Краще за традиційні підходи. Роботи швидше вчаться новим навичкам завдяки мультизадачним ШІ-моделям

Про це пише видання Interesting Engineering.

Дослідники з Toyota Research Institute встановили, що моделі, навчені одразу на багатьох завданнях, працюють значно краще за ті, що тренуються під одну конкретну задачу. Такі моделі називають великими поведінковими моделями.

Читайте также: Майже природні сигнали. Інженери створили штучні нейрони, які можуть взаємодіяти з живими клітинами мозку

У межах дослідження використали близько 1700 годин навчальних даних і провели 1800 випробувань у реальних умовах. Роботи змогли виконувати складні дії, наприклад збирати сніданок або встановлювати гальмівний диск на велосипед.

За словами дослідника Jose Barreiros, результати підтверджують, що попереднє навчання на великій кількості різних завдань є ефективним шляхом до створення більш здатних роботів.

Учені прагнуть створити універсальних роботів, які можуть працювати у реальному середовищі. Хоча технічно роботи вже здатні виконувати багато дій, їм бракує автономності. Один із підходів — навчання через наслідування: роботи повторюють дії людини без чіткого програмування.

Втім моделі, натреновані лише на одному завданні, погано адаптуються до нових умов. Тому дослідники переходять до мультизадачного навчання на великих наборах даних.

У цьому дослідженні моделі навчалися більш ніж на 500 різних завданнях — від простого переміщення предметів до складніших дій, як-от нарізання яблука чи складання сніданку в ланчбокс.

Результати показали, що додаткове навчання таких моделей під конкретні задачі дає кращий результат, ніж створення нових моделей з нуля. Навіть із тією ж кількістю даних вони працюють ефективніше, а інколи досягають таких самих результатів, використовуючи у 3−5 разів менше прикладів.

Читайте также: 73 висадки на Місяць? NASA каже, що «найамбітніший космічний проект» агентства буде сповнений викликів

Це особливо важливо для робототехніки, адже збирання даних для навчання зазвичай потребує багато часу і коштів.

Також з’ясувалося, що моделі, навчені на різноманітних даних, краще адаптуються до нових завдань і незнайомих умов. Їхня перевага особливо помітна, коли реальні умови відрізняються від тих, на яких проходило навчання.

Водночас моделі без додаткового навчання не завжди перевершують вузькоспеціалізовані системи. Це частково пояснюють тим, що сучасні моделі ще недостатньо добре працюють із мовними підказками.

Дослідники також зазначають, що оцінювати роботу роботів складно: на результати впливають умови середовища та відмінності в навчанні. Тому важливо проводити велику кількість тестів і використовувати точні методи аналізу.

Загалом результати дослідження свідчать, що мультизадачне навчання може стати основою для створення більш гнучких і ефективних роботів.

Читайте также: На основі логіки. Робот від Boston Dynamics отримав ШІ Gemini і навчився виконувати завдання за інструкціями