Yeni Yapay Zeka Ajanı İnsan Gibi Görüyor, Boşlukları Dolduruyor

Austin’deki Texas Üniversitesi’nden bilgisayar bilimcileri yapay bir istihbarat temsilcisine genellikle sadece insanların yapabileceği etkili arama kurtarma robotlarının gelişimi için gerekli bir yetenek olan bir şeyi nasıl yapacağını öğretti. Profesör Kristen Grauman liderliğindeki ekip, doktora aday Santhosh Ramakrishnan ve eski doktora aday Dinesh Jayaraman, sonuçlarını Science Robotics dergisinde yayınladı.

Çoğu yapay zeka ajanı -robotları veya zekası olan diğer makineleri barındırabilen bilgisayar sistemleri- bir fabrika gibi daha önce yaşadıkları bir ortamda -bir nesneyi tanımak veya hacmini tahmin etmek gibi- spesifik görevler için eğitilmişlerdir. Ancak Grauman ve Ramakrishnan tarafından geliştirilen bu ajanda, daha sonra çok çeşitli görevlerde kullanılabilecek görsel bilgileri toplamak genel amaçtır.

Grauman, “Genel olarak çevreye girmek ve yeni algılama görevlerine hazır olmak için donanımlı bir ajan istiyoruz” dedi. “Çok yönlü ve farklı görevlerde başarılı olabilecek bir şekilde davranır, çünkü görsel dünya hakkında faydalı kalıplar öğrenmiştir.”

Bilim insanları, beynini sinir ağlarından ilham alan bir tür makine öğrenmesi olan derin öğrenmeyi, ajanlarını farklı ortamların binlerce 360 derecelik görüntüleri üzerinde eğitmek için kullandılar.

Şimdi, daha önce hiç görmediği bir sahne ile sunulduğunda ajan, – bir katedralin ortasında farklı yönlerden birkaç fotoğraf çekerek duran bir turist gibi- birkaç bakış açısı seçmek için deneyimlerini kullanıyor ve her çektiği fotoğrafla tam sahnenin %20’sinden daha az bilgi ekliyor. Bu sistemi bu kadar etkili kılan şey, sadece rastgele yönlerde fotoğraf çekmek değil, çekilen her fotoğraftan sonra, tüm sahne hakkında en yeni bilgileri ekleyeceği tahmininde bulunan bir sonraki çekimi seçmek. Daha önce hiç ziyaret etmediğiniz bir markette olsaydınız ve elmaları görseydiniz, yakınlarda portakal bulmayı beklerdiniz, ancak sütü bulmak için başka bir yöne bakardınız. Belirtilere dayanarak ajan, diğer tüm yönlere bakmış olsaydı neler görmüş olacağını gösterir ve çevresinin 360 derecelik görüntüsünü yeniden kurar.

Grauman, “Daha önce bulunduğunuz tüm marketler gibi – daha önce yaşanmış ortamlarda var olan düzenlemeler hakkında önceden bilgi sağladığınızda, bu ajan ayrıntılı bir şekilde araştırıyor,” dedi. “Algılama görevlerinde başarılı olmak için görsel bilgilerin nerede toplanacağı hakkında akıllıca tahminlerde bulunmayı öğreniyor.

Bilim insanlarının kendileri için belirlediği en büyük zorluklardan biri, sıkı zaman kısıtlamaları altında çalışabilecek bir ajan tasarlamaktı. Bu, bir arama-kurtarma uygulamasında kritik öneme sahip olacaktır. Örneğin, yanan bir binada insanları, alevleri ve tehlikeli maddeleri hızlı bir şekilde bulmak ve bu bilgileri itfaiyecilere iletmek için bir robot çağrılabilir.

Şimdilik yeni ajan bir noktada durarak bir kamerayı herhangi bir yöne doğru tutan ancak yeni bir konuma geçemeyen bir insan gibi çalışmaktadır. Veya eşdeğer olarak, aracı tuttuğu bir nesneye bakabilir ve nesnenin başka bir tarafını incelemek için nesneyi nasıl döndüreceğine karar verebilir. Araştırmacılar tamamen mobil bir robotta çalışmak için sistemi daha da geliştiriyorlar.

UT Austin’in Texas Gelişmiş Bilgi İşlem Merkezi ve Bilgisayar Bilimi Bölümündeki süper bilgisayarları kullanarak, takviye öğrenme denilen bir yapay zeka yaklaşımı kullanarak onların ajanlarını eğitmek 1 gün sürdü. Ramakrishnan’ın liderliğindeki ekip, eğitimi hızlandırmak için bir yöntem geliştirdi: birincil ajana yardımcı olmak için yardımcı denilen ikinci bir ajanı geliştirmek.

Ramakrishnan, “Eğitim sırasında yalnızca mevcut olan ek bilgileri kullanmak, [birincil] ajanın daha hızlı öğrenmesine yardımcı oluyor” dedi.

Bu araştırma, kısmen ABD Savunma Gelişmiş Araştırma Projeleri Ajansı, ABD Bilimsel Araştırma Hava Kuvvetleri Ofisi, IBM Corp. ve Sony Corp. tarafından desteklenmiştir.

Kaynak : sciencedaily.com