هذه مراجعة للورقة الأكاديمية لعام 2020 حول استخدام أنظمة التعلم لتدريب أذرع الروبوتات واليدين على فهم الأشياء.
تُفضل الأساليب القائمة على التعلم لفهم التخطيط على الأساليب التحليلية نظرًا لقدرتها على التعميم بشكل أفضل على الكائنات الجديدة التي تمت ملاحظتها جزئيًا. ومع ذلك ، لا يزال جمع البيانات أحد أكبر الاختناقات أمام أساليب التعلم ، خاصة بالنسبة للأيدي متعددة الأصابع. تتطلب مساحة التكوين عالية الأبعاد نسبيًا للأيدي إلى جانب تنوع الأشياء الشائعة في الحياة اليومية عددًا كبيرًا من العينات لإنتاج مصنفات نجاح قوية وواثقة. في هذه الورقة ، قدم الباحثون أول نهج تعلم عميق نشط لفهم أن البحث في مساحة تكوين الفهم وثقة المصنف بطريقة موحدة. يعتمد الباحثون نهجهم على النجاح الأخير في التخطيط للإمساك بالأصابع المتعددة كاستدلال احتمالي مع وظيفة احتمالية الشبكة العصبية المكتسبة. قاموا بتضمين ذلك في صياغة ماكينات الألعاب المتعددة لاختيار العينة. لقد أظهروا أن نهج التعلم النشط الخاص بهم يستخدم عددًا أقل من عينات التدريب لإنتاج معدلات نجاح في الإدراك قابلة للمقارنة مع طريقة التعلم الخاضع للإشراف السلبي المدربة على استيعاب البيانات التي تم إنشاؤها بواسطة مخطط تحليلي. في عام 2020 ، أظهر الباحثون أيضًا أن ما يولده المتعلم النشط من تنوع نوعي وكمي أكبر في الشكل.
Arxiv - التعلم النشط متعدد الأصابع
أصبح التخطيط القائم على التعلم شائعًا على مدار العقد الماضي ، نظرًا لقدرته على التعميم جيدًا على كائنات جديدة باستخدام معلومات كائن العرض الجزئي فقط. تتطلب هذه الأساليب كميات كبيرة من البيانات للتدريب ، لا سيما تلك التي تستخدم الشبكات العصبية العميقة. ومع ذلك ، لا يزال جمع البيانات على نطاق واسع يمثل تحديًا للفهم متعدد الأصابع ، لأن (1)
تظهر الأشياء الشائعة في الحياة اليومية تباينًا كبيرًا من حيث الهندسة ، والملمس ، وخصائص القصور الذاتي ، والمظهر ؛ و
(2) البعد العالي نسبيًا لتكوينات المقبض متعددة الأصابع ، (على سبيل المثال ، 22 بعدًا لتكوين
تشكل اليد والمعصم في هذه الورقة).
تتعلم مناهج التعلم النشط الأحدث بشكل تفاعلي نموذج فهم يغطي بشكل أفضل مساحة تكوين الفهم عبر كائنات مختلفة باستخدام عينات أقل مقارنة بالمتعلم السلبي الخاضع للإشراف. بدلاً من الحث السلبي على فرضية لشرح بيانات التدريب المتاحة كما هو الحال في التعلم القياسي الخاضع للإشراف ، يطور التعلم النشط ويختبر فرضيات جديدة بشكل مستمر وتفاعلي.
يكون التعلم النشط أكثر ملاءمة عندما 1) تكون عينات البيانات غير المسماة عديدة ، 2) هناك حاجة إلى الكثير من البيانات المصنفة لتدريب نظام تعليمي دقيق تحت الإشراف ، و 3) يمكن جمع عينات البيانات أو تركيبها بسهولة. يفي تعلم الفهم بكل من هذه الشروط: 1) هناك عدد لا نهائي من الإمساك المحتمل ، 2) عدد كبير من عينات التدريب المسمى ضرورية لتغطية الفضاء ، و 3) الروبوت هو أوراكل خاص به - يمكنه تجربة الإمساك تلقائيًا الكشف عن النجاح أو الفشل دون تصنيف بشري.
تسلا لديها بالفعل تصنيف تلقائي للأشياء في العالم المادي.
بريان وانج هو رائد الفكر المستقبلي ومدون علمي شهير لديه مليون قارئ شهريًا. صنفت مدونته Nextbigfuture.com على المرتبة الأولى في مدونة أخبار العلوم. ويغطي العديد من التقنيات والاتجاهات التخريبية بما في ذلك الفضاء ، والروبوتات ، والذكاء الاصطناعي ، والطب ، والتكنولوجيا الحيوية لمكافحة الشيخوخة ، وتكنولوجيا النانو.
معروف بتحديد أحدث التقنيات ، وهو حاليًا أحد مؤسسي شركة ناشئة وجمع التبرعات لشركات المرحلة المبكرة ذات الإمكانات العالية. وهو رئيس قسم الأبحاث للتخصيصات للاستثمارات التكنولوجية العميقة ومستثمر ملاك في Space Angels.
متحدث متكرر في الشركات ، كان متحدثًا في TEDx ومتحدثًا بجامعة Singularity وضيفًا في العديد من المقابلات للإذاعة والبودكاست. إنه منفتح على التحدث أمام الجمهور وتقديم المشورة.
