ٹیکنیکل گائیڈ
نقلی سیکھنا
نقلی سیکھنا ایک AI کو آزمائش اور غلطی کے انعامات سے سیکھنے کے بجائے ماہرانہ مظاہروں کی کاپی کرکے ایک کام انجام دینا سکھاتا ہے۔
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
جائزہ
It matters because for many real tasks — driving, surgery, manipulation — it is far easier to show good behavior than to write a reward function.
گہرا غوطہ
مشابہت سیکھنے میں ماہر کی ریکارڈ شدہ مثالوں سے پالیسی کی تربیت ہوتی ہے جو کسی ماحول میں کام کرتے ہیں، عام طور پر مشاہدات کے جوڑے اور ماہر کے کیے گئے اقدامات۔ سب سے آسان شکل، رویے کی کلوننگ، اسے سادہ زیر نگرانی سیکھنے کے طور پر مانتی ہے: ریاست کو دیکھتے ہوئے ماہر کی کارروائی کی پیش گوئی کریں۔ یہ دلکش ہوتا ہے جب انعامات کی وضاحت کرنا مشکل ہوتا ہے لیکن مظاہرے بہت زیادہ ہوتے ہیں، جیسا کہ انسانی اسٹیئرنگ لاگز یا ٹیلی آپریشن کے ذریعے سکھائے جانے والے روبوٹس پر تربیت یافتہ سیلف ڈرائیونگ کاروں میں۔ کلاسک کمزوری ڈسٹری بیوشن شفٹ، یا کمپاؤنڈنگ ایرر ہے: چھوٹی پیشین گوئی کی غلطیاں ایجنٹ کو ایسی ریاستوں میں دھکیل دیتی ہیں جہاں ماہر نے کبھی دورہ نہیں کیا تھا، جہاں اس کی کوئی رہنمائی نہیں ہوتی اور وہ آگے بڑھ جاتا ہے۔ ڈیگر جیسے طریقے ماہر سے بار بار ان ریاستوں کے بارے میں استفسار کرکے اسے ٹھیک کرتے ہیں جہاں سیکھنے والا حقیقت میں پہنچتا ہے۔
حقیقی دنیا کا نفاذ
لاگ ان انسانی ڈرائیونگ پر تربیت یافتہ سیلف ڈرائیونگ کار پرسیپشن ٹو اسٹیئرنگ ماڈلز
روبوٹ کے ہتھیار ٹیلی آپریٹڈ مظاہروں سے لانڈری یا اشیاء کو اسٹیک کرنا سیکھ رہے ہیں۔
گیم کھیلنے والے ایجنٹوں کو RL کے ساتھ ٹھیک ٹیوننگ سے پہلے ریکارڈ شدہ انسانی ری پلے سے بوٹسٹریپ کیا جاتا ہے۔
جراحی اور معاون روبوٹ ماہر آپریٹر کے مظاہروں سے حرکات سیکھ رہے ہیں۔
تقلید سیکھنے کا مستقبل
روبوٹ فاؤنڈیشن ماڈلز کے عروج کے لیے مشابہت سیکھنا مرکزی حیثیت رکھتا ہے، جہاں ایک ہی پالیسی کو بہت بڑے ملٹی ٹاسک ٹیلی آپریشن ڈیٹا سیٹس پر تربیت دی جاتی ہے اور نئی مہارتوں کے لیے بہتر بنایا جاتا ہے۔ زبان اور وژن کے ساتھ سخت فیوژن کی توقع کریں تاکہ روبوٹ ویڈیوز یا ہدایات سے نقل کریں، نیز ہائبرڈ جو کلوننگ کے ساتھ بوٹسٹریپ کرتے ہیں پھر کمک سیکھنے کے ذریعے بہتر ہوتے ہیں۔ تخروپن اور کراؤڈ سورس ہیومن پلے ڈیٹا کے ذریعے سستے طریقے سے مظاہرے کے جمع کرنے کی پیمائش کرنا، کلیدی رکاوٹ اور فعال محاذ بنا ہوا ہے۔
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- لاگت اور بجٹ. فن تعمیر کے فیصلے سالوں تک کارکردگی اور آپریٹنگ لاگت کو آگے بڑھاتے ہیں۔
- واضح فیصلے. تکنیکی تعلیم ٹیموں کو صحیح اسٹیک منتخب کرنے میں مدد کرتی ہے، نہ صرف جدید ترین۔
- کوالٹی کنٹرول. انجینئرنگ کے بہتر انتخاب پیداوار میں قابل اعتماد واقعات کو کم کرتے ہیں۔
پر نگاہ رکھیں
- ایک بینچ مارک کو بہتر بنانا نظام کی وسیع تر کمزوریوں کو چھپا سکتا ہے۔
- بنیادی ڈھانچے اور دیکھ بھال کے اخراجات کو اکثر کم سمجھا جاتا ہے۔
- سیکورٹی اور مشاہداتی فرق بڑھ سکتا ہے کیونکہ نظام زیادہ پیچیدہ ہو جاتا ہے۔
اگلے اقدامات
- نفاذ سے پہلے تاخیر، معیار اور لاگت کے اہداف کی وضاحت کریں۔
- حقیقت پسندانہ بوجھ اور ڈیٹا کی شرائط کے تحت بینچ مارک۔
- غلطیوں، بڑھے ہوئے، اور صارف کے اثرات کے لیے آلے کی نگرانی۔
- اسکیلنگ سے پہلے رول بیک اور واقعہ کے ردعمل کے راستے تیار کریں۔
دریافت کرتے رہیں
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Imitation Learning quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
اکثر پوچھے گئے سوالات
What is Imitation Learning?
نقلی سیکھنا ایک AI کو آزمائش اور غلطی کے انعامات سے سیکھنے کے بجائے ماہرانہ مظاہروں کی کاپی کرکے ایک کام انجام دینا سکھاتا ہے۔ یہ اہمیت رکھتا ہے کیونکہ بہت سے حقیقی کاموں - ڈرائیونگ، سرجری، ہیرا پھیری - کے لیے انعامی فنکشن لکھنے کے مقابلے میں اچھا برتاؤ دکھانا بہت آسان ہے۔
In imitation learning, how does an agent acquire its behavior?
مشابہت سیکھنا ایک ایجنٹ کو تربیت دیتا ہے کہ وہ ماہرانہ مظاہروں میں دکھائے گئے رویے کو دوبارہ پیش کرے نہ کہ انعام سے چلنے والی آزمائش اور غلطی کے ذریعے رویے کو دریافت کرے۔
طرز عمل کی کلوننگ مشابہت سیکھنے کو کس قسم کا مسئلہ بناتی ہے؟
طرز عمل کی کلوننگ مظاہروں کو لیبل لگائے گئے ڈیٹا کے طور پر دیکھتی ہے اور ہر مشاہدہ شدہ حالت کے لیے ماہر کی کارروائی کی پیشین گوئی کرنا سیکھتی ہے، بالکل ایسے ہی جیسے زیر نگرانی تعلیم۔
طویل کارروائی کے سلسلے میں رویے کی کلوننگ کے ناکام ہونے کا کیا مسئلہ ہے؟
چھوٹی چھوٹی غلطیاں ایجنٹ کو ایسی ریاستوں میں دھکیل دیتی ہیں جس کا ماہر نے کبھی مظاہرہ نہیں کیا۔ بغیر کسی رہنمائی کے، غلطیاں جمع ہو جاتی ہیں اور ایجنٹ ماہر کی رفتار سے مزید دور ہو جاتا ہے۔
ڈیگر الگورتھم اس کمزوری کو کیسے دور کرتا ہے؟
ڈیگر موجودہ پالیسی کو رول آؤٹ کرتا ہے، ماہر کے پاس نئی آنے والی ریاستوں پر لیبل لگا ہوا ہے، اور مجموعی ڈیٹاسیٹ پر دوبارہ تربیت دیتا ہے تاکہ تربیتی ڈیٹا سیکھنے والے کی اپنی ریاستی تقسیم سے میل کھاتا ہے۔
نقلی سیکھنے کو اکثر ڈرائیونگ جیسے کاموں کے لیے کمک سیکھنے پر ترجیح کیوں دی جاتی ہے؟
پیچیدہ حقیقی دنیا کے کاموں کے لیے، اچھے رویے کو حاصل کرنے والا انعام لکھنا مشکل ہے، جبکہ اچھے برتاؤ کی مثالیں دکھانا (انسانی ڈرائیونگ لاگز) نسبتاً آسان ہے۔
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔