क्या हुआ?
एमआईटी शोधकर्ताओं ने हार्डफ्लो विकसित किया है, जो गैर-परक्राम्य सुरक्षा, भौतिक या कार्य-विशिष्ट आवश्यकताओं के तहत काम करने वाले जेनेरिक एआई मॉडल के लिए एक तैनाती-समय एल्गोरिदम है। यह विधि मध्यवर्ती पीढ़ी के चरणों को अधिक स्वतंत्रता देती है, फिर कठिन बाधाओं को पूरा करने के लिए अंतिम आउटपुट को संचालित करती है। एमआईटी रोबोटिक हेरफेर, भूलभुलैया नेविगेशन और टेक्स्ट-निर्देशित छवि संपादन में प्रयोगों की रिपोर्ट करता है, जहां हार्डफ्लो ने आवश्यक बाधाओं को पूरा किया और समाधान-गुणवत्ता उपायों पर आधारभूत तरीकों से बेहतर प्रदर्शन किया।
तकनीक इष्टतम-नियंत्रण विधियों का उपयोग करके प्रक्षेपवक्र-अनुकूलन समस्या के रूप में कठिन-बाधित नमूने को पुन: तैयार करती है। प्रत्येक मध्यवर्ती नमूने को बाधाओं को पूरा करने के लिए मजबूर करने के बजाय, हार्डफ्लो पीढ़ी प्रक्षेपवक्र को चलाता है और अंतिम आउटपुट को व्यवहार्य बनाने की आवश्यकता होती है। शोधकर्ताओं का कहना है कि यह पीढ़ी के दौरान अधिक स्वतंत्रता बरकरार रखता है और अतिरिक्त उद्देश्यों की अनुमति देता है, जैसे रोबोट की पथ लंबाई को कम करना।
सूत्र का कहना है कि टीम ने बड़ी अनुकूलन समस्या को छोटे एकल-चरण उप-समस्याओं में तोड़ने के लिए प्रवाह-मिलान मॉडल की संरचना का उपयोग किया। यह रिपोर्ट करता है कि हार्डफ्लो ने रोबोटिक हेरफेर, भूलभुलैया नेविगेशन और टेक्स्ट-निर्देशित छवि संपादन में प्रयोगों में पूर्ण बाधा संतुष्टि हासिल की, जबकि समाधान-गुणवत्ता उपायों पर बेसलाइन तरीकों से लगातार बेहतर प्रदर्शन किया। सूत्र का यह भी कहना है कि इसकी गणना का समय अधिकांश प्रतिस्पर्धी तरीकों के बराबर या उससे कम था। कोई संख्यात्मक परिणाम, नामित बेसलाइन, कोड रिलीज़, या मॉडल-एक्सेस विवरण प्रदान नहीं किए गए हैं।
यह क्यों मायने रखता है?
जनरेटिव मॉडल जो लगभग सही हैं, अभी भी लोगों या मशीनों के आसपास रोबोट नेविगेशन जैसी सेटिंग्स में असुरक्षित हो सकते हैं। हार्डफ़्लो एक केंद्रीय परिनियोजन समस्या का समाधान करता है: बेहतर समाधानों के लिए मॉडल की खोज को अनावश्यक रूप से सीमित किए बिना बाधाओं को लागू करना। यदि रिपोर्ट किए गए परिणाम सामान्यीकृत होते हैं, तो विधि टीमों को व्यवहार्यता और अनुकूलन दोनों की आवश्यकता वाले अनुप्रयोगों में पूर्व-प्रशिक्षित जेनेरिक मॉडल का उपयोग करने में मदद कर सकती है, जैसे कि छोटे रोबोट प्रक्षेपवक्र के साथ टकराव से बचाव। स्रोत वास्तविक दुनिया के उत्पादन प्रदर्शन, स्वतंत्र सत्यापन या व्यापक उपलब्धता को स्थापित नहीं करता है।
व्यावहारिक मुद्दा यह है कि अकेले सुरक्षा आवश्यकताओं को पूरा करने से अकुशल या अन्यथा खराब परिणाम उत्पन्न हो सकता है, जबकि सख्त प्रवर्तन के बिना गुणवत्ता का अनुकूलन अस्वीकार्य विफलताओं का उत्पादन कर सकता है। एमआईटी के उदाहरण रोबोट पथ योजना के माध्यम से ट्रेडऑफ़ को फ्रेम करते हैं: एक पथ जो लगभग किसी बाधा से बचता है वह अभी भी टकराव का कारण बन सकता है, जबकि एक भारी बाधित विधि को बहुत लंबा मार्ग मिल सकता है।
हार्डफ्लो को प्लग-एंड-प्ले के रूप में वर्णित किया गया है और पूर्व-प्रशिक्षित जेनरेटर मॉडल के साथ तैनाती के समय प्रयोग करने योग्य है, जो एक नई बाधा पेश होने पर पुन: प्रशिक्षण की आवश्यकता को कम कर सकता है। यह स्रोत का दावा है, स्वतंत्र रूप से स्थापित परिणाम नहीं। आलेख कार्यान्वयन आवश्यकताओं, लाइसेंसिंग, समर्थित हार्डवेयर, या अनुसंधान समूह के बाहर के संगठन अब विधि का उपयोग कर सकते हैं या नहीं निर्दिष्ट नहीं करता है।
इंटरैक्टिव तंत्र: यह वास्तव में कैसे काम करता है
इस विकास के पीछे अंतर्निहित प्रौद्योगिकी का अंतःक्रियात्मक रूप से अन्वेषण करें।
Which component of an AI application is the machine-learning model itself?
आगे क्या देखना है
मुख्य खुले प्रश्न यह हैं कि क्या हार्डफ्लो सार्वजनिक रूप से उपलब्ध है, यह व्यवहार में किस पूर्व-प्रशिक्षित मॉडल और बाधा प्रकारों का समर्थन करता है, और इसकी कम्प्यूटेशनल लागत बड़े सिस्टम या अधिक जटिल वातावरण के साथ कैसे बदलती है। आगे का काम बाधा प्रवर्तन के साथ-साथ अंतर्निहित मॉडल को अद्यतन करने की अनुमति दे सकता है। यह निर्धारित करने के लिए स्वतंत्र परीक्षण और परिनियोजन साक्ष्य की आवश्यकता होगी कि रिपोर्ट किए गए परिणाम स्रोत के प्रयोगों से परे स्थानांतरित होते हैं या नहीं।
स्रोत के अनुसार, यह शोध पैटर्न विश्लेषण और मशीन इंटेलिजेंस पर आईईईई लेनदेन में दिखाई देता है। अनुवर्ती कार्य से उन सेटिंग्स की जांच करने की अपेक्षा की जाती है जहां एआई मॉडल को स्वयं अद्यतन किया जा सकता है, जिससे समय के साथ बाधा संतुष्टि और आउटपुट गुणवत्ता दोनों में संभावित सुधार हो सकता है।
महत्वपूर्ण अज्ञात में नियंत्रित प्रयोगों के बाहर भौतिक रोबोटों पर प्रदर्शन, अधूरी या बदलती पर्यावरणीय जानकारी के तहत व्यवहार, कठिन बाधाओं के प्रकार जिन्हें विश्वसनीय रूप से एन्कोड किया जा सकता है, और बड़े तंत्रिका नेटवर्क तक स्केलिंग शामिल हैं। स्रोत कोई मूल्य निर्धारण या वाणिज्यिक-पहुंच जानकारी प्रदान नहीं करता है और स्वतंत्र प्रतिकृति या सुरक्षा प्रमाणीकरण की रिपोर्ट नहीं करता है।