Kerangka AI Baru Bantu Robot untuk Belajar Lebih Baik

Liputan6.com, Jakarta - Para peneliti di MIT, Universitas New York dan Universitas California di Berkeley telah mengembangkan kerangka AI baru untuk membantu robot belajar lebih baik.

Dipimpin oleh Andi Peng, seorang mahasiswa pascasarjana di bidang teknik elektro dan ilmu komputer (EECS) di MIT, tim tersebut menciptakan sebuah sistem yang memungkinkan manusia mengajari robot dengan lebih efisien dan efektif, bahkan tanpa keahlian teknis.

Kunci kerangka kerja baru ini terletak pada kemampuannya menghasilkan penjelasan kontrafaktual saat robot gagal. Penjelasan ini menjelaskan perubahan apa yang akan membawa kesuksesan robot.

Misalnya, robot mungkin dapat mengambil mug jika warnanya berbeda. Dengan menghadirkan skenario kontrafaktual ini kepada pengguna manusia, sistem mencari umpan balik mengapa robot gagal.

Umpan balik yang berharga ini, bersama dengan penjelasan kontrafaktual, kemudian digunakan untuk menyempurnakan pelatihan robot.

Penyesuaian halus adalah proses menyesuaikan model pembelajaran mesin yang telah dilatih untuk satu tugas sehingga dapat melakukan tugas yang berbeda namun terkait.

Para peneliti menemukan bahwa pendekatan ini memungkinkan robot untuk belajar lebih efisien dan bekerja lebih baik, sambil membutuhkan lebih sedikit waktu pengguna.

Aplikasi potensial untuk kerangka kerja ini sangat luas dan menarik. Dengan memungkinkan robot untuk belajar lebih cepat di lingkungan baru tanpa memerlukan keahlian teknis dari pengguna, ia membuka kemungkinan untuk kasus penggunaan praktis.

Misalnya, ia bisa menjadi langkah signifikan untuk menciptakan robot serba guna yang mampu membantu orang lanjut usia atau penyandang disabilitas secara efisien di berbagai lingkungan.

Sebagian besar anak-anak takut bila harus pergi ke klinik dokter gigi untuk diperiksa giginya. Tapi kini ada Robin, robot ramah yang membantu anak-anak lebih santai di dokter gigi. Robot ini memakai sensor dan teknologi pengenalan wajah untuk mengobr...

2 dari 4 halaman

Pergeseran Distribusi

Salah satu tantangan dengan robot pelatihan adalah menghadapi "pergeseran distribusi". Hal ini terjadi saat robot menemukan objek atau lingkungan selama penggunaan di dunia nyata yang tidak terlihat selama pelatihan awal.

Sebagai solusinya, para peneliti menggunakan pembelajaran imitasi, di mana pengguna mendemonstrasikan tugas yang diinginkan kepada robot.

Namun, pendekatan konvensional untuk mendemonstrasikan berbagai variasi tugas (misalnya, menggunakan mug dengan warna berbeda) dapat memakan waktu dan tidak praktis.

Peng dan timnya bertujuan untuk mengatasi masalah ini dengan menggunakan teknik augmentasi data untuk menghasilkan data sintetik yang lebih representatif skenario dunia nyata.

Dengan mengidentifikasi konsep visual mana yang penting untuk tugas yang ada dan mana yang tidak, sistem dapat membuat demonstrasi baru yang mencakup berbagai skenario hanya dengan menggunakan satu demonstrasi dari pengguna.

3 dari 4 halaman

Proses Evaluasi

Untuk mengevaluasi keefektifan kerangka kerja mereka, para peneliti melibatkan pengguna manusia dalam rangkain proses latih. Peserta menemukan penjelasan kontrafaktual sangat membantu dalam mengidentifikasi elemen yang dapat diubah tanpa mempengaruhi tugas.

Langkah ini, menurut Peng, sangat penting dalam menerjemahkan penalaran manusia ke dalam bahasa yang dapat dipahami dan ditindaklanjuti oleh robot secara efektif.

Tim menguji pendekatan mereka dalam tiga simulasi berbeda, dan dalam setiap kasus, robot yang dilatih dengan kerangka kerja ini mengungguli robot yang dilatih menggunakan metode tradisional. Mereka dapat belajar lebih cepat dan dengan lebih sedikit demonstrasi yang diperlukan dari pengguna.

Para peneliti sekarang berencana untuk mengambil kerangka kerja mereka dari simulasi ke aplikasi dunia nyata dengan mengujinya pada robot fisik.

Mereka juga bertujuan untuk fokus pada pengurangan lebih lanjut waktu yang diperlukan untuk membuat data baru menggunakan model pembelajaran mesin generatif.

Penelitian ini mendapat dukungan dari berbagai organisasi, termasuk National Science Foundation Graduate Research Fellowship, Open Philanthropy, Apple AI/ML Fellowship, Hyundai Motor Corporation, MIT-IBM Watson AI Lab, dan National Science Foundation Institute for Artificial Intelligence and Fundamental Interactions.

4 dari 4 halaman