Video atskleidžia nustebinančius mokymosi iššūkius A.I. suknelė pati

$config[ads_kvadrat] not found

Python Exercise 1 : Finding IP (Internet Protocol) Address with Python!!!

Python Exercise 1 : Finding IP (Internet Protocol) Address with Python!!!
Anonim

Crawling į marškinėliai gali būti viena iš nedaugelio užduočių, kurias mes, žmonės, galime padaryti, net ir vos pabudę ir vis dar įbrėždami miego iš mūsų akių. Tačiau tai, kad mes įsisavinome, kaip apsirengti sau (daugiau ar mažiau), mano, kad sudėtinga judesių serija, reikalinga, kad būtų galima išeiti iš buferio į pakankamai apsirengusius išeiti iš durų.

Vienas žmogus, kuris tai supranta, taip pat kiekvienas yra Alex Clegg, kompiuterių mokslų daktaras. Gruzijos technologijos instituto studentas, kuris daugiausia dėmesio skyrė mašininio mokymosi naudojimui dirbtiniu intelektu, kaip apsirengti. Kaip jis sako Inversinis, o A.I. yra pakankamai protingas, kad būtų galima prognozuoti, kurie pacientai sepse gaus, arba kaip iššūkis pasaulio čempionams sudėtinguose strateginiuose žaidimuose, mokymo mašinos, kaip įdėti į marškinius, pasirodė esąs sunkus tikslas.

„Audinys yra sudėtingas“, - paaiškina jis el. „Jis gali greitai ir drastiškai reaguoti į nedidelius kūno padėties pasikeitimus ir dažnai suvaržyti judesius.“ Drabužiai taip pat turi tendenciją sulenkti, klijuoti ir prilipti prie kūno, todėl atliekant užduotį būtinas haptinis ar jutimas. “

Taigi, kodėl, būtent, yra kompiuterio švilpimas, bandantis sugriauti, kaip mes renkamės ryte? Clegg paaiškino, kad yra keletas galimų A.I. tai supranta apgaulingai paprastą pasirodymą apsirengusią meną. Per trumpą laiką „Clegg“ išvados gali būti panaudotos tam, kad kasdien spartėtų gyvų 3D animacijų kūrimas. Bet dar svarbiau, kad šios įžvalgos galėtų padėti sukurti pagalbinius robotus, kurie gali padėti rūpintis jaunais ir senais žmonėmis.

Mokslininkai pradėjo mokyti kompiuterį, kaip įgyti ranką į rankovę. Straipsnyje, kuris bus pristatytas artėjančioje SIGGRAPH Asia 2018 konferencijoje dėl kompiuterinės grafikos gruodžio mėnesį, Clegg ir jo kolegos paaiškino tiksliai naudojamą techniką - mašininio mokymosi, vadinamo „giliu sustiprintu mokymusi“, tipą.

Glaudesnio mokymosi tikslas - išbandyti ir mokyti robotus, kaip užbaigti tam tikrus judesius ir užduotis, kai jie vėl ir vėl atlieka. Persirengimo A.I. atveju Clegg komanda turėjo A.I. stebėti virtualią proceso aplinką, ją pakartoti ir tada jį apdovanoti, kai atrodė, kad jis yra teisingame kelyje.

„Clegg“ paaiškino, kad tam, kad dešros formos animacinis personažas sukurtų, kaip įdėti į striukę ar marškinėlius, prireikė šimtų tūkstančių bandymų. Galų gale, jų botas turėjo išmokti, kaip suvokti prisilietimą, kad jis galėtų ištempti marškinius, kai to reikia. Be to, jie taip pat turėjo įtraukti fizikos variklį, kad modeliavimas būtų kuo tikslesnis.

Galų gale, Clegg neveiksmingas, animuotas sūnus sugebėjo sužinoti, kaip įsijungti savo marškinėlį, net jei nežymus. Vis dėlto rezultatai gali būti naudingiausi kaip įrodymas, kaip giliai mokytis galima panaudoti niuansuotas problemas.

„Įdomu įsivaizduoti daugybę problemų, kurias galime išspręsti giliai sustiprintu mokymu“, - sako jis. „Mes tikimės tęsti darbą siekiant robotų ir rasti sprendimus didelėms problemoms, kurios daro įtaką tiek daugelio žmonių kasdieniam gyvenimui.“

Šio tyrimo išvadų konvertavimas į darbą su robotika užtruks šiek tiek daugiau darbo, kad suderintų tiek programinės įrangos, tiek aparatūros aspektus. Tačiau „Clegg“ išvados suteikia kelią tyrėjams, norintiems atlaisvinti mūsų futuristinius robotų prižiūrėtojus nuo dabartinių apribojimų.

$config[ads_kvadrat] not found