UNIVERSITY OF WASHINGTON
Έχοντας τη δυνατότητα να «αντλήσει» πληροφορίες από πάνω από 100 μοντέλα κάθε μορφής που υπήρχε στην κατασκευή (που περιελάμβανε ένα αυτοκίνητο, μία χελώνα, ένα φίδι κ.α.), το ρομπότ έψαξε τα καλύτερα μοντέλα για να ανακατασκευάσει βάσει της δυσκολίας κατασκευής, του βαθμοί ομοιότητας με το αυθεντικό και τις αξιολογήσεις που έδωσε η ίδια κοινότητα.
Η εκμάθηση μέσω μίμησης ανθρώπινης δραστηριότητας είναι μία αποδεδειγμένα αποτελεσματική μέθοδος «εκπαίδευσης» ενός ρομπότ πάνω στην πραγματοποίηση εργασιών, αλλά μπορεί να απαιτήσει πολύ μεγάλο χρονικό διάστημα. Ωστόσο, εάν το ρομπότ μπορούσε να μάθει κάποια «βασικά» βήματα και στη συνέχεια να ρωτήσει την online κοινότητα για επιπλέον πληροφορίες, τότε θα μπορούσε να συλλέξει επιπλέον δεδομένα σχετικά με το πώς θα ολοκληρώσει τη δουλειά του σωστά και αποτελεσματικά.
«Επειδή τα ρομπότ μας χρησιμοποιούν τεχνικές machine learning, απαιτούν πολλά δεδομένα για να δημιουργήσουν ακριβή μοντέλα της αποστολής. Όσο περισσότερα δεδομένα έχουν, τόσο καλύτερα μοντέλα μπορούν να φτιάξουν. Η λύση μας είναι να παίρνουν αυτά τα δεδομένα μέσω crowdsourcing» αναφέρει η Μάγια Κάκμακ, επίκουρη καθηγήτρια επιστήμης υπολογιστών και μηχανολογίας του UW.
Στο πλαίσιο της μελέτης δόθηκε η δυνατότητα πρόσβασης στην online crowdsourcing κοινότητα για τον σκοπό τη εκπαίδευσης ενός ρομπότ πάνω στη διαδικασίας δημιουργίας μοντέλων. Ξεκινώντας, οι συμμετέχοντες στη μελέτη έφτιαξαν ένα μεμονωμένο μοντέλο από τουβλάκια Lego. Στη συνέχεια ζήτησαν από ένα ρομπότ να φτιάξει ένα παρόμοιο. Το αποτέλεσμα δεν ήταν το επιθυμητό, καθώς τα παραδείγματα που είχαν δοθεί στο ρομπότ από τους συμμετέχοντες ήταν ανεπαρκή.
Για τη συλλογή επιπλέον δεδομένων για την κατασκευή των αντικειμένων/ μοντέλων, τα ρομπότ της έρευνας στράφηκαν στο κοινό: ειδικότερα «προσελήφθησαν» άτομα μέσω του Amazon Mechanical Turk (ιστοσελίδα crowsourcing), για τη δημιουργία παρόμοιων κατασκευών. Έχοντας τη δυνατότητα να «αντλήσει» πληροφορίες από πάνω από 100 μοντέλα κάθε μορφής που υπήρχε στην κατασκευή (που περιελάμβανε ένα αυτοκίνητο, μία χελώνα, ένα φίδι κ.α.), το ρομπότ έψαξε τα καλύτερα μοντέλα για να ανακατασκευάσει βάσει της δυσκολίας κατασκευής, του βαθμοί ομοιότητας με το αυθεντικό και τις αξιολογήσεις που έδωσε η ίδια κοινότητα. Στη συνέχεια, το ρομπότ έφτιαξε τα καλύτερα δυνατά μοντέλα.