ראָובאַץ קענען לערנען פון זייער יונגערמאַן יומאַנז, פלייסיק און מעטאַדיקאַללי

לעצטע פאָרשונג געפירט דורך Google אין סינערדזשי מיט פאָרשונג סענטערס און קאָמפּאַניעס האט געגעבן וויכטיק רעזולטאַטן אויף מאַשין לערנען (ML), אַזאַ ווי קאָמפּיוטער זעאונג און נאַטירלעך שפּראַך פּראַסעסינג.

די ווינינג, פּראָסט און שערד צוגאַנג לעוועראַדזשאַז גרויס, דייווערס דאַטן שטעלט און יקספּרעסיוו מאָדעלס וואָס קענען אַרייַנציען אַלע די דאַטן יפעקטיוולי. כאָטש עס זענען געווען פאַרשידן פרווון צו צולייגן דעם צוגאַנג צו ראָובאַטיקס, ראָובאַץ האָבן נישט נאָך עקספּלויטאַד זייער טויגעוודיק מאָדעלס ווי געזונט ווי אין אנדערע סובפיעלדס.

איבער די יאָרן, מיר האָבן אָפט רילייד אויף טעכנאָלאָגיע צו דערגאַנג, און פאַרבעסערן, אונדזער מענטש קייפּאַבילאַטיז. מיר דעוועלאָפּעד פּרינטערס צו העלפֿן טיילן אינפֿאָרמאַציע, די קאַלקולאַטאָר פֿאַר מאטעמאטיק, די אַעראָפּלאַן צו העלפֿן אונדז מאַך געשווינד. אין די לעצטע יאָרן, און דער הויפּט אין די פעלד פון מאַשין לערנען, מיר האָבן דעוועלאָפּעד נייַע וועגן צו פּראַסעסינג אינפֿאָרמאַציע צו מאַכט נוציק טעקנאַלאַדזשיז אַזאַ ווי זוכן, אַסיסטאַנץ, מאַפּס און פיל מער.

דעסטרויער

איידער 2017 די סיסטעמען מאַשין וויסן זיי סטראַגאַלד צו באַשליסן וואָס טייל פון זייער אַרייַנשרייַב איז באַטייַטיק צו אָנקומען צו די ריכטיק ענטפֿערן. די טראַנספאָרמער ינטראָודוסט דעם געדאַנק פון ופמערקזאַמקייט: דורך באַצאָלן ופמערקזאַמקייט צו די וויכטיק טייל פון זייַן אַרייַנשרייַב, דער מאָדעל קענען דינאַמיקאַללי קלייַבן וואָס אינפֿאָרמאַציע איז וויכטיק און וואָס נישט. טראַנספאָרמערס האָבן פּראָווען אַזוי באַטייַטיק אַז זיי האָבן ווערן די מוטער פון מאָדערן שפּראַך מאָדעלס, פּאַוערינג פיל פון קינסטלעך סייכל. הייַנט, אפילו אין די פעלד פון בילד-דזשענערייטינג קינסטלעך סייכל אַזאַ ווי Imagen און Parti.

איבער די יאָרן, טראַנספאָרמערס האָבן שוין טריינד אויף גרויס אַמאַונץ פון טעקסט דאַטן פון די וועב. זיי העלפֿן צו ידענטיפיצירן טרענדס און פּאַטערנז אין דער שפּראַך צו צושטעלן איבערזעצונג באַדינונגס, פאָרעם מענטש שמועס און מאַכט הויך-קוואַליטעט זוכן רעזולטאַטן. לעצטנס, טראַנספאָרמערס האָבן שוין מער וויידלי אנגענומען צו העלפן מאַכן זינען פון אנדערע טייפּס פון אינפֿאָרמאַציע ווייַטער פון שפּראַך, אַרייַנגערעכנט בילדער, ווידעא און רייד. אין פאַקט, טראַנספאָרמערס יקסעליד אין לינגגוויסטיק און וויזשאַוואַל טאַסקס, אַזוי מיר זענען ביכולת צו נוצן דעם טעכנאָלאָגיע צו מאַכן זינען פון וואָס ראָובאַץ זען און ווי זיי האַנדלען.

אַפּפּליקאַטיאָן פון טראַנספאָרמערס צו ראָובאַץ

פֿון אַ מיטאַרבעט מיט Everyday Robots, Google דעמאַנסטרייטיד אַז ינטאַגרייטינג אַ שטאַרק שפּראַך מאָדעל ווי PaLM אין אַ ראָבאָט לערנען מאָדעל קען נישט בלויז לאָזן מענטשן צו יבערגעבן מיט אַ ראָבאָט, אָבער אויך פֿאַרבעסערן די קוילעלדיק פאָרשטעלונג פון די ראָבאָט. דער שפּראַך מאָדעל האָט דערלויבט די העלפער ראָובאַץ צו פֿאַרשטיין פאַרשידענע טייפּס פון ריקוועס - אַזאַ ווי "איך בין הונגעריק, ברענגען מיר אַ פֿאַרבייַסן" אָדער "הילף מיר ריין אַרויף דעם ספּיל" - און פירן זיי אויס.

Google ניצט די זעלבע אַרקאַטעקטשער ווי פּאַלם, די טראַנספאָרמער, צו העלפֿן ראָובאַץ לערנען מער בכלל פון וואָס זיי האָבן שוין געזען. אַזוי אלא ווי נאָר פֿאַרשטיין די שפּראַך הינטער אַ בקשה ווי "איך בין הונגעריק, ברענגען מיר אַ פֿאַרבייַסן," ער קענען לערנען - פּונקט ווי מיר טאָן - פֿון אַלע פון ​​​​זיין קאָלעקטיוו יקספּיריאַנסיז דורך טאן זאכן ווי וואַך און ברענגען פֿאַרבייַסן.

דער פאָרשונג

די טריינינג פון די טראַנספאָרמער איז דורכגעקאָכט מיט דאַטן געזאמלט פון 130.000 דעמאַנסטריישאַנז - ווען אַ מענטש אַפּערייץ די ראָבאָט צו דורכפירן אַ אַרבעט - פון מער ווי 700 טייפּס פון טאַסקס, געענדיקט דורך 13 העלפּער ראָובאַץ פון Everyday Robots. אַקטיוויטעטן אַרייַננעמען סקילז אַזאַ ווי פּיקינג אַרויף און פּלייסינג אַבדזשעקץ, עפן און קלאָוזינג גאַטקעס, שטעלן אַבדזשעקץ אין און אויס פון גאַטקעס, פּלייסינג ילאָנגגייטאַד אַבדזשעקץ אין די שפּיץ רעכט, נאַקינג אַבדזשעקץ איבער, פּולינג נאַפּקינז, און עפן דזשאַרז. דער רעזולטאַט איז אַ קאַטינג-ברעג ראָבאָטיקס טראַנספאָרמער מאָדעל, אָדער RT-1, וואָס איז ביכולת צו דורכפירן איבער 700 טאַסקס. די הצלחה קורס איז 97%, וואָס דזשענערייט זיין לערנען צו נייַע אַקטיוויטעטן, אַבדזשעקץ און ינווייראַנמאַנץ.
ווי אַ טראַנספאָרמער-באזירט שפּראַך מאָדעל פּרידיקס די ווייַטער וואָרט באזירט אויף טרענדס און פּאַטערנז עס זעט אין דעם טעקסט. RT-1 איז טריינד אויף ראָובאַטיק מערקונג דאַטן און קאָראַספּאַנדינג אַקשאַנז אַזוי עס קענען ידענטיפיצירן די ווייַטער רובֿ מסתּמא נאַטור וואָס אַ ראָבאָט זאָל נעמען. דער צוגאַנג אַלאַוז די ראָבאָט צו גענעראַליזירן וואָס ער האט געלערנט צו נייַע טאַסקס. עס טוט דאָס דורך האַנדלינג נייַ אַבדזשעקץ און ינווייראַנמאַנץ באזירט אויף יקספּיריאַנסיז אין זייַן טריינינג דאַטן - אַ זעלטן פיט פֿאַר ראָובאַץ, וואָס זענען טיפּיקלי טייטלי קאָדעד פֿאַר שמאָל טאַסקס.

לערנען פון יעדער אנדערער

ווי מענטשן, מיר לערנען פון אונדזער פערזענלעכע יקספּיריאַנסיז און פון יעדער אנדערער. מיר אָפט טיילן וואָס מיר האָבן געלערנט און ריווערק סיסטעמען באזירט אויף די פייליערז וואָס מיר האָבן געפּלאָנטערט. כאָטש ראָובאַץ טאָן ניט יבערגעבן מיט יעדער אנדערע, פאָרשונג ווייזט ווי דאַטאַסעץ פון פאַרשידענע טייפּס פון ראָובאַץ קענען זיין הצלחה קאַמביינד און ביכייוויערז טראַנספערד אַריבער זיי. גוגל האט געוויזן אַז דורך קאַמביינינג דאַטן פון עטלעכע ראָובאַץ, עס איז ביכולת צו כּמעט טאָפּל די קאַפּאַציטעט פון די מאָדעל און גענעראַליזירן צו אַ נייַע סצענע. דעם מיטל אַז דורך פאָרזעצן צו עקספּערימענט מיט פאַרשידענע ראָובאַץ און נייַע טאַסקס, איר קען זיין ביכולת צו פאַרגרעסערן די טריינינג דאַטן פֿאַר RT-1, פֿאַרבעסערן די נאַטור פון ראָובאַץ, מאכן עס אַ פלעקסאַבאַל און סקאַלאַבלע צוגאַנג צו ראָבאָט לערנען.

צו מער נוציק ראָובאַטיקס

פּונקט ווי Google געמאכט טראַנספאָרמער פאָרשונג אָפֿן מקור, די RT-1 וועט אויך זיין אָפֿן מקור צו שטיצן ווייַטער פאָרשונג אין די ראָובאַטיקס פּלאַץ. דאָס איז דער ערשטער שריט צו ראָובאַטיק לערנען סיסטעמען וואָס קען זיין ביכולת צו שעפּן די כּמעט ינפאַנאַט וועריאַביליטי פון מענטש-סענטערד ינווייראַנמאַנץ.

Ercole Palmeri

​