211service.com
Hoe een mens-machine-mind-melt robots slimmer kan maken
Deze robotarm maakt af en toe gebruik van menselijke controle terwijl hij leert verschillende objecten vast te pakken.
Een geheimzinnige Canadese startup genaamd Kindred AI leert robots moeilijke behendige taken uit te voeren met bovenmenselijke snelheden door ze te koppelen aan menselijke piloten die virtual-reality-headsets dragen en motion-tracking-controllers vasthouden.
De technologie biedt een fascinerende kijk op hoe mensen in de toekomst synchroon met machines kunnen werken, en het laat zien hoe het aanboren van menselijke capaciteiten de mogelijkheden van geautomatiseerde systemen kan versterken. Ondanks alle zorgen over robots en kunstmatige intelligentie die banen elimineren, zijn er genoeg dingen die machines nog steeds niet kunnen. Het bedrijf demonstreerde de hardware om MIT Technology Review vorige week, en zegt dat het van plan is om in de komende maanden een product te lanceren dat gericht is op retailers. De ambities op de lange termijn zijn veel groter. Kindred hoopt dat dit door mensen ondersteunde leren een fundamenteel nieuwe en krachtigere vorm van kunstmatige intelligentie zal bevorderen.
Kindred is gemaakt door verschillende mensen van D-Wave, een kwantumcomputerbedrijf gevestigd in Burnaby, Canada. Kindred test momenteel conventionele industriële robotarmen die in staat zijn om voorwerpen die lastig te hanteren zijn, zoals kleine kledingstukken, sneller en betrouwbaarder vast te pakken en te plaatsen dan normaal mogelijk zou zijn. De armen doen dit door af en toe om hulp te vragen van een team van mensen, die virtual reality-hardware gebruiken om de uitdaging te bekijken en tijdelijk de controle over een arm over te nemen.
Een piloot kan zien, horen en voelen wat de robot ziet, hoort en voelt. Wanneer de piloot handelt, bewegen die acties de robot, zegt Geordie Rose, medeoprichter en CEO van Kindred en eerder medeoprichter van D-Wave. Hierdoor kunnen we robots laten zien hoe ze zich als mensen moeten gedragen. Mensen zijn niet de snelste of beste in alle aspecten van robotbesturing, zoals dingen op specifieke locaties plaatsen, maar mensen zijn nog steeds het beste in het begrijpen van lastige of onvoorziene situaties.
Het systeem van Kindred gebruikt verschillende algoritmen voor machine learning en probeert te voorspellen of een van deze het gewenste resultaat zou opleveren, zoals het grijpen van een item. Als geen enkele een grote kans op succes lijkt te bieden, roept het menselijke hulp in. Het belangrijkste is dat de algoritmen leren van de acties van een menselijke controller. Om dit te bereiken gebruikt het bedrijf een vorm van versterkend leren, een aanpak waarbij wordt geëxperimenteerd en gedrag wordt versterkt dat leidt tot een bepaald doel (zie 10 Breakthrough Technologies 2017: Reinforcement Learning).
Rose zegt dat het systeem kleine kledingstukken ongeveer twee keer zo snel kan pakken als iemand die alleen werkt, terwijl een robot die zelfstandig werkt te onbetrouwbaar zou zijn om in te zetten. Eén persoon kan ook meerdere robots tegelijk bedienen.
Rose voegt eraan toe dat Kindred allerlei soorten mens-in-de-lus-systemen verkent, van systemen waarbij een persoon eenvoudig op een afbeelding klikt om een robot te laten zien waar iets moet worden vastgepakt, tot volledige lichaamsexoskeletten die controle bieden over een humanoïde robot. Hij zegt dat piloten meestal leren hoe ze een robotsysteem op afstand effectief kunnen besturen. Als je het bedieningsapparaat gebruikt, is het in het begin erg frustrerend, maar de geest van mensen is erg plastisch en je past je aan, zegt Rose.
De technische inspiratie voor de technologie komt van Suzanne Gildert, die voorheen senior onderzoeker was bij D-Wave en de Chief Scientific Officer van Kindred is. Het bedrijf opereert al enkele jaren in stealth-modus, maar trok de aandacht toen details van een patent ingediend door Gildert online opgedoken . Het patent beschrijft een schema voor het combineren van verschillende tele-operatiesystemen met machine learning. De visie van Kindred op zijn technologie lijkt veel verder te gaan dan het bouwen van robots die beter zijn in sorteren.
Het idee was dat als je dat lang genoeg zou kunnen doen, en als je een soort AI-systeem op de achtergrond had om te leren, je misschien veel verschillende AI-modellen zou kunnen uitproberen en zien welke beter trainden, zegt Gildert. Uiteindelijk was mijn gedachte, als je een mens iets kunt laten demonstreren via een robot, dan is er geen reden dat de robot niet zou kunnen leren heel menselijk te zijn.
Het meest in het oog springende was dat het patent van Kindred zelfs de mogelijkheid beschreef om dergelijke systemen door dieren zoals apen te laten besturen. Gildert zegt dat dit een speculatief idee was en dat er momenteel geen apen in dienst zijn bij het bedrijf. Ze zegt echter dat het bedrijf een robotkat heeft, getraind met behulp van versterkingsleer, die door zijn kantoor dwaalt.
Kindred is ook een beetje ongewoon, in die zin dat de oprichters fysici zijn in plaats van robotici of computerwetenschappers van opleiding. Maar Rose stelt dat dit een uniek en waardevol perspectief biedt. Voor computerwetenschappers is de grens tussen een simulatie en de echte wereld soms vaag, zegt hij. We hebben een sterke voorkeur voor het soort dingen dat we doen in echte robots in de echte wereld.
De aanpak die Kindred nastreeft lijkt een enorm potentieel te hebben. Ken Goldberg , een professor aan de University of California, Berkeley, die gespecialiseerd is in machine learning en robotica, zegt dat het aanboren van menselijke vaardigheden het leren van robots drastisch zal versnellen. Goldberg, die werkt aan een vergelijkbare aanpak voor onder meer robotchirurgie, voegt eraan toe dat het laten leren van robots van mensen een zeer actief onderzoeksgebied is. Het is de kern van wat volgens mij een grote kans is in robotica, zegt Goldberg. Er is een enorm voordeel aan het hebben van menselijke demonstratie.
Maar de technische uitdagingen die gepaard gaan met leren door middel van menselijke teleoperaties zijn niet onbelangrijk. Sangbae Kim , een universitair hoofddocent aan het MIT die werkt aan op afstand bediende humanoïde robots, zegt dat het in kaart brengen van menselijke controle op machineactie ongelooflijk ingewikkeld is. De eerste uitdaging is het volgen van menselijke beweging door starre verbindingen aan de menselijke huid te bevestigen. Dit is buitengewoon moeilijk omdat we endoskeletdieren zijn, zegt Kim. Een grotere uitdaging is om alle details van besluitvormingsstappen bij mensen, waarvan de meeste onbewust gebeuren, echt te begrijpen.
De oprichters van Kindred lijken echter nauwelijks ontmoedigd. Ons doel is om cognitie te deconstrueren, zegt Rose. Alle levende wezens volgen bepaalde gedrags- en actiepatronen. We proberen machines te bouwen die dezelfde principes hebben.