نهج مبتكر يستخدم التغذية الراجعة الجماعية لتسريع تعلم الروبوت

ظهر نهجٌ رائدٌ لتعليم أنظمة الذكاء الاصطناعي، يُعرف باسم "الاستكشاف الموجه بشريًا" (HuGE)، كطريقةٍ ثوريةٍ في أبحاث الذكاء الاصطناعي. وقد طُوِّر هذا النهج بالتعاون بين باحثين من معهد ماساتشوستس للتكنولوجيا وجامعة هارفارد وجامعة واشنطن، حيث يُمكّن أنظمة الذكاء الاصطناعي من تعلّم مهام جديدة بسرعةٍ وكفاءةٍ أكبر بمساعدةٍ من التغذية الراجعة البشرية غير المتخصصة. ومن المتوقع أن تُحدث هذه التقنية المبتكرة ثورةً في كيفية اكتساب أنظمة الذكاء الاصطناعي لمهارات جديدة، مما يُتيح للروبوتات تعلّم مهام معقدة بشكلٍdentبتوجيهٍ من التغذية الراجعة الجماعية.

التحديات في تدريب الذكاء الاصطناعي

يتضمن تدريب أنظمة الذكاء الاصطناعي على أداء مهام جديدة عادةً عملية تُسمى التعلم المعزز، حيث يتعلم النظام من خلال التجربة والخطأ، ويتلقى مكافآت مقابل الإجراءات التي تقربه من هدفdefiمسبقًا. في كثير من الحالات، يجب على الخبراء تصميم دالة مكافأة دقيقة، وهي آلية تحفيزية تدفع نظام الذكاء الاصطناعي إلى الاستكشاف واتخاذ الإجراءات. مع ذلك، قد يكون تصميم دوال المكافأة هذه مُستهلكًا للوقت، وغير فعال، ويصعب توسيع نطاقه، لا سيما بالنسبة للمهام المعقدة التي تتضمن خطوات متعددة.

التغذية الراجعة من مصادر جماعية كحل

يُقدّم نهج HuGE نقلة نوعية ثورية من خلال الاستفادة من التعليقات الجماعية التي يتم جمعها من مستخدمين غير متخصصين لتوجيه عمليات تعلّم وكلاء الذكاء الاصطناعي. على عكس الطرق التقليدية التي تعتمد على دوال مكافأة مصممة بخبرة، يسمح HuGE لوكلاء الذكاء الاصطناعي بالتعلم بسرعة أكبر، حتى عند التعامل مع بيانات غير دقيقة من غير المتخصصين، والذين قد تحتوي تعليقاتهم على أخطاء تُعيق عمل الطرق الأخرى.

فصل عملية التعلم

قسم الباحثون القائمون على HuGE عملية التعلم إلى عنصرين متميزين، يُدار كل منهما بواسطة خوارزميته الخاصة. يفصل هذا النهج بين مرحلة اختيار الهدف ومرحلة الاستكشاف، مما يُمكّن النظام من التعلم بكفاءة عالية من خلال التغذية الراجعة الجماعية. فيما يلي العنصران الرئيسيان في HuGE:

1. خوارزمية اختيار الهدف : يقوم هذا الجزء من المنهجية بالتحديث المستمر بناءً على ملاحظات المستخدمين غير المتخصصين. وبدلاً من استخدام هذه الملاحظات كدالة مكافأة مباشرة، فإنها توجه عملية استكشاف النظام. يقدم المستخدمون مدخلاتهم باختيار الحالة الأقرب إلى الهدف المنشود، مما يسمح للنظام بتعديل عملية استكشافه وفقًا لذلك.

٢. استكشاف العامل: عامل الذكاء الاصطناعي dent ، مسترشداً بتعليقات مُحدد الهدف. يجمع بيانات، مثل الصور أو مقاطع الفيديو لأفعاله، والتي تُرسل بعد ذلك إلى المستخدمين البشريين للحصول على مزيد من التعليقات. تُضيّق هذه العملية نطاق استكشاف العامل، وتوجهه نحو المسارات الواعدة لتحقيق هدفه.

فوائد ضخمة

يوفر برنامج HuGE العديد من المزايا مقارنة بالأساليب التقليدية لتدريب وكلاء الذكاء الاصطناعي:

• التعلم الأسرع: يُمكّن هذا النهج وكلاء الذكاء الاصطناعي من تعلم مهام جديدة بسرعة أكبر، حتى عندما تحتوي التعليقات البشرية على أخطاء أو معلومات غير دقيقة.
• التعليقات غير المتزامنة: يسمح HuGE بجمع التعليقات بشكل غير متزامن من المستخدمين غير المتخصصين في جميع أنحاء العالم، مما يجعله حلاً قابلاً للتطوير ومتعدد الاستخدامات.
• التعلم الذاتي: يمكن للوكلاء مواصلة التعلم بشكل مستقل، حتى عندما تكون التغذية الراجعة محدودة أو متأخرة، مما يضمن التقدم المستمر.

الاختبارات الواقعية والمحاكاة

أجرى الباحثون اختبارات مكثفة على مهام محاكاة ومهام واقعية للتحقق من فعالية منصة HuGE. في المحاكاة، نجحوا في تدريب أنظمة الذكاء الاصطناعي على أداء مهام معقدة ذات تسلسلات طويلة من الإجراءات، مثل تكديس المكعبات بترتيبات محددة أو اجتياز متاهات معقدة. أما التجارب الواقعية، فقد شملت تدريب أذرع آلية على رسم الأشكال والتقاط الأشياء، باستخدام بيانات جُمعت من مستخدمين غير متخصصين في 13 دولة وثلاث قارات.

التوسع والتطبيقات المستقبلية

تشير النتائج الواعدة لمشروع HuGE وسهولة الحصول على تعليقات من غير المتخصصين إلى إمكاناته الكبيرة في توسيع نطاق تدريب الذكاء الاصطناعي. في المستقبل، قد تُمكّن هذه الطريقة الروبوتات من التعلّم وأداء مهام محددة في منازل المستخدمين دون الحاجة إلى عروض توضيحية مباشرة. وبالاعتماد على التعليقات الجماعية، تستطيع الروبوتات الاستكشاف بشكل مستقل، مسترشدةً بالمدخلات الجماعية لغير المتخصصين.

يؤكد الباحثون على أهمية ضمان توافق أنظمة الذكاء الاصطناعي مع القيم الإنسانية والاعتبارات الأخلاقية. فمع قدرة هذه الأنظمة على التعلم واتخاذ القرارات بشكلdent، تُصبح المبادئ التوجيهية الأخلاقية وتوافق القيم أمراً بالغ الأهمية لضمان استخدامها الآمن والمسؤول.

التوجهات المستقبلية

يهدف الفريق إلى تطوير منهجية HuGE بشكل أكبر. ويخططون لتمكين أنظمة الذكاء الاصطناعي من التعلم من أشكال التواصل المختلفة، مثل اللغة الطبيعية والتفاعلات الجسدية مع الروبوتات. إضافةً إلى ذلك، يستكشفون إمكانية استخدام HuGE لتدريب عدة أنظمة في وقت واحد، مما يفتح آفاقًا جديدة للتعلم التعاوني للذكاء الاصطناعي.

يمثل الاستكشاف الموجه بشريًا (HuGE) نقلة نوعية في تدريب الذكاء الاصطناعي، إذ يُبسط عملية تعليم وكلاء الذكاء الاصطناعي مهامًا جديدة. ومن خلال تسخير الحكمة الجماعية للمستخدمين غير المتخصصين، يُسرّع HuGE عملية التعلم، ويُقلل الحاجة إلى وظائف المكافأة المصممة من قِبل الخبراء، ويُمهد الطريق أمام الروبوتات لاكتساب مهارات معقدة بشكل مستقل. ومع استمرار تطور مجال الذكاء الاصطناعي، يُعد HuGE دليلًا على إمكانات التعلم التعاوني والموجه جماعيًا في تشكيل مستقبل الوكلاء الأذكياء.