En la próxima era de la domótica, tener un robot para facilitar las labores domésticas será algo común. Sin embargo, podría aparecer la frustración si estos ayudantes automatizados no logran realizar tareas básicas. Entra en escena Andi Peng, una académica perteneciente al departamento de Ingeniería Electrónica e Informática del MIT, que junto a su equipo están explorando una ruta para acelerar la evolución del aprendizaje de los robots.
Peng y su equipo multi-disciplinario han tenido un papel fundamental en el desarrollo de un marco de interacción humano-robot. La característica más resaltante de este sistema es su habilidad para producir narrativas contrafácticas que sugieren los cambios requeridos para que un robot complete una tarea de manera exitosa.
Ejemplificación del marco interactivo humano-robot
Para ilustrar, si un robot tiene dificultades para reconocer una taza pintada de una forma extraña, el sistema propone situaciones alternas donde el robot hubiera tenido éxito, quizás si la taza tuviera un color más llamativo. Estas reflexiones contrafácticas, junto con el feedback humano, aceleran la generación de nuevos datos para la modulación del robot.
Peng dice: «El modulación es el proceso que optimiza un modelo de inteligencia artificial existente que ya es competente en una tarea, permitiendo que realice una segunda tarea similar».
Un avance en eficiencia y desempeño
Cuando se probó, el sistema demostró resultados asombrosos. Los robots entrenados con este método exhibieron habilidades de aprendizaje aceleradas, a la vez que disminuyeron el tiempo de compromiso de sus tutores humanos. Si se aplica con éxito a gran escala, este marco novedoso puede asistir a los robots a adaptarse rápidamente a nuevos ambientes, reduciendo la necesidad de que los usuarios tengan conocimientos técnicos avanzados. Esta tecnología podría ser la respuesta para liberar robots de uso general que ayuden eficientemente a personas ancianas o discapacitadas.
Peng cree que «el propósito ulterior es capacitar a un robot para que aprenda y opere en un nivel abstracto semejante al humano».
Transformando la formación de robots
El principal desafío en el aprendizaje robótico es el «cambio de distribución», una expresión empleada para describir una situación en la que un robot se enfrenta a objetos o espacios a los que no fue expuesto durante su fase de práctica. Los investigadores, para abordar dicha problemática, aplicaron un enfoque conocido como «aprendizaje por imitación». Sin embargo, tenía sus restricciones.
“Piensa en tener que hacer una demostración con 30.000 tazas para que un robot pueda recoger cualquier taza. Prefiero hacer una demostración con una sola taza y enseñarle al robot a comprender que puede tomar una taza de cualquier color”, dice Peng.
En respuesta a esto, el sistema del equipo identifica los atributos esenciales del objeto para la tarea (como la forma de una taza) y los que no lo son (como el color de la taza). Equipado con esta información, genera datos sintéticos, cambiando los aspectos visuales “no esenciales”, optimizando así el proceso de aprendizaje del robot.
Enlazando la lógica humana con la mecánica robótica
Para evaluar la efectividad de este marco, los investigadores realizaron una prueba con usuarios humanos. Se pidió a los participantes que evaluaran si las explicaciones contrafácticas del sistema favorecían su entendimiento de la ejecución de las tareas del robot.
Peng dice: “Encontramos que los humanos son intrínsecamente expertos en este tipo de razonamiento contrafactual. Es este componente contrafactual el que nos permite traducir la lógica humana en mecánica robótica sin problemas”.
En el transcurso de varias simulaciones, el robot aprendió constantemente más rápido con su enfoque, superando otras técnicas y requiriendo menos demostraciones por parte de los usuarios.
Mirando hacia el futuro, el equipo planea implementar este marco en robots reales y trabajar para reducir el tiempo de generación de datos a través de modelos generativos de inteligencia artificial. Este enfoque revolucionario tiene el potencial de transformar la trayectoria de aprendizaje de los robots, allanando el camino para un futuro donde los robots convivan en armonía en nuestra vida cotidiana.
LEE MÁS ARTÍCULOS SOBRE: Noticias de IA.
LEE LA ENTRADA ANTERIOR: Cómo está transformando la IA el futuro del marketing digital.