محور قرار دارند که چگونه می‌توان روبات‌هایی را به خدمت گرفت که توانایی جمع‌آوری و شناسایی اجسام مختلف در یک محیط شلوغ را داشته باشند. اهمیت به کارگیری روباتها در صنایع مختلف به اندازه‌ای پر رنگ شده است که بسیاری از سازمان‌ها سرمایه‌گذاری‌های سنگینی در این حوزه از دنیای فناوری انجام داده‌اند.
در همین رابطه سرگئی لوین دانشمند بخش تحقیقات گوگل به تازگی مقاله‌ای منتشر کرده و در آن پروژه شبکه‌های عصبی پیچیده را همراه با جزییات آن تشریح کرده است. پروژه‌ای که او و تیم تحت سرپرستی او زمان نسبتا زیادی روی آن وقت صرف کرده‌اند. پروژه‌ای که هدفش آموزش این نکته به روباتها است که چگونه می‌توانند اشیا و اجسام در یک محیط غیرقابل پیش‌بینی و نامرتب را شناسایی کنند. در این مقاله که تحت عنوان “آموزش هماهنگ‌سازی دست و چشم روباتها با استفاده از یادگیری ماشینی به منظور جمع‌آوری داده‌ها در مقیاس وسیع” منتشر شده است، شرح یک تجربه آزمایشگاهی آورده شده است. آزمایشی که در آن 14 بازوی روباتی هزاران ساعت را صرف درک و حفظ موقعیت و شکل ظاهری اشیایی کرده‌اند که در سینی‌های مختلفی ریخته شده بودند.
این بازوها از هیچ پیش برنامه‌نویسی سنتی که بر اساس متغیرهای محیطی عمل می‌کنند؛ استفاده نکردند. در فرآیندهای اتوماسیونی در محیط‌های قابل پیش‌بینی همچون کارخانه‌های خودروسازی و خط تولید خودروها، روباتها از یک الگوی برنامه‌نویسی از پیش طراحی شده استفاده می‌کنند. اما روبات‌های مورد آزمایش در این پروژه تنها از بینش بصری خود استفاده می‌کردند. لوین در این‌باره نوشته است: «در سطحی بالاتر، روبات‌های فعلی معمولا دنباله‌رو یک پارادیوم کنش بر اساس حس هستند، جایی که یک روبات به مشاهده دنیای اطراف خود پرداخته، یک مدل داخلی برای دید خود آماده کرده، طرحی برای عمل خود آماده کرده و سپس طرح خود را به مرحله اجرا در می‌آورد. این رویکرد ماژولار بوده و اغلب مؤثر است، اما در محیط‌های طبیعی که در آن نامنظمی‌های بسیاری وجود دارد، این راه‌کار با شکست روبرو می‌شود. در اینجا سطح درک‌پذیری روبات کاهش پیدا کرده و همه مدل‌هایی که توسط روبات ساخته می‌شود، به یک مرتبه به بی‌راه می‌روند، به دلیل این‌که هیچ‌گونه پیش زمینه‌ای در مواجه با اولین واقعیت برای روبات وجود ندارد.»
هدف از آزمایش 14 روبات به کارگیری بازخوردهایی است که از هر یک از آن‌ها به دست آمده است. به‌طوری که فرآیندهای اطلاع‌رسانی، توسعه مهارت‌ها و چالاکی در پیش‌بینی موقعیت‌ها به همان ترتیبی روند خود را پشت سر نهند که یک کودک یک تا چهار ساله این کار را انجام می‌دهد. هدف این است که هوش مصنوعی این توانایی را داشته باشد تا چشم و بازوی خود را از طریق دانشی که از بازخوردهای مستمر به دست می‌آورد، به شکلی تأثیرگذار هماهنگ سازد. لوین در بخشی از این مقاله تحت عنوان رفتارهای واکنشی هوشمند نوشته است: «در این آزمایش که چهار ماه به درازا کشید، روباتها بعد از 800 هزار بار تلاش سرانجام یاد گرفتند چگونه می‌توانند اجسام را شناسایی کرده و به درستی آن‌ها را بردارند.»
با انجام چنین آزمایشی، اکنون به سادگی می‌توانیم آگاه شویم چرا رویکرد بازوی متعدد ضروری است، به دلیل این‌که تعدد بازوها سرعت تولید داده‌ها برای شبکه‌های عصبی را به میزان قابل توجهی افزایش می‌دهد. لوین در این ارتباط گفته است: «روبات به مشاهده پرداخته و در ادامه حرکات خود را با زمان واقعی هماهنگ ساخته و اصلاح می‌کند. این یک رفتار پیش ادراکی بسیار جالب است، به طوری که روبات توانایی ایزوله کردن یک شی منفرد از یک گروه از اشیا را دارد. همه این رفتارها به جای آن‌که در قالب یک رویکرد برنامه‌نویسی شده برای سیستم آماده شوند، به‌طور طبیعی بر مبنای یادگیری انجام می‌شوند.» در مدت زمان این آزمایش دانشمندان هیچ‌گونه آموزشی به بازوهای روباتی ارائه نکردند. به‌طوری که این بازوهای روباتی تنها از طریق مکانیزم یادگیری و خطا به این سطح از ادارک‌پذیری دست پیدا کردند.
منبع شبکه
