تعلم الروبوتات التي يمكنها تناسب عدة أشياء في مساحة محدودة يمكن أن تساعد في تعبئة حقيبة أو صاروخ إلى المريخ. قام فريق من الباحثين في معهد ماساتشوستس للتكنولوجيا وجامعة ستانفورد بتدريب الروبوتات باستخدام نوع من الذكاء الاصطناعي الذي يسمى “نموذج الانتشار” لتعبئة العناصر في مساحة محدودة وفي نفس الوقت الالتزام بمجموعة من القيود: مخاوف الإنسان مثل التأكد من أن العناصر الأثقل لا تسحق الأخف، وأن بعض العناصر لديها كمية معينة من المساحة بينها، وأن ذراع الروبوت لا تصطدم بالحاوية وتتلفها، وما إلى ذلك. يقول الباحثون إن نموذج الانتشار ساعد الروبوتات في تحقيق ذلك بشكل أسرع من الطرق التدريبية المستخدمة في الماضي.
تعلم الروبوتات بناءً على القيود
تهدف الطريقة القائمة على التعلم إلى السماح لبرنامج الذكاء الاصطناعي بالتعلم بشكل مستقل من خلال تحديد الأنماط بين بيانات التدريب والنتائج المرغوبة. يختلف ذلك عن البرامج القائمة على القواعد التي تم اختبارها في السابق والتي تكون أكثر تقييدًا حيث يجب أن تتصرف وفقًا لمجموعة صارمة من القواعد المبرمجة. يقول Yang “نموذج الانتشار هو طريقة جيدة جدًا لاختيار حلول مختلفة لمشكلة وتلبية جميع القيود المطلوبة”.
تطبيقات التعبئة الذاتية للروبوتات
تكتسب الروبوتات القدرة على التعبئة بشكل أسرع وأكثر كفاءة من نظرائها البشريين ولها تطبيقات تتجاوز رحلات الطرق. يشير الباحثون إلى أن هذا الخوارزمية يمكن أن تساعد شركات الشحن في تعبئة عناصر متنوعة في حاوية واحدة أو تساعد شركات الأدوية في توصيل مجموعة واسعة من الأدوية إلى المستشفيات بالجملة. وتتجاوز الإمكانيات حتى الكوكب، حيث يمكن للروبوت أن يقرر كيفية تعبئة الموارد إذا كنت ذاهبًا إلى المريخ.
تحسين قدرات الروبوتات في اتخاذ القرارات
يعمل فريق M.I.T. وجامعة ستانفورد حاليًا على جعل الروبوتات أكثر قدرة على اتخاذ “قرارات متفرقة”. ويشمل ذلك ليس فقط تدريب الروبوت على التعبئة ضمن القيود ولكن أيضًا تدريبه على القيام بذلك ضمن متغيرات متحركة باستمرار، على سبيل المثال، عندما يتم تكليفه بتعبئة العناصر أثناء التحرك في غرفة.
لذا، في المرة القادمة التي تقوم فيها بالتعبئة، قم بالتفكير في الأمر مثل الروبوت لتحقيق أفضل النتائج. قد تترك الأمر بالكامل للآلات في وقت قريب.
اترك تعليقاً