વૈજ્ઞાનિકો સ્વ-શિક્ષણ રોબોટ્સમાં પ્રગતિ દર્શાવે છે

બે વર્ષ કરતાં ઓછા સમય પહેલાં, DARPA એ કૃત્રિમ બુદ્ધિમત્તાના તત્વો સાથે સતત શીખતી રોબોટિક સિસ્ટમ્સ બનાવવા માટે લાઇફલોંગ લર્નિંગ મશીન્સ (L2M) પ્રોગ્રામ શરૂ કર્યો હતો. L2M પ્રોગ્રામ સ્વ-શિક્ષણ પ્લેટફોર્મના ઉદભવ તરફ દોરી જવાનું માનવામાં આવતું હતું જે અગાઉના પ્રોગ્રામિંગ અથવા તાલીમ વિના પોતાને નવા વાતાવરણમાં અનુકૂળ કરી શકે છે. સરળ શબ્દોમાં કહીએ તો, રોબોટ્સે તેમની ભૂલોમાંથી શીખવું પડ્યું હતું, અને પ્રયોગશાળાના વાતાવરણમાં ટેમ્પલેટ ડેટાના સેટને પમ્પ કરીને શીખવું ન હતું.

L2M પ્રોગ્રામમાં વિવિધ પ્રમાણમાં ભંડોળ સાથે 30 સંશોધન જૂથો સામેલ છે. હમણાં જ, યુનિવર્સિટી ઓફ સધર્ન કેલિફોર્નિયાના એક જૂથે સ્વ-શિક્ષણ રોબોટિક પ્લેટફોર્મ બનાવવાની ખાતરીપૂર્વકની પ્રગતિ દર્શાવી છે, જેમ કે નેચર મશીન ઇન્ટેલિજન્સનાં માર્ચ અંકમાં અહેવાલ આપ્યો છે.

યુનિવર્સિટીના સંશોધકોની ટીમનું નેતૃત્વ ફ્રાન્સિસ્કો જે. વાલેરો-ક્યુવાસ કરી રહ્યા છે, જે બાયોમેડિકલ એન્જિનિયરિંગ, બાયોકિનેસિયોલોજી અને ફિઝિકલ થેરાપીના પ્રોફેસર છે. જૂથ દ્વારા વિકસિત અલ્ગોરિધમના આધારે, જે જીવંત સજીવોની કામગીરીની ચોક્કસ પદ્ધતિઓ પર આધારિત છે, ચાર અંગો પર રોબોટની હિલચાલ શીખવવા માટે કૃત્રિમ બુદ્ધિ ક્રિયાઓનો ક્રમ બનાવવામાં આવ્યો હતો. એવું નોંધવામાં આવે છે કે નકલી રજ્જૂ, સ્નાયુઓ અને હાડકાંના રૂપમાં કૃત્રિમ અંગો એલ્ગોરિધમ ચલાવ્યા પછી પાંચ મિનિટમાં ચાલવાનું શીખવામાં સક્ષમ હતા.

પ્રથમ પ્રક્ષેપણ પછી, પ્રક્રિયા અવ્યવસ્થિત અને અસ્તવ્યસ્ત હતી, પરંતુ પછી AI એ વાસ્તવિકતાઓને ઝડપથી સ્વીકારવાનું શરૂ કર્યું અને અગાઉના પ્રોગ્રામિંગ વિના સફળતાપૂર્વક ચાલવાનું શરૂ કર્યું. ભવિષ્યમાં, ડેટા સેટ્સ સાથે પ્રારંભિક એમએલ તાલીમ વિના રોબોટ્સની આજીવન તાલીમની બનાવેલ પદ્ધતિને નાગરિક કારને ઓટોપાયલોટ્સ સાથે સજ્જ કરવા અને લશ્કરી રોબોટિક વાહનો માટે અનુકૂળ કરી શકાય છે. જો કે, આ તકનીકમાં ઘણી વધુ સંભાવનાઓ અને ઉપયોગના ક્ષેત્રો છે. મુખ્ય વસ્તુ એ છે કે અલ્ગોરિધમ કોઈ વ્યક્તિને વિકાસમાં અવરોધોમાંથી એક તરીકે સમજતું નથી અને કંઈપણ ખરાબ શીખતું નથી.

સોર્સ: 3dnews.ru