یہ 2020 کے ایک تعلیمی مقالے کا جائزہ ہے جس میں سیکھنے کے نظام کو روبوٹکس کے ہتھیاروں اور ہاتھوں کو اشیاء کو پکڑنے کی تربیت دی گئی ہے۔
نئی، جزوی طور پر مشاہدہ شدہ اشیاء کو بہتر طور پر عام کرنے کی ان کی صلاحیت کی وجہ سے منصوبہ بندی کو سمجھنے کے لیے سیکھنے پر مبنی طریقوں کو تجزیاتی طریقوں پر ترجیح دی جاتی ہے۔ تاہم، ڈیٹا اکٹھا کرنا سیکھنے کے طریقوں، خاص طور پر کثیر انگلیوں والے ہاتھوں کے لیے سب سے بڑی رکاوٹوں میں سے ایک ہے۔ ہاتھوں کی نسبتاً زیادہ جہتی ترتیب کی جگہ اور روزمرہ کی زندگی میں عام اشیاء کے تنوع کو مضبوط اور پراعتماد گرفت کی کامیابی کی درجہ بندی کرنے کے لیے نمونوں کی ایک بڑی تعداد کی ضرورت ہوتی ہے۔ اس مقالے میں، محققین گرفت کے لیے پہلا فعال گہرا سیکھنے کا طریقہ پیش کرتے ہیں جو گرفت کنفیگریشن اسپیس اور درجہ بندی کے اعتماد کو متحد انداز میں تلاش کرتا ہے۔ محققین ایک سیکھے ہوئے عصبی نیٹ ورک کے امکانی فنکشن کے ساتھ امکانی تخمینہ کے طور پر کثیر انگلیوں والی گرفت کی منصوبہ بندی میں حالیہ کامیابی پر اپنے نقطہ نظر کی بنیاد رکھتے ہیں۔ وہ اسے نمونے کے انتخاب کے کثیر مسلح ڈاکو فارمولیشن کے اندر سرایت کرتے ہیں۔ وہ یہ ظاہر کرتے ہیں کہ ان کا فعال گرفت سیکھنے کا طریقہ گرفت کی کامیابی کی شرح پیدا کرنے کے لیے کم تربیتی نمونوں کا استعمال کرتا ہے جو ایک تجزیاتی منصوبہ ساز کے ذریعے تیار کردہ ڈیٹا کی گرفت کے ساتھ تربیت یافتہ غیر فعال زیر نگرانی سیکھنے کے طریقہ کار کے ساتھ موازنہ کرتا ہے۔ 2020 میں، محققین یہ بھی ظاہر کرتے ہیں کہ فعال سیکھنے والے کے ذریعے پیدا ہونے والی گرفتوں کی شکل میں زیادہ معیاری اور مقداری تنوع ہوتا ہے۔
آرکسیو - کثیر انگلیوں والی ایکٹو گراس سیکھنا
سیکھنے کی بنیاد پر گرفت کی منصوبہ بندی پچھلی دہائی کے دوران مقبول ہوئی ہے، کیونکہ اس کی صرف جزوی طور پر نظر آنے والی آبجیکٹ کی معلومات کے ساتھ نئی اشیاء کو اچھی طرح سے عام کرنے کی صلاحیت ہے۔ ان طریقوں کو تربیت کے لیے بڑی مقدار میں ڈیٹا کی ضرورت ہوتی ہے، خاص طور پر وہ جو کہ گہرے نیورل نیٹ ورکس کا استعمال کرتے ہیں۔ تاہم، کثیر انگلیوں کی گرفت کے لیے بڑے پیمانے پر ڈیٹا اکٹھا کرنا ایک چیلنج ہے، کیونکہ (1)
روزمرہ کی زندگی میں عام اشیاء جیومیٹری، ساخت، جڑی خصوصیات، اور ظاہری شکل کے لحاظ سے بڑے فرق کو ظاہر کرتی ہیں۔ اور
(2) کثیر انگلیوں والی گرفت کنفیگریشنز کی نسبتاً زیادہ جہت، (مثلاً 22 جہتیں کنفیگریشن کے لیے
اس کاغذ میں ہاتھ اور کلائی کا پوز)۔
نئے فعال سیکھنے کے طریقے انٹرایکٹو طور پر ایک گرفت ماڈل سیکھتے ہیں جو ایک غیر فعال، زیر نگرانی گرفت سیکھنے والے کے مقابلے میں کم نمونوں کا استعمال کرتے ہوئے مختلف اشیاء میں گرفت کنفیگریشن کی جگہ کو بہتر طور پر کور کرتا ہے۔ معیاری زیر نگرانی سیکھنے کی طرح دستیاب تربیتی اعداد و شمار کی وضاحت کرنے کے لیے غیر فعال طور پر ایک مفروضے کو اکسانے کے بجائے، فعال سیکھنے مسلسل اور متعامل طور پر نئے مفروضوں کو تیار اور جانچتا ہے۔
ایکٹیو لرننگ سب سے زیادہ مناسب ہے جب 1) بغیر لیبل والے ڈیٹا کے نمونے بے شمار ہوں، 2) ایک درست زیر نگرانی سیکھنے کے نظام کو تربیت دینے کے لیے بہت سارے لیبل والے ڈیٹا کی ضرورت ہوتی ہے، اور 3) ڈیٹا کے نمونے آسانی سے اکٹھے یا ترکیب کیے جاسکتے ہیں۔ گرفت سیکھنا ان شرائط میں سے ہر ایک کو پورا کرتا ہے: 1) لامحدود طور پر بہت سے ممکنہ گرفت ہیں، 2) لیبل لگائے گئے تربیتی نمونوں کی ایک بڑی تعداد خلا کو ڈھانپنے کے لیے ضروری ہے، اور 3) روبوٹ اس کا اپنا اوریکل ہے — یہ گرفت کی کوشش کر سکتا ہے اور خود بخود انسانی لیبلنگ کے بغیر کامیابی یا ناکامی کا پتہ لگانا۔
ٹیسلا کے پاس پہلے سے ہی جسمانی دنیا میں اشیاء کی آٹو لیبلنگ ہے۔
برائن وانگ ایک فیوچرسٹ تھیٹ لیڈر اور ایک مشہور سائنس بلاگر ہے جس میں ہر ماہ 1 لاکھ قارئین ہیں۔ اس کا بلاگ Nextbigfuture.com نمبر 1 سائنس نیوز بلاگ کی درجہ بندی ہے۔ اس میں خلل ، روبوٹکس ، مصنوعی ذہانت ، طب ، اینٹی ایجنگ بائیوٹیکنالوجی ، اور نینو ٹیکنالوجی سمیت بہت سی خلل ڈالنے والی ٹیکنالوجی اور رجحانات شامل ہیں۔
جدید ٹیکنالوجیز کی شناخت کے لیے جانا جاتا ہے ، وہ فی الوقت ابتدائی مرحلے کی کمپنیوں کے لیے اسٹارٹ اپ اور فنڈ ریزر کے شریک بانی ہیں۔ وہ گہری ٹیکنالوجی کی سرمایہ کاری کے لیے مختص تحقیق کے سربراہ اور خلائی فرشتے میں ایک فرشتہ سرمایہ کار ہیں۔
کارپوریشنوں میں بار بار اسپیکر ، وہ ٹی ای ڈی ایکس اسپیکر ، سنگولریٹی یونیورسٹی اسپیکر اور ریڈیو اور پوڈ کاسٹ کے متعدد انٹرویوز میں مہمان رہے ہیں۔ وہ عوامی تقریر اور مشاورت کے لیے کھلا ہے۔
