नकल सीखना
नकल सीखना एआई को परीक्षण-और-त्रुटि पुरस्कारों से सीखने के बजाय विशेषज्ञ प्रदर्शनों की नकल करके कार्य करना सिखाता है।
सिंहावलोकन
It matters because for many real tasks — driving, surgery, manipulation — it is far easier to show good behavior than to write a reward function.
गहरा गोता
नकल सीखना एक वातावरण में कार्य करने वाले विशेषज्ञ के रिकॉर्ड किए गए उदाहरणों, आमतौर पर टिप्पणियों के जोड़े और विशेषज्ञ द्वारा किए गए कार्यों से एक नीति तैयार करता है। सबसे सरल रूप, व्यवहारिक क्लोनिंग, इसे सादे पर्यवेक्षित शिक्षण के रूप में मानता है: स्थिति को देखते हुए विशेषज्ञ की कार्रवाई की भविष्यवाणी करें। यह तब आकर्षक होता है जब पुरस्कार निर्दिष्ट करना कठिन होता है लेकिन प्रदर्शन प्रचुर मात्रा में होते हैं, जैसे मानव स्टीयरिंग लॉग पर प्रशिक्षित स्व-ड्राइविंग कारों या टेलीऑपरेशन द्वारा सिखाए गए रोबोटों में। क्लासिक कमज़ोरी वितरण बदलाव, या कंपाउंडिंग त्रुटि है: छोटी-छोटी भविष्यवाणी गलतियाँ एजेंट को उन राज्यों में धकेल देती हैं जहाँ विशेषज्ञ कभी नहीं गया था, जहाँ उसके पास कोई मार्गदर्शन नहीं होता है और वह अपने रास्ते से भटक जाता है। डीएगर जैसी विधियां विशेषज्ञ से बार-बार उन राज्यों के बारे में पूछताछ करके इसे ठीक करती हैं जहां शिक्षार्थी वास्तव में पहुंचता है।
तकनीकी अंतर्दृष्टि
व्यवहारिक क्लोनिंग पूर्वानुमानित और प्रदर्शित क्रियाओं के बीच पर्यवेक्षित हानि को कम करता है, लेकिन यह मानता है कि राज्य स्वतंत्र और समान रूप से वितरित हैं - अनुक्रमिक नियंत्रण में गलत। डीएगर (डेटासेट एकत्रीकरण) वर्तमान नीति को पुनरावृत्त रूप से लागू करके, विशेषज्ञ से विज़िट किए गए राज्यों को लेबल करने के लिए कहकर, और बढ़ते एकत्रित डेटासेट पर पुनः प्रशिक्षण देकर इस धारणा को तोड़ता है। यह प्रशिक्षण डेटा को शिक्षार्थी के स्वयं के राज्य वितरण के साथ संरेखित रखता है, जिससे लंबे समय तक कंपाउंडिंग त्रुटि में नाटकीय रूप से कमी आती है।
सामरिक प्रभाव
लागत और बजट
वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
स्पष्ट निर्णय
तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
गुणवत्ता नियंत्रण
बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
नकल सीखने का भविष्य
रोबोट फाउंडेशन मॉडल के उदय के लिए नकल सीखना केंद्रीय है, जहां एक एकल नीति को विशाल मल्टी-टास्क टेलीऑपरेशन डेटासेट पर प्रशिक्षित किया जाता है और नए कौशल के लिए ठीक किया जाता है। भाषा और दृष्टि के साथ सघन संलयन की अपेक्षा करें ताकि रोबोट वीडियो या निर्देशों से नकल करें, साथ ही हाइब्रिड जो क्लोनिंग के साथ बूटस्ट्रैप करें और फिर सुदृढीकरण सीखने के माध्यम से परिष्कृत करें। सिमुलेशन और क्राउडसोर्स्ड ह्यूमन प्ले डेटा के माध्यम से प्रदर्शन संग्रह को सस्ते में बढ़ाना प्रमुख बाधा और सक्रिय सीमा बनी हुई है।
वास्तविक विश्व कार्यान्वयन
सेल्फ-ड्राइविंग कार परसेप्शन-टू-स्टीयरिंग मॉडल को लॉग ह्यूमन ड्राइविंग पर प्रशिक्षित किया गया
रोबोट हथियार टेलीऑपरेटेड प्रदर्शनों से कपड़े धोने या वस्तुओं को ढेर करना सीख रहे हैं
आरएल के साथ फाइन-ट्यूनिंग से पहले गेम खेलने वाले एजेंटों ने रिकॉर्ड किए गए मानव रिप्ले से बूटस्ट्रैप किया
सर्जिकल और सहायक रोबोट विशेषज्ञ ऑपरेटर प्रदर्शनों से गति सीख रहे हैं
जोखिम और रेलिंग
एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
कार्यान्वयन रोडमैप
कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Imitation Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
ऑफ़लाइन सुदृढीकरण सीखना
अक्सर पूछे जाने वाले प्रश्नों
What is Imitation Learning?
नकल सीखना एआई को परीक्षण-और-त्रुटि पुरस्कारों से सीखने के बजाय विशेषज्ञ प्रदर्शनों की नकल करके कार्य करना सिखाता है। यह मायने रखता है क्योंकि कई वास्तविक कार्यों - ड्राइविंग, सर्जरी, हेरफेर - के लिए इनाम समारोह लिखने की तुलना में अच्छा व्यवहार दिखाना कहीं अधिक आसान है।
अनुकरण सीखने के पीछे मूल विचार क्या है?
नकल सीखना एक एजेंट को इनाम-संचालित परीक्षण और त्रुटि के माध्यम से व्यवहार की खोज करने के बजाय विशेषज्ञ प्रदर्शनों में दिखाए गए व्यवहार को पुन: पेश करने के लिए प्रशिक्षित करता है।
व्यवहारिक क्लोनिंग अनुकरण सीखने को किस प्रकार की समस्या के रूप में प्रस्तुत करती है?
व्यवहारिक क्लोनिंग प्रदर्शनों को लेबल किए गए डेटा के रूप में मानता है और पर्यवेक्षित शिक्षण की तरह, प्रत्येक देखी गई स्थिति के लिए विशेषज्ञ की कार्रवाई की भविष्यवाणी करना सीखता है।
कौन सी समस्या लंबे एक्शन दृश्यों के दौरान व्यवहारिक क्लोनिंग के विफल होने का कारण बनती है?
छोटी कार्रवाई संबंधी त्रुटियां एजेंट को उन स्थितियों में धकेल देती हैं जिन्हें विशेषज्ञ ने कभी प्रदर्शित नहीं किया; वहां कोई मार्गदर्शन नहीं होने से, त्रुटियां जमा हो जाती हैं और एजेंट विशेषज्ञ के प्रक्षेप पथ से और दूर चला जाता है।
डैगर एल्गोरिदम उस कमजोरी को कैसे संबोधित करता है?
डैगर वर्तमान नीति को लागू करता है, विशेषज्ञ नए दौरे वाले राज्यों को लेबल करता है, और एकत्रित डेटासेट पर पुनः प्रशिक्षण देता है ताकि प्रशिक्षण डेटा शिक्षार्थी के अपने राज्य वितरण से मेल खाए।
ड्राइविंग जैसे कार्यों के लिए अक्सर सुदृढीकरण सीखने की तुलना में अनुकरण सीखना क्यों पसंद किया जाता है?
जटिल वास्तविक दुनिया के कार्यों के लिए, अच्छे व्यवहार को दर्शाने वाला पुरस्कार लिखना कठिन है, जबकि अच्छे व्यवहार (मानव ड्राइविंग लॉग) के उदाहरण दिखाना तुलनात्मक रूप से आसान है।