MIT mühendisleri, robotlara sağduyu aşılamak için büyük dil modellerini (LLM’ler) birleştirerek ev robotlarında devrim yaratıyor. Geleneksel olarak ev robotları görevleri insanı taklit ederek öğreniyor. Bu da gerçek dünyadaki kesintilerin veya hataların baştan başlamadan üstesinden gelmede zorluklara yol açıyor. MIT’nin yaklaşımı, robotlara sağduyu bilgisi sağlamak için LLM’leri robot hareket verileriyle entegre ederek, onların görevlerdeki aksaklıklara uyum sağlamalarına olanak tanıyor.
Robotlar sağduyu ile günlük hayata adapte olabilecek
MIT tarafından geliştirilen yenilikçi teknik, robotların görevleri daha küçük alt görevlere ayırmasını sağlayarak, manuel müdahale olmadan kesintilere rağmen görevlere devam etmelerini sağlıyor. MIT’nin EECS bölümünde yüksek lisans öğrencisi olan Yanwei Wang, insan hareket yörüngelerini körü körüne taklit etmenin, hataları biriktirebilecek ve görevin yürütülmesini aksatabilecek sınırlamalarının altını çiziyor. Ancak robotlar kendi yöntemleriyle hataları kendi kendine düzeltebilir ve görev başarısını artırabilir.
ABD hükümeti, ALPHV/BlackCat siber suç çetesinin kilit liderleri hakkında kendilerine bilgi getireceklere sunduğu ödülü artırmaya karar verdi. ABD Dışişleri Bakanlığı Çarşamba günü yaptığı açıklamada, “iştirakleri, faaliyetleri veya yabancı bir hükümetle…
Yanwei Wang: “Taklit öğrenme, ev robotlarını mümkün kılan ana akım bir yaklaşımdır. Ancak bir robotun bir insanın hareket yörüngelerini körü körüne taklit ettiğini varsayalım. Bu durumda, küçük hatalar birikebilir ve sonunda uygulamanın geri kalanını raydan çıkarabilir” diyor. Yaklaşımlarını doğrulamak için araştırmacılar, bir robota misketleri bir kaseden alıp diğerine dökmeyi öğreterek tekniklerini gösterdi. Robotların sürekli bir yörüngeyi taklit ettiği geleneksel yöntemlerin aksine, MIT’nin yaklaşımı, görevleri bir dizi daha küçük eylem veya yol olarak kabul ediyor. Bu, görevleri alt görevlere ayırmayı ve bunları izlemeyi gerektiriyor. Bu, derin öğrenme modelleri, özellikle Yüksek Lisans’lar tarafından verimli bir şekilde gerçekleştirilen bir görev.
Ekibin yöntemi, bir robotun fiziksel konumunu veya durumunu temsil eden görüntü verilerini, “topraklama” olarak adlandırılan bir süreç olan bir LLM kullanarak belirli alt görevlere atanmış doğal dil etiketleriyle bağlamayı içeriyor. Bu, robotun yeni “topraklama” sınıflandırıcılarını kullanarak görevleri bağımsız olarak yürütmesine olanak tanır ve hafif dürtme gibi rahatsızlıklara karşı dayanıklılık ve kendi kendini düzeltme yeteneği gösteriyor. MIT’nin yaklaşımının en önemli avantajlarından biri, eğitim verilerini teleoperasyon sistemlerinden, dış etkenlere rağmen karmaşık görevleri yerine getirebilen sağlam robot davranışına dönüştürme yeteneği. Yüksek Lisans ve temel algoritmalardan yararlanılarak, arızalardan kurtulmak için insan programlamaya veya ek gösterimlere olan ihtiyaç ortadan kaldırılarak ev robotlarının uyarlanabilirliği ve özerkliği önemli ölçüde artırıyor.
