محاكاة قدرة البشر في البحث عن الأشياء (الجزء الثالث)
الهندسة والآليات >>>> الروبوتات
Image: SYR-RES
طوّرت مجموعة باحثين من جامعة كارنيغي ميلون Carnegie Mellon University CMU وشركة فيسبوك للأبحاث Facebook AI Research خوارزميةً للبحث عن العناصر، تعتمد على البحث الدَّلالي بواسطة عناصر أخرى؛ ليصل الروبوت إلى هدف، وبذلك بنَتْ Goal-Oriented Semantic Exploration- SemExp نظامَ الاستكشاف الدلالي الموجّه نحو الهدف (1).
فشركة فيسبوك ليست موقعَ تواصل اجتماعي فحسب؛ إذ لديها مشاريع عدة للبحث في تطوير الذكاء الصنعي عالميًّا؛ منها فريق فيسبوك لأبحاث الذكاء الصنعي FAcebook Artificial Intelligence Reasearch - FAIR الذي يسعى حسب تعريفه نفسَه إلى فهم أنظمةٍ لها ذكاء بمستوى الذكاء البشري وتطويرها، عبر تطوير المسائل الأكاديمية الطويلة الأمد المحيطة بالذكاء الصنعي (2).
عندما ينتقل الروبوت من النقطة A إلى النقطة B، ستكون عملية الانتقال أكثر فعالية إذا كان الروبوت مُدركًا حقيقةَ أنَّ النقطة A هي أريكة في غرفة المعيشة والنقطة B هي براد، حتى لو كان الروبوت في مكان غير مألوف له، هذه هي فكرة الفطرة السليمة التي يعتمد عليها الفريق البحثي في بناء نظام التنقل الدلالي الخاص بالروبوتات (1).
ربح نظام التنقل الدلالي SemExp تحديَ Habitat ObjectNav Challenge شهر حزيران الماضي في مؤتمر رؤية الحاسب والتعرف إلى النسق Computer Vision and Pattern Recognition، بعد أن تفوق على فريق Samsung Research China، وكان الفوز الثاني على التوالي بالمرتبة الأولى لفريق جامعة CMU في هذا المؤتمر السنوي (1).
يستخدم SemExp تقنيةَ تعلّم الآلة machine learning؛ ليدرّب الروبوت على معرفة الأشياء، مثلًا: معرفة الفرق بين طاولة المطبخ وطاولة صغيرة جانب الأريكة، ويفهم مكانَ هذه الأشياء في المنزل عادةً، وفي هذا الصدد يقول طالب دكتوراه في قسم تعلّم الآلة Devendra S. Chaplot: "إنّ هذه التقنية تمكّن النظام من التفكير تفكيرًا إستراتيجيًّا عن كيفية البحث عن شيء ما" (1).
بُني نظام SemExp اعتمادًا على تقنية التعرّف إلى النسق Pattern Recognition، أو ما يعرف اليوم باسم تعلّم الآلة Machine Learning.
فما هذه التقنية؟ وكيف تعمل؟
تُعدّ تقنية تعلّم الآلة العنصرَ الرئيسَ في علوم الحاسوب الحديثة، وتهدف إلى إيجاد الأنماط وتعلّمها وتمييزها Patterns في البيانات المعقدة، مثل الصور والكلام والعمليات الحيوية والإنترنت. ويكمن الاختلاف بين علوم الكومبيوتر الحديثة والتقليدية أنّ البرنامج في نظم الحاسوب التقليدية عبارة عن خوارزمية تشكل عنصرَ العملية الأساسيَّ، في حين لدينا في برامج تعلّم الآلة المُستخدمة في علوم الحاسوب الحديثة خوارزميةُ تعلّم تعمل على معالجة البيانات المعقدة (3).
فشلت المحاولات السابقة لاستخدام تعلم الآلة في تدريب أنظمة التّنقل الدلالية؛ لأنها تميل إلى تذكر الأشياء ومواقعها في بيئات محددة، ليس السبب تعقيدَ هذه البيئاتِ فحسب، ولكن يصعب على النظام تعميم ما تعلّمه على بيئات مختلفة (1).
نحَّى شابلوت بالتعاون مع عدة زملاء من جهات مختلفة هذه المشكلةَ عبر جعل نظام SemExp نظامًا أنموذجيًّا (1).
يستخدم النظام رؤيتَه الدلالية ليحدد أفضلَ أماكن البحث عن عنصر محدد، يقول شابلوت: "عندما تقرر أين تريد أن تذهب، تستطيع أن تستخدم التخطيطَ التقليدي ليوصلك إلى هناك" (1).
على مايبدو أن هذه المقاربة الأنموذجية فعّالة في أوجه عدة، فيمكن لعملية التعلم أن تركز على العلاقات بين الأشياء ومخططات الغرف فيها، إضافة إلى تخطيط مسار التعلم، لذلك فإن استخدام المنطق الدلالي في عملية البحث يساعد على تحديد خطة البحث الأكثر فعالية (1).
سيسهّل التنقل الدلالي في النهاية تفاعلَ البشر مع الروبوتات، وسيُمكنهم الطلبُ من الروبوت جلبَ شيءٍ ما موجودٍ في مكان معين، أو إعطاؤه اتجاهاتٍ مثل "اذهب إلى الباب الثاني على اليسار" (1).
المصادر:
2. AI Research - Facebook Engineering [Internet]. Facebook Engineering. 2020 [cited 3 November 2020]. Available from: هنا
3. Brox T. Computer Vision Group, Freiburg [Internet]. Lmb.informatik.uni-freiburg.de. 2020 [cited 3 November 2020]. Available from: هنا
