Τεχνολογία

Η βελτίωση των αλγορίθμων AI θα οδηγήσει σε επανάσταση στην προσθετική.

Μάθηση της τεχνητής νοημοσύνης μεμε τη δοκιμή και το λάθος, όταν ο υπολογιστής "τράβηξε" τα αρχεία ενός τεράστιου αριθμού παιχνιδιών που είχαν ήδη παιχτεί, βάσει των οποίων ακούει τις δεξιότητές του, απέδειξε ότι το μηχάνημα μπορεί να ξεπεράσει ένα άτομο σε κλασικά επιτραπέζια παιχνίδια όπως το σκάκι και το λογικό παιχνίδι. Από τα πιο πρόσφατα παραδείγματα, μπορούμε να εξετάσουμε την πρόσφατη συντριπτική νίκη ενός υπολογιστή πάνω από ένα άτομο στο στρατηγικό παιχνίδι υπολογιστή StarCraft II, όπου η μηχανή εκπαιδεύτηκε με την ίδια αρχή. Ωστόσο, μια άλλη ομάδα ειδικών στον τομέα της τεχνητής νοημοσύνης έδειξε ότι αυτή η μέθοδος κατάρτισης μπορεί επίσης να χρησιμοποιηθεί για πιο πρακτικά καθήκοντα, για παράδειγμα, για την κατάρτιση ρομποτικών προθέσεων.

Μέθοδος μάθησης μηχανής οπλισμού(ενισχυτική μάθηση), στην οποία το σύστημα δοκιμής εκπαιδεύεται με αλληλεπίδραση με ένα συγκεκριμένο περιβάλλον, έδειξε πολλά υποσχόμενα αποτελέσματα σε ένα μικρό πείραμα που περιλαμβάνει μερικούς εθελοντές - ένα εντελώς υγιές άτομο και ένα με ακρωτηριασμένο πόδι πάνω από το γόνατο.

Όταν χρησιμοποιείτε παραδοσιακές τεχνικές για τεχνικούςΔιαρκεί συνήθως αρκετές ώρες για να δημιουργηθεί σωστά μια ρομποτική πρόθεση, ρυθμίζοντας χειροκίνητα κάθε τεχνητή άρθρωση και προσαρμόζοντάς την στο συγκεκριμένο στυλ περπατήματος στο οποίο χρησιμοποιείται το άτομο. Πειράματα από ειδικούς στο Πανεπιστήμιο της Βόρειας Καρολίνας έδειξαν ότι η μέθοδος εκμάθησης μηχανών με ενισχύσεις σας επιτρέπει να κάνετε αυτό πολύ πιο γρήγορα - μέσα σε 10 λεπτά μετά τον πλήρως αυτόματο συντονισμό, ένα άτομο μπορεί να περπατήσει ομαλά.

"Πριν από την πραγματική χρήση αυτής της τεχνολογίας,πολύ μακριά. Δείξαμε μόνο ότι είναι δυνατόν. Το αποτέλεσμα μας ενθουσίασε », σχολίασε η Helen Huang, καθηγητής βιοϊατρικής στο κρατικό πανεπιστήμιο της Βόρειας Καρολίνας.

Ο Χουάνγκ και οι συνεργάτες του δημοσίευσαν τα ευρήματά τους στοIEEE Συναλλαγές στην Κυβερνητική. Τα αποτελέσματα της εργασίας τους μπορούν να αποτελέσουν ένα σημαντικό πρώτο βήμα στην κατεύθυνση της αυτοματοποίησης των τυπικών διαδικασιών χειροκίνητης ρύθμισης των ρομποτικών άκρων, η οποία συνήθως απαιτεί πολύ χρόνο και απαιτεί από τους ασθενείς να επισκέπτονται ειδικούς όταν οι οδοντοστοιχίες απαιτούν προσαρμογή. Στο μέλλον, όλες αυτές οι ρυθμίσεις, οι άνθρωποι θα μπορούν να εκτελούν στο σπίτι μόνοι τους, χωρίς τη βοήθεια τεχνικών.

Η ρύθμιση της ίδιας της ρομποτικής πρόθεσηςείναι μια περίπλοκη διαδικασία προσαρμογής διαφόρων παραμέτρων που καθορίζουν τα επίπεδα αλληλεπίδρασης μεταξύ του άκρου και της πρόσθεσης που απαιτείται για την εκτέλεση ορισμένων εργασιών. Για παράδειγμα, μερικές παράμετροι καθορίζουν την ακαμψία μιας ρομποτικής άρθρωσης γόνατος ή το εύρος των αποκλίσεων που επιτρέπονται όταν το πόδι κυλάει εμπρός και πίσω. Στην υπό συζήτηση περίπτωση, το γόνατο της ρομποτικής πρόθεσης απαιτούσε προσαρμογή 12 διαφορετικών παραμέτρων. Με την τυπική προσέγγιση, το τελικό αποτέλεσμα ήταν συνήθως μακριά από το ιδανικό, αλλά παρ 'όλα αυτά ήταν αρκετά κατάλληλο ώστε ένα άτομο να μπορεί να σταθεί στην πρόθεση και να εκτελεί απλές κινήσεις.

Η κατάρτιση με ρομπότ των άκρων είναιπολύ πολύπλοκη διαδικασία προσαρμογής. Η πρόθεση πρέπει να μάθει κυριολεκτικά να δουλεύει παράλληλα με τον ανθρώπινο εγκέφαλο, ο οποίος ελέγχει την αμοιβαία προσαρμογή των οργάνων σε ολόκληρο τον οργανισμό. Ταυτόχρονα, είναι απαραίτητο να μαθαίνουμε να περπατάμε όχι μόνο την ίδια την πρόσθεση, αλλά και το άτομο. Κατά κανόνα, τα πρώτα αποτελέσματα μοιάζουν μάλλον αμήχανα - όχι μακριά από τα παραδείγματα με σκι ή πατίνια, για τα οποία το άτομο πρωτοστάτησε.

"Το σώμα μας μπορεί να αντιδράσει μάλλον παράξεναξένα αντικείμενα που μιμούνται τη συνέχιση της. Κατά μία έννοια, ο υπολογιστικός υποβοηθούμενος αλγόριθμος εκμάθησης μηχανών με ενίσχυση ενισχύει την αλληλεπίδραση με το ανθρώπινο σώμα », λέει ο συνάδελφος μιας δημοσιευμένης μελέτης, Jenny C, καθηγητής ηλεκτρονικών υπολογιστών και ενέργειας από το κρατικό πανεπιστήμιο της Αριζόνα.

Το έργο της διδασκαλίας ρομποτικών προθέσεωνπου περιπλέκεται από το πολύ περιορισμένο σύνολο διαθέσιμων δεδομένων για την εκμάθηση του αλγορίθμου. Για παράδειγμα, για να εκπαιδεύσει τους αλγορίθμους AlphaZero και AlphaStar για το παιχνίδι σκακιού, πηγαίνετε και το StarCraft II, το DeepMind χρησιμοποίησε τις ηχογραφήσεις εκατομμυρίων παιχνιδιών αυτών των παιχνιδιών που έχουν ήδη παίξει. Με τη σειρά του, ένα άτομο με άπνοια για τη συλλογή των απαραίτητων δεδομένων για την εκμάθηση του αλγορίθμου δεν θα μπορέσει να περπατήσει για πολύ μεγάλο χρονικό διάστημα. Για παράδειγμα, όσοι επισκέφτηκαν το εργαστήριο Huang μπορούσαν να περπατήσουν χωρίς να σταματήσουν μόνο για 15-20 λεπτά, μετά από τους οποίους χρειάζονται λίγη ξεκούραση.

Αλλά αυτό δεν είναι όλες οι δυσκολίες και οι περιορισμοί, όχιεπιτρέποντας την κάλυψη του συνόλου των εκπαιδευτικών πληροφοριών, σημειώνουν οι ερευνητές. Για παράδειγμα, ακόμη και μεταξύ της Xi και της Huang, πριν από την έναρξη του έργου τους, προέκυψαν διαφωνίες σχετικά με το αν οι εθελοντές που συμμετείχαν στο πείραμα θα μπορούσαν να πέσουν, έτσι ώστε ο αλγόριθμος να μπορεί να μάθει αυτές τις πληροφορίες. Ως αποτέλεσμα, αποφάσισαν να εγκαταλείψουν αυτήν την ιδέα, αποσπώντας τους εθελοντές για ασφάλεια.

Και όμως, παρά τις δυσκολίες αυτέςΤα πρώτα αποτελέσματα ήταν εντυπωσιακά. Οι ερευνητές διδάσκουν τον αλγόριθμο για τον προσδιορισμό συγκεκριμένων μοτίβων στα δεδομένα που συλλέγονται από τους αισθητήρες που είναι εγκατεστημένοι στο ρομποτικό γόνατο. Αυτό, με τη σειρά του, κατέστησε δυνατή την καθιέρωση ενός ορίου για τη λειτουργικότητα μιας ρομποτικής πρόθεσης, αποφεύγοντας έτσι τις ανεπιθύμητες καταστάσεις που θα μπορούσαν να οδηγήσουν σε πτώση. Τελικά, ο αλγόριθμος έμαθε να βασίζεται σε ένα συγκεκριμένο μοτίβο ενεργειών, το οποίο κατέστησε δυνατή την επίτευξη σταθερότητας, ομαλότητας και μεγαλύτερης φυσικότητας στην κίνηση του ρομποτικού άκρου.

Αυτοματοποιημένη προσέγγιση μάθησηςτα ρομποτικά άκρα είναι ακόμα πολύ μακριά από τη μαζική χρήση. Τώρα οι επιστήμονες θέλουν να διδάξουν τον αλγόριθμο για την ομαλή διαχείριση της πρόθεσης όταν σηκώνεται, ανυψώνεται (για παράδειγμα, από μια καρέκλα) και κατεβαίνει (για παράδειγμα, κατά μήκος μιας σκάλας). Επιπλέον, το καθήκον είναι να γίνει το σύστημα αυτόνομο, το οποίο θα επιτρέψει την εκπαίδευση και την προσαρμογή των προθέσεων όχι μόνο σε εργαστηριακές συνθήκες.

Ένα από τα πιο δύσκολα και ταυτόχρονα πιο σημαντικάτα καθήκοντα, σύμφωνα με τους ερευνητές, είναι να αναπτυχθεί μια μέθοδος "επικοινωνίας" του αλγορίθμου και του ατόμου έτσι ώστε ο τελευταίος να μπορεί να του πει ποια από τις επιλεγμένες προσθετικές ρυθμίσεις είναι πιο βολική. Οι πρώιμες προσπάθειες επίλυσης αυτού του προβλήματος μέσω συνήθων κουμπιών και άλλων απλών μεθόδων για την εισαγωγή πληροφοριών αποδείχθηκαν αναποτελεσματικές. Ίσως εν μέρει επειδή αυτή η έκδοση της διασύνδεσης υπολογιστή-υπολογιστή δεν επιτρέπει τη μεταφορά ολόκληρης της εικόνας της αντίληψης του ανθρώπινου συντονισμού.

"Αυτή η μέθοδος δεν λειτούργησε γιατί δεν είμαστε έτοιμοιτέλος κατανοούν όλα τα χαρακτηριστικά του ανθρώπινου σώματος. Πρώτα απ 'όλα, είναι απαραίτητο να συμπληρώσετε κάποια κενά στις θεμελιώδεις γνώσεις της ψυχολογίας και της φυσιολογίας », καταλήγει ο Χουάνγκ.

Προοπτικές για την ανάπτυξη ρομποτικών προθέσεων με βάση την τεχνητή νοημοσύνη μπορούν να συζητηθούν στην τηλεγράφησή μας.