Video atklāj pārsteidzošās mācīšanas problēmas A.I. saģērbt sevi

Pārmeklēšana t-kreklā var būt viens no nedaudzajiem uzdevumiem, ko mēs cilvēkiem varam darīt pat tad, ja mēs tik tikko pamodamies un joprojām saskrāpējam miegu no mūsu acīm. Bet fakts, ka mēs esam apguvuši, kā sevi (vairāk vai mazāk) ģērbties, neapmierina, cik sarežģīta ir kustību sērija, kas nepieciešama, lai aizietu no bufetes līdz pat tērpšanai, lai izietu no durvīm.

Viena persona, kas to saprot, kā arī ikviens ir Alex Clegg, datorzinātņu doktora grāds. Gruzijas Tehnoloģiju institūta students, kurš ir koncentrējies uz mašīnu apgūšanu ar mākslīgo inteliģenci, kā sevi gatavot. Kā viņš stāsta Apgrieztā, bet A.I. ir pietiekami gudrs, lai prognozētu, kuri pacienti saņems sepsi vai kā izaicināt pasaules čempionus sarežģītās stratēģijas spēlēs, mācību mašīnas, kā likt uz krekla, ir izrādījušās nenotverams mērķis.

„Audums ir sarežģīts,” viņš skaidro e-pastā. „Tas var nekavējoties un krasi reaģēt uz nelielām ķermeņa stāvokļa izmaiņām un bieži ierobežot kustību… Apģērbs arī ir tendence salocīt, pielīmēt un pieķerties pie ķermeņa, padarot haptisku vai skārienjutīgu uzdevumu.”

Tātad, kāpēc, tieši tā, tas ir dators, kas mēģina nojaukt, kā mēs piemērojamies no rīta? Clegg paskaidroja, ka A.I. kas saprot maldinoši vienkāršu šķietamo apģērbu mākslu. Īstermiņā Clegg atklājumus varētu izmantot, lai kādu dienu paātrinātu dzīvu 3D animāciju veidošanu. Bet vēl svarīgāk ir tas, ka šīs atziņas varētu palīdzēt veidot palīdzības robotus, kas var palīdzēt rūpēties par jauniem un veciem cilvēkiem.

Pētnieki sāka mācīt datoru, kā apgūt roku rokā. Pētījumā, kas decembrī tiks prezentēts nākamajā SIGGRAPH Asia 2018 konferencē par datorgrafiku, Clegg un viņa kolēģi paskaidroja precīzu izmantoto tehniku, kāda veida mašīnmācības sauc par “dziļu pastiprinātu mācīšanos”.

Dziļas pastiprinātas mācīšanās mērķis ir izmēģināt un mācīt robotus, kā pabeigt noteiktus kustības un uzdevumus, liekot viņiem to darīt atkal un atkal. Attiecībā uz mērci A.I., Clegg komandai bija A.I. novērojiet virtuālo virtuālo vidi, atkārtojiet to un tad apbalvojiet to, kad šķiet, ka tas ir pareizajā virzienā.

Clegg paskaidroja, ka, lai iegūtu desu formas animācijas raksturu, viņi centās simtiem tūkstošu mēģinājumu, lai uzzinātu, kā likt uz jaka vai t-krekla. Galu galā, viņu botam bija jāiemācās, kā uztvert pieskārienu, lai tas varētu kliegt kreklu, kad tas bija nepieciešams. Turklāt viņiem arī bija jāiekļauj fizikas dzinējs, lai padarītu simulāciju pēc iespējas precīzāku.

Galu galā, Clegg neveikls, animētais dēls spēja uzzināt, kā iegūt savu kreklu, pat ja mazliet nežēlīgi. Tomēr rezultāti var būt visnoderīgākie kā pierādījums tam, cik dziļa mācīšanās var tikt izmantota niansētu problēmu risināšanā.

„Ir aizraujoši iedomāties, cik daudz problēmu mēs varam atrisināt ar dziļu pastiprinātu mācīšanos,” viņš saka. „Mēs ceram turpināt strādāt pie robotikas nodrošināšanas un risinājumu meklējumiem lielām problēmām, kas ietekmē tik daudzu cilvēku ikdienas dzīvi.”

Konstatējot šī pētījuma secinājumus, strādājot ar robotu, būs nepieciešams daudz vairāk, lai saskaņotu gan programmatūras, gan aparatūras aspektus. Bet Clegg atklājumi rada ceļu pētniekiem, kuri ir ieinteresēti atbrīvot mūsu futūristiskos robotu uzraugus no pašreizējiem ierobežojumiem.