Views: 37
Transferência de aprendizagem, a capacidade de usar o conhecimento adquirido anteriormente a partir de um contexto em outro, poderia ensinar robôs baratos para executar, bem como aqueles caros.
Um dos desafios mais difíceis enfrentados atualmente pela robótica é fazer com que o robô funcione sem problemas fora do laboratório. Em um cenário de pesquisa, é possível equipar o robô com sensores caros e fornecer um ambiente ideal para aprender navegação. Mas no mundo real, usar os mesmos sensores seria custoso e hostil para os consumidores. Além disso, é confuso e imperfeito.
Pesquisadores da Vrije Universiteit recorreram a um tipo de aprendizado de máquina conhecido como transferência de aprendizado para ver se poderiam resolver o problema. Transferência de aprendizagem é o processo de pegar o que um algoritmo aprendeu em um contexto e aplicá-lo em outro. Ele poderia ser usado para adaptar um algoritmo que controla um robô no laboratório para que ele possa controlar um robô no mundo real. Isso significa que o robô poderia primeiro treinar com a vantagem de melhores sensores e um ambiente melhor, e depois explorar o que aprendeu mesmo quando tiver sensores baratos e um ambiente ruim.
Para testar essa ideia, os pesquisadores criaram um robô em um ambiente simulado que navegou primeiro com o auxílio de oito sensores de proximidade e depois com uma única câmera. Eles descobriram que, quando o algoritmo de controle de robô usava aprendizado de transferência para tomar decisões – apenas com acesso à câmera -, aprendia a navegar pela sala muito mais rápido do que quando não usava nenhum aprendizado de transferência. Também foi muito mais rápido do que quando utilizou a aprendizagem de transferência durante o treinamento, em vez da tomada de decisões.
Transferência de aprendizagem, a capacidade de usar o conhecimento adquirido anteriormente a partir de um contexto em outro, poderia ensinar robôs baratos para executar, bem como aqueles caros.
Source: MIT Technology Review
Faça um comentário