Хабр Курсы для всех
РЕКЛАМА
Большая витрина: от крупнейших школ до частных авторов. Сравнивайте по цене, длительности, формату и выбирайте самый подходящий курс!
Хабр доступен 24/7 благодаря поддержке друзей
Комментарии 19
Как-то не вызывает особого энтузиазма — научиться с нуля реально только если вероятность успешного действия при случайных входных параметрах достаточно велика — в перетаскивании цилиндриков попасть на плоскую грань, а шатунов — в отверстие много ума не нужно. Что-то чуть сложнее, например работа захватом с деталями сложной формы или хрупкими, или необходимость поставить деталь в определённое положение — и будет этот робот неделю тыкаться, ломать и ронять детали пока научится. Перспективнее выглядит подход с учителем, кажется такое реализовано в Baxter.
как то опасно…
Роботы сами учатся да еще совместно — обмениваясь информацией…
Роботы сами учатся да еще совместно — обмениваясь информацией…
И в чём опасность? Что манипулятор прилетит внезапно кому-нибудь по башке? Или это опять бред из серии "я посмотрел терминатора, скоро они нас всех захватят", присущий каждой теме о Deep Learning на GT?
Опасность достаточно стандартная. Непредсказуемость.
При данном обучении алгоритм действий по сути является blackbox-ом, что не позволяет ни диагностировать ошибку, ни искать ее, ни прогонять тесты по ней, поскольку причины и путь возникновения ошибки остаются в том же blackbox-е.
Упрощенно говоря если этот робот будет переходить дорогу только на зеленый свет — Вы никогда не будете знать почему он это делает, потому что он видит нижний сигнал светофора или потому что на дороге все машины стоят или потому что три муравья тащат соломинку на юг в 9 километрах от дороги.
Суть проблемы не в ошибках или злонамеренности робота, суть в самом явлении blackbox-а.
Проблема особенно усугубляется если вспомнить о big data, когда казалось бы из ничего может возникнуть довлеющая закономерность. Закономерность, которая не только просто не видна, а принципиально не отслеживаема в меру ее величины непостижимой человеческим разумом.
При данном обучении алгоритм действий по сути является blackbox-ом, что не позволяет ни диагностировать ошибку, ни искать ее, ни прогонять тесты по ней, поскольку причины и путь возникновения ошибки остаются в том же blackbox-е.
Упрощенно говоря если этот робот будет переходить дорогу только на зеленый свет — Вы никогда не будете знать почему он это делает, потому что он видит нижний сигнал светофора или потому что на дороге все машины стоят или потому что три муравья тащат соломинку на юг в 9 километрах от дороги.
Суть проблемы не в ошибках или злонамеренности робота, суть в самом явлении blackbox-а.
Проблема особенно усугубляется если вспомнить о big data, когда казалось бы из ничего может возникнуть довлеющая закономерность. Закономерность, которая не только просто не видна, а принципиально не отслеживаема в меру ее величины непостижимой человеческим разумом.
Во-первых, некоторые из алгоритмов deep learning (скажем, при sparse coding), вполне дебажатся, да и входные данные весьма понятны в таких ограниченных условиях, как рабочее пространство цеха. Во-вторых, подобного рода механизмы устанавливаются не для работы в прямом контакте с людьми, когда ошибки могут быть фатальными. В-третьих, если этот робот 99.9% работы выполняет правильно, он скорее всего справляется не хуже человека, 0.1% ему можно и простить.
Я бы больше опасался вышеописанного эффекта в алгоритмах вождения беспилотных авто. Вот там полный комплект: и непосредственная угроза жизни, и неопределённости во входных данных, и 0.1% приведших к ДТП ошибок за маршрут может быть недостаточно хорошим результатом на выборке в сотни тысяч маршрутов в месяц.
Я бы больше опасался вышеописанного эффекта в алгоритмах вождения беспилотных авто. Вот там полный комплект: и непосредственная угроза жизни, и неопределённости во входных данных, и 0.1% приведших к ДТП ошибок за маршрут может быть недостаточно хорошим результатом на выборке в сотни тысяч маршрутов в месяц.
если этот робот 99.9% работы выполняет правильно, он скорее всего справляется не хуже человека, 0.1% ему можно и проститьКстати, здесь еще один момент опять же, связанный с непредсказуемостью.
0.1% ошибок человека это «оппа уронил деталь» — это по крайней мере ожидаемо, но 0.1% ошибок робота это опять же непредсказуемость — вплоть до «забил оператора деталью».
Как раз сейчас похоже DNN/RNN/Reiforcment learning распространяются из Vision в Control.
Посмотрим что удасться, концепция спорная.
Выборка у меня, правда, ограниченная…
Посмотрим что удасться, концепция спорная.
Выборка у меня, правда, ограниченная…
Эта спорная концепция как минимум неплохо играет в го =) Жду, пока в matlab завезут все соответсвующие алгоритмы из коробки, а то мои самописные глючат слишком часто.
С го, как раз всё понятнее.
Можно использовать 3K CPU + ~300 GPU на одного игрока.
Потому что онлайн и на ход в худшем вариате минута.
А теперь автопилоты.
Бюджет по мремени микросекунды (от сенсоров зависит) для камер это 10-36 FPS.
И запускать сетку на Automotive-grade железке, пусть и специализированной — это жуть и мрак.
Потому что там и 256 RAM + 300-500 MHz на 4 ядрах + специализированные ускорители это бесконечная мощь!
Именно поэтому смотрю на попытки разработчиков из автоиндустрии и волосы шевелятся.
Но как-то это у них получается, и по разговорам на некоторых задачах NN экономнее выходит (это про Vision).
Про Control пока нормальных данных нет, всё только начинается.
Такие дела.
Можно использовать 3K CPU + ~300 GPU на одного игрока.
Потому что онлайн и на ход в худшем вариате минута.
А теперь автопилоты.
Бюджет по мремени микросекунды (от сенсоров зависит) для камер это 10-36 FPS.
И запускать сетку на Automotive-grade железке, пусть и специализированной — это жуть и мрак.
Потому что там и 256 RAM + 300-500 MHz на 4 ядрах + специализированные ускорители это бесконечная мощь!
Именно поэтому смотрю на попытки разработчиков из автоиндустрии и волосы шевелятся.
Но как-то это у них получается, и по разговорам на некоторых задачах NN экономнее выходит (это про Vision).
Про Control пока нормальных данных нет, всё только начинается.
Такие дела.
Можно еще добавить опасность сознательного вреда обучению робота. Да- да, как бы смешно не звучало- взлом программ.
Хотя нет, уже возможны и другие способы, представьте что в «тазике» с деталями для обучения (железные болты) часть сделана из пластилина. Что произойдет?
Хотя нет, уже возможны и другие способы, представьте что в «тазике» с деталями для обучения (железные болты) часть сделана из пластилина. Что произойдет?
Тесты прогнать не только можно, но и нужно, так как в машинном обучении всегда присутствуют как минимум два набора примеров (то есть наборов ситуаций в данном случае) — тренировочный и тестовый, это базовые требования данного вида обучения, без выполнения которых проявится так называемый эффект переобучения.
Нейронная сеть, если и является blackbox-ом, то не для тех, кто ее создает — на вход подаются совершенно определенные параметры. Робот, возможно увидит трех муравьев, находящихся в трех километрах, но среагирует на них в том случае, если они будут выглядеть совершенно так же, как светофор, загоревшийся зеленым светом, но тогда и человек на них тоже среагирует.
Нейронная сеть, если и является blackbox-ом, то не для тех, кто ее создает — на вход подаются совершенно определенные параметры. Робот, возможно увидит трех муравьев, находящихся в трех километрах, но среагирует на них в том случае, если они будут выглядеть совершенно так же, как светофор, загоревшийся зеленым светом, но тогда и человек на них тоже среагирует.
Но что, если задача, выполняемая роботом сводится не просто к переносу, но обработке деталей? Это сколько же заготовок он сможет запороть за время, необходимое для обучения?
«Хозяин, ошибочка вышла, но ничего страшного, я учусь. Дай мне нового оператора, а то этот сломался — вон, уже и не дышит.»
С одной стороны да — действительно интересный вариант решения проблемы приспосабливаемости.
С другой — пару недель назад незамеченной проскользнула информация, что на самом большом заводе «Мерседеса» под Штутгартом решили отказаться от роботов на главных сборочных конвейерах — и заменить их людьми, потому что те «быстрее переобучаются на другие конфигурации».
Но мы-то знаем… ;)
С другой — пару недель назад незамеченной проскользнула информация, что на самом большом заводе «Мерседеса» под Штутгартом решили отказаться от роботов на главных сборочных конвейерах — и заменить их людьми, потому что те «быстрее переобучаются на другие конфигурации».
Но мы-то знаем… ;)
Всем хороши роботы, но программировать их сущий ад, нужен грамотный специалист и куча времени на написание программы.
С таким подходом программировать роботов сможет менее квалифицированный персонал и самое главное, времени на это будет уходить меньше.
Это же мечта человечества, сказал роботу что делать, а он сам там уже думает как бы это сделать побыстрее.
С таким подходом программировать роботов сможет менее квалифицированный персонал и самое главное, времени на это будет уходить меньше.
Это же мечта человечества, сказал роботу что делать, а он сам там уже думает как бы это сделать побыстрее.
Инструктор по обучению роботов – профессия будущего.
Еще: пока консолидированные знания роботов хранятся в облаках и растят общими усилиями один большой и. интеллект, существует опасность, что однажды он будет атакован вирусом, имеющим, к примеру, свой взгляд на первый закон робототехники.
Еще: пока консолидированные знания роботов хранятся в облаках и растят общими усилиями один большой и. интеллект, существует опасность, что однажды он будет атакован вирусом, имеющим, к примеру, свой взгляд на первый закон робототехники.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Промышленный робот учится методом проб и ошибок