در این پست از بلاگ Bennu AI میخواهیم در مورد یک هماهنگ‌کننده تیم هوش مصنوعی  که باورهای عوامل را درباره نحوه انجام یک وظیفه هماهنگ می‌کند و در صورت لزوم مداخله می‌کند تا به احتمال زیاد در وظایف جستجو و نجات، بیمارستان‌ها و بازی‌های ویدیویی کمک کند، صحبت کنیم!

در سال ۲۰۱۸، یوئنینگ ژانگ، دانشجوی کارشناسی ارشد سال ۲۰۱۹ و دکترای سال ۲۰۲۴، در یک سفر تحقیقاتی به اطراف هاوایی متوجه شد که مدیریت یک کشتی چقدر می‌تواند چالش‌برانگیز باشد. هماهنگی دقیق برای نقشه‌برداری از زمین‌های زیر آب گاهی باعث ایجاد محیطی پراسترس برای اعضای تیم می‌شد. این مشکل زمانی شدیدتر می‌شد که افراد درک‌های متفاوتی از وظایف خود در شرایط ناگهانی و در حال تغییر داشتند. در این سفرها، ژانگ به این فکر افتاد که یک دستیار رباتیک می‌توانست چقدر به او و تیمش کمک کند تا به شکلی مؤثرتر به اهداف خود برسند.

شش سال بعد، ژانگ به عنوان یک دستیار تحقیقاتی در آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) مشغول به کار شد و همان چیزی را که ممکن است تکه گمشده‌ای در این معما باشد، توسعه داد: یک دستیار هوش مصنوعی که می‌تواند با اعضای تیم ارتباط برقرار کند تا وظایف آن‌ها را هماهنگ کرده و به یک هدف مشترک برسند. در مقاله‌ای که در کنفرانس بین‌المللی رباتیک و اتوماسیون (ICRA) ارائه شد و در IEEE Xplore منتشر شده، او و همکارانش سیستمی را معرفی کردند که قادر است بر عملکرد یک تیم متشکل از انسان‌ها و عوامل هوش مصنوعی نظارت کند و در صورت نیاز مداخله کند تا اثربخشی تیم را در زمینه‌هایی مانند عملیات‌های جستجو و نجات، مراحل پزشکی و بازی‌های استراتژیک ویدیویی افزایش دهد.

گروه CSAIL مدلی از “نظریه ذهن” برای عوامل هوش مصنوعی ایجاد کرده است. این مدل نشان می‌دهد که انسان‌ها چگونه هنگام همکاری در یک کار مشترک، برنامه‌ها و اهداف احتمالی یکدیگر را درک و پیش‌بینی می‌کنند. این دستیار تیمی جدید، با مشاهده اقدامات سایر اعضای تیم، می‌تواند برنامه‌های آن‌ها و درک آن‌ها از یکدیگر را بر اساس یک مجموعه باورهای قبلی استنتاج کند. اگر برنامه‌های آن‌ها با هم سازگار نباشد، دستیار هوش مصنوعی مداخله می‌کند و با هماهنگ کردن باورهای اعضا نسبت به یکدیگر، اقداماتشان را هدایت می‌کند و در صورت نیاز سوالاتی مطرح می‌کند.

به عنوان مثال، در یک تیم نجات که در حال کمک به مصدومان است، اعضا باید بر اساس درک خود از نقش‌ها و پیشرفت یکدیگر تصمیم‌گیری کنند. نرم‌افزار CSAIL می‌تواند این نوع برنامه‌ریزی را بهبود ببخشد، با ارسال پیام‌هایی که نشان می‌دهند هر عامل چه کاری انجام داده یا قصد انجام آن را دارد. این اقدام از تکمیل صحیح وظایف اطمینان حاصل می‌کند و از تلاش‌های تکراری جلوگیری می‌نماید. در این شرایط، دستیار هوش مصنوعی ممکن است مداخله کند و اطلاع دهد که یکی از اعضا به اتاقی رفته است یا اینکه هیچ‌کس هنوز ناحیه‌ای که ممکن است مصدومین در آنجا باشند را جستجو نکرده است.

ژانگ که اکنون به عنوان یک دانشمند پژوهشی در شرکت مابی سیستمز مشغول به کار است، می‌گوید: “کار ما به این موضوع توجه دارد که وقتی می‌گوییم ‘من معتقدم که تو باور داری شخص دیگری چه باوری دارد’، دقیقاً به چه چیزی اشاره داریم.” او اضافه می‌کند: “تصور کنید در یک تیم کار می‌کنید و از خود می‌پرسید، ‘آن فرد دقیقاً چه کاری انجام می‌دهد؟ من قرار است چه کاری انجام دهم؟ آیا او می‌داند که من قرار است چه کاری انجام دهم؟’ ما در این مدل به نحوه‌ای که اعضای تیم برنامه کلی را درک می‌کنند و وظایفی که باید برای رسیدن به هدف مشترک انجام دهند، توجه کرده‌ایم.”

 هوش مصنوعی به کمک می‌آید!

حتی با داشتن یک برنامه دقیق، هم عوامل انسانی و هم رباتیک ممکن است دچار سردرگمی شوند و اشتباه کنند، به ویژه اگر نقش‌ها به وضوح مشخص نشده باشد. این مشکل در مأموریت‌های جست‌وجو و نجات بسیار مهم است، جایی که هدف یافتن فردی در خطر است و زمان محدود است و باید منطقه وسیعی را بررسی کرد. تکنولوژی ارتباطی تقویت‌شده با دستیار رباتیک جدید می‌تواند به گروه‌های جست‌وجو اطلاع دهد که هر گروه چه کاری انجام می‌دهد و در حال بررسی کدام ناحیه است. این اطلاعات به عوامل کمک می‌کند تا به شکل مؤثرتری در محیط خود حرکت کنند.

این نوع سازماندهی وظایف می‌تواند در دیگر موقعیت‌های حساس مانند عمل‌های جراحی نیز مفید باشد. در این موارد، ابتدا پرستار باید بیمار را به اتاق عمل ببرد، سپس متخصص بیهوشی بیمار را بیهوش می‌کند و در نهایت جراحان عمل را آغاز می‌کنند. در طول عمل، تیم باید به طور مداوم وضعیت بیمار را تحت نظر داشته باشد و به طور پویا به اقدامات همکاران خود واکنش نشان دهد. برای اطمینان از اینکه همه مراحل به درستی پیش می‌رود، هماهنگ‌کننده هوش مصنوعی می‌تواند نظارت داشته و در صورت بروز ابهام یا سردرگمی، مداخله کند.

 تیم‌های مؤثر حتی در بازی‌های ویدیویی!

کار تیمی مؤثر نه‌تنها در موقعیت‌های نجات و جراحی، بلکه در بازی‌های ویدیویی مانند “Valorant” نیز اهمیت دارد، جایی که بازیکنان به صورت مشترک باید تعیین کنند که چه کسی باید حمله کند و چه کسی باید از تیم دفاع کند. در این شرایط، دستیار هوش مصنوعی می‌تواند روی صفحه ظاهر شود و به کاربران هشدار دهد که کدام وظایف را اشتباه درک کرده‌اند.

قبل از اینکه ژانگ توسعه این مدل را رهبری کند، الگوریتمی به نام EPike طراحی کرد که می‌توانست به عنوان یک عضو تیم عمل کند. در یک برنامه شبیه‌سازی سه‌بعدی، این الگوریتم کنترل یک ربات را بر عهده داشت که باید ظرفی را به نوشیدنی انتخاب شده توسط انسان تطبیق می‌داد. اگرچه این ربات‌های شبیه‌سازی شده هوشمند بودند، اما گاهی به دلیل درک نادرست از نیت انسان‌ها یا وظیفه، دچار خطا می‌شدند. دستیار هوش مصنوعی جدید در صورت نیاز، این باورها را اصلاح کرده و اطمینان حاصل می‌کند که ربات اقدامات صحیح را انجام می‌دهد.

پروفسور برایان سی ویلیامز، یکی از اعضای CSAIL و نویسنده ارشد این پژوهش، می‌گوید: “در کارهای ما در زمینه همکاری انسان و ربات، همیشه از اینکه چقدر انسان‌ها به طور پویا با هم هماهنگ هستند، الهام گرفته‌ایم. تنها کافی است به یک زوج جوان با فرزند نگاه کنید که بدون نیاز به گفتن کلامی، با یکدیگر همکاری می‌کنند تا کودکان خود را آماده و به مدرسه بفرستند. همکاران خوب به خوبی از اهداف و باورهای یکدیگر آگاه هستند و تلاش ما برای مدل‌سازی برنامه‌ریزی معرفتی دقیقاً در همین جهت است.”

روش توسعه‌یافته توسط این محققان شامل استدلال احتمالی همراه با مدل‌سازی ذهنی بازگشتی از عوامل است که به دستیار هوش مصنوعی امکان می‌دهد تصمیمات متکی بر ریسک اتخاذ کند. علاوه بر این، آن‌ها بر مدل‌سازی درک عوامل از برنامه‌ها و اقدامات تمرکز کرده‌اند که می‌تواند به تحقیقات قبلی در زمینه مدل‌سازی باورهای مربوط به دنیای فعلی یا محیط اضافه شود.

این پست برگرفته از جدیدترین اخبار هوش مصنوعی میباشد!  لینک خبر

برای دیدن پست های قبلی سایت بنو در مورد جدیدترین رویدادهای هوش مصنوعی، به این لینک مراجعه کنین!