ຄຳຕອບສັ້ນໆ: ຫຸ່ນຍົນໃຊ້ AI ເພື່ອແລ່ນວົງຈອນການຮັບຮູ້, ຄວາມເຂົ້າໃຈ, ການວາງແຜນ, ການກະທຳ ແລະ ການຮຽນຮູ້ຢ່າງຕໍ່ເນື່ອງ, ດັ່ງນັ້ນພວກມັນຈຶ່ງສາມາດເຄື່ອນຍ້າຍ ແລະ ເຮັດວຽກໄດ້ຢ່າງປອດໄພໃນສະພາບແວດລ້ອມທີ່ວຸ້ນວາຍ ແລະ ມີການປ່ຽນແປງ. ເມື່ອເຊັນເຊີມີສຽງດັງ ຫຼື ຄວາມໝັ້ນໃຈຫຼຸດລົງ, ລະບົບທີ່ອອກແບບມາເປັນຢ່າງດີຈະຊ້າລົງ, ຢຸດຢ່າງປອດໄພ, ຫຼື ຂໍຄວາມຊ່ວຍເຫຼືອແທນທີ່ຈະຄາດເດົາ.
ບົດຮຽນຫຼັກ:
ວົງວຽນຄວາມເປັນເອກະລາດ : ສ້າງລະບົບທີ່ອ້ອມຮອບ ການຮັບຮູ້-ເຂົ້າໃຈ-ວາງແຜນ-ປະຕິບັດ-ຮຽນຮູ້, ບໍ່ແມ່ນຮູບແບບດຽວ.
ຄວາມທົນທານ : ອອກແບບມາເພື່ອຮັບມືກັບແສງຈ້າ, ຄວາມວຸ້ນວາຍ, ການເລື່ອນ, ແລະ ການເຄື່ອນຍ້າຍຂອງຄົນທີ່ຄາດເດົາບໍ່ໄດ້.
ຄວາມບໍ່ແນ່ນອນ : ສະແດງຄວາມໝັ້ນໃຈອອກມາ ແລະ ນຳໃຊ້ມັນເພື່ອກະຕຸ້ນພຶດຕິກຳທີ່ປອດໄພກວ່າ ແລະ ລະມັດລະວັງຫຼາຍຂຶ້ນ.
ບັນທຶກຄວາມປອດໄພ : ບັນທຶກການກະທຳ ແລະ ສະພາບການ ເພື່ອໃຫ້ສາມາດກວດສອບ ແລະ ແກ້ໄຂຄວາມລົ້ມເຫຼວໄດ້.
Hybrid stack : ສົມທົບ ML ກັບຂໍ້ຈຳກັດທາງຟີຊິກ ແລະ ການຄວບຄຸມແບບຄລາສສິກເພື່ອຄວາມໜ້າເຊື່ອຖື.
ຂ້າງລຸ່ມນີ້ແມ່ນພາບລວມຂອງວິທີທີ່ AI ປາກົດຢູ່ໃນຫຸ່ນຍົນເພື່ອເຮັດໃຫ້ພວກມັນເຮັດວຽກໄດ້ຢ່າງມີປະສິດທິພາບ.
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 ເມື່ອຫຸ່ນຍົນຂອງ Elon Musk ຄຸກຄາມວຽກເຮັດງານທຳ
ສິ່ງທີ່ຫຸ່ນຍົນຂອງ Tesla ສາມາດເຮັດໄດ້ ແລະ ບົດບາດໃດອາດຈະປ່ຽນແປງ.
🔗 AI ຫຸ່ນຍົນຮູບຮ່າງຄ້າຍຄືກັບມະນຸດແມ່ນຫຍັງ
ຮຽນຮູ້ວິທີທີ່ຫຸ່ນຍົນຮູບຮ່າງຄ້າຍຄືມະນຸດຮັບຮູ້, ເຄື່ອນໄຫວ ແລະ ປະຕິບັດຕາມຄຳແນະນຳ.
🔗 ວຽກໃດແດ່ທີ່ AI ຈະທົດແທນ
ບົດບາດທີ່ມີຄວາມສ່ຽງຫຼາຍທີ່ສຸດຕໍ່ລະບົບອັດຕະໂນມັດ ແລະ ທັກສະທີ່ຍັງຄົງມີຄຸນຄ່າຢູ່.
🔗 ວຽກເຮັດງານທຳດ້ານປັນຍາປະດິດ ແລະ ອາຊີບໃນອະນາຄົດ
ເສັ້ນທາງອາຊີບ AI ໃນປະຈຸບັນ ແລະ ວິທີທີ່ AI ປັບປ່ຽນແນວໂນ້ມການຈ້າງງານ.
ຫຸ່ນຍົນໃຊ້ AI ແນວໃດ? ຮູບແບບທາງຈິດໃຈທີ່ວ່ອງໄວ
ຫຸ່ນຍົນສ່ວນໃຫຍ່ທີ່ໃຊ້ AI ຈະປະຕິບັດຕາມວົງຈອນແບບນີ້:
-
ເຊັນເຊີ 👀: ກ້ອງຖ່າຍຮູບ, ໄມໂຄຣໂຟນ, LiDAR, ເຊັນເຊີແຮງ, ຕົວເຂົ້າລະຫັດລໍ້, ແລະອື່ນໆ.
-
ເຂົ້າໃຈ 🧠: ກວດຈັບວັດຖຸ, ປະເມີນຕຳແໜ່ງ, ຮັບຮູ້ສະຖານະການ, ແລະ ຄາດເດົາການເຄື່ອນໄຫວ.
-
ວາງແຜນ 🗺️: ເລືອກເປົ້າໝາຍ, ຄິດໄລ່ເສັ້ນທາງທີ່ປອດໄພ, ກຳນົດເວລາໜ້າວຽກ.
-
ການກະທຳ 🦾: ສ້າງຄຳສັ່ງມໍເຕີ, ຈັບ, ກິ້ງ, ສົມດຸນ, ຫຼີກລ່ຽງອຸປະສັກ.
-
ຮຽນຮູ້ 🔁: ປັບປຸງການຮັບຮູ້ ຫຼື ພຶດຕິກຳຈາກຂໍ້ມູນ (ບາງຄັ້ງກໍ່ອອນໄລນ໌, ມັກຈະອອບລາຍ).
“AI” ຫຸ່ນຍົນຫຼາຍອັນແມ່ນການຊ້ອນກັນຂອງຊິ້ນສ່ວນຕ່າງໆທີ່ເຮັດວຽກຮ່ວມກັນ - ການຮັບຮູ້ , ການປະເມີນສະພາບ , ການວາງແຜນ ແລະ ການຄວບຄຸມ - ເຊິ່ງລວມກັນລວມເຂົ້າກັນເປັນຄວາມເປັນເອກະລາດ.
ຄວາມເປັນຈິງ “ພາກສະໜາມ” ທີ່ໃຊ້ໄດ້ຈິງຢ່າງໜຶ່ງ: ສ່ວນທີ່ຍາກມັກຈະບໍ່ແມ່ນການໃຫ້ຫຸ່ນຍົນເຮັດບາງສິ່ງບາງຢ່າງຄັ້ງດຽວໃນການສາທິດທີ່ສະອາດ - ແຕ່ແມ່ນການໃຫ້ມັນເຮັດສິ່ງງ່າຍໆແບບດຽວກັນ ຢ່າງໜ້າເຊື່ອຖື ເມື່ອໄຟປ່ຽນ, ລໍ້ເລື່ອນ, ພື້ນເຫຼື້ອມ, ຊັ້ນວາງໄດ້ເຄື່ອນຍ້າຍ, ແລະຄົນຍ່າງຄືກັບ NPC ທີ່ຄາດເດົາບໍ່ໄດ້.
ສິ່ງທີ່ເຮັດໃຫ້ສະໝອງ AI ທີ່ດີສຳລັບຫຸ່ນຍົນ
ການຕັ້ງຄ່າ AI ຫຸ່ນຍົນທີ່ແຂງແກ່ນບໍ່ຄວນພຽງແຕ່ສະຫຼາດເທົ່ານັ້ນ - ແຕ່ມັນຄວນມີ ຄວາມໜ້າເຊື່ອຖື ໃນສະພາບແວດລ້ອມທີ່ຄາດເດົາບໍ່ໄດ້ໃນໂລກແຫ່ງຄວາມເປັນຈິງ.
ລັກສະນະທີ່ສຳຄັນປະກອບມີ:
-
ປະສິດທິພາບຕາມເວລາຈິງ ⏱️ (ຄວາມທັນເວລາມີຄວາມສຳຄັນຕໍ່ການຕັດສິນໃຈ)
-
ຄວາມທົນທານຕໍ່ກັບຂໍ້ມູນທີ່ສັບສົນ (ແສງຈ້າ, ສຽງລົບກວນ, ຄວາມວຸ້ນວາຍ, ພາບມົວຈາກການເຄື່ອນໄຫວ)
-
ຮູບແບບຄວາມລົ້ມເຫຼວທີ່ສະຫງ່າງາມ 🧯 (ຊ້າລົງ, ຢຸດຢ່າງປອດໄພ, ຂໍຄວາມຊ່ວຍເຫຼືອ)
-
ຄວາມຮູ້ພື້ນຖານທີ່ດີ + ການຮຽນຮູ້ທີ່ດີ (ຟີຊິກສາດ + ຂໍ້ຈຳກັດ + ຄວາມຮູ້ທົ່ວໄປ - ບໍ່ພຽງແຕ່ "ຄວາມຮູ້ສຶກ")
-
ຄຸນນະພາບການຮັບຮູ້ທີ່ສາມາດວັດແທກໄດ້ 📏 (ຮູ້ວ່າເວລາໃດທີ່ເຊັນເຊີ/ຮູບແບບຖືກເສື່ອມໂຊມ)
ຫຸ່ນຍົນທີ່ດີທີ່ສຸດມັກຈະບໍ່ແມ່ນຫຸ່ນຍົນທີ່ສາມາດເຮັດເລ່ຫຼ່ຽມທີ່ແປກປະຫຼາດໄດ້ພຽງຄັ້ງດຽວ, ແຕ່ເປັນຫຸ່ນຍົນທີ່ສາມາດເຮັດວຽກທີ່ໜ້າເບື່ອໄດ້ດີ - ມື້ແລ້ວມື້ເລົ່າ.
ຕາຕະລາງປຽບທຽບຂອງຕົວຕໍ່ສ້າງ AI ຂອງຫຸ່ນຍົນທົ່ວໄປ
| ຊິ້ນສ່ວນ / ເຄື່ອງມື AI | ສຳລັບໃຜ | ລາຄາປະມານ | ເປັນຫຍັງມັນຈຶ່ງໃຊ້ໄດ້ |
|---|---|---|---|
| ວິໄສທັດດ້ວຍຄອມພິວເຕີ (ການກວດຈັບວັດຖຸ, ການແບ່ງສ່ວນ) 👁️ | ຫຸ່ນຍົນເຄື່ອນທີ່, ອາວຸດ, ໂດຣນ | ປານກາງ | ປ່ຽນການປ້ອນຂໍ້ມູນດ້ວຍພາບເປັນຂໍ້ມູນທີ່ສາມາດໃຊ້ໄດ້ເຊັ່ນ: ການລະບຸວັດຖຸ |
| SLAM (ການສ້າງແຜນທີ່ + ການແປພາສາທ້ອງຖິ່ນ) 🗺️ | ຫຸ່ນຍົນທີ່ເຄື່ອນຍ້າຍໄປມາ | ປານກາງ-ສູງ | ສ້າງແຜນທີ່ໃນຂະນະທີ່ຕິດຕາມຕຳແໜ່ງຂອງຫຸ່ນຍົນ, ເຊິ່ງສຳຄັນສຳລັບການນຳທາງ [1] |
| ການວາງແຜນເສັ້ນທາງ + ການຫຼີກລ່ຽງອຸປະສັກ 🚧 | ບັອດສົ່ງສິນຄ້າ, AMR ຂອງສາງ | ປານກາງ | ຄິດໄລ່ເສັ້ນທາງທີ່ປອດໄພ ແລະ ປັບຕົວເຂົ້າກັບອຸປະສັກໃນເວລາຈິງ |
| ການຄວບຄຸມແບບຄລາສສິກ (PID, ການຄວບຄຸມໂດຍອີງໃສ່ຮູບແບບ) 🎛️ | ສິ່ງໃດກໍ່ຕາມທີ່ມີມໍເຕີ | ຕ່ຳ | ຮັບປະກັນການເຄື່ອນໄຫວທີ່ໝັ້ນຄົງ ແລະ ຄາດເດົາໄດ້ |
| ການຮຽນຮູ້ແບບເສີມສ້າງ (RL) 🎮 | ທັກສະທີ່ສັບສົນ, ການຫມູນໃຊ້, ການເຄື່ອນທີ່ | ສູງ | ຮຽນຮູ້ຜ່ານນະໂຍບາຍການລອງຜິດລອງຖືກທີ່ຂັບເຄື່ອນດ້ວຍລາງວັນ [3] |
| ການປາກເວົ້າ + ພາສາ (ASR, ເຈດຕະນາ, LLMs) 🗣️ | ຜູ້ຊ່ວຍ, ຫຸ່ນຍົນບໍລິການ | ປານກາງ-ສູງ | ອະນຸຍາດໃຫ້ມີການໂຕ້ຕອບກັບມະນຸດຜ່ານພາສາທຳມະຊາດ |
| ການກວດຫາຄວາມຜິດປົກກະຕິ + ການຕິດຕາມກວດກາ 🚨 | ໂຮງງານ, ການດູແລສຸຂະພາບ, ຄວາມປອດໄພທີ່ສຳຄັນ | ປານກາງ | ກວດພົບຮູບແບບຜິດປົກກະຕິກ່ອນທີ່ມັນຈະກາຍເປັນລາຄາແພງ ຫຼື ເປັນອັນຕະລາຍ |
| ການລວມຕົວເຊັນເຊີ (ຕົວກອງ Kalman, ການລວມຕົວທີ່ຮຽນຮູ້) 🧩 | ການນຳທາງ, ໂດຣນ, ກອງລະບົບອັດຕະໂນມັດ | ປານກາງ | ລວມເອົາແຫຼ່ງຂໍ້ມູນທີ່ມີສຽງລົບກວນເພື່ອການຄາດຄະເນທີ່ຖືກຕ້ອງກວ່າ [1] |
ການຮັບຮູ້: ຫຸ່ນຍົນປ່ຽນຂໍ້ມູນເຊັນເຊີດິບໃຫ້ເປັນຄວາມໝາຍໄດ້ແນວໃດ
ການຮັບຮູ້ແມ່ນບ່ອນທີ່ຫຸ່ນຍົນປ່ຽນກະແສເຊັນເຊີໃຫ້ເປັນສິ່ງທີ່ພວກມັນສາມາດໃຊ້ໄດ້ແທ້ໆ:
-
ກ້ອງຖ່າຍຮູບ → ການຮັບຮູ້ວັດຖຸ, ການປະເມີນທ່າທາງ, ການເຂົ້າໃຈສາກ
-
LiDAR → ໄລຍະທາງ + ຮູບຮ່າງຂອງອຸປະສັກ
-
ກ້ອງຖ່າຍຮູບຄວາມເລິກ → ໂຄງສ້າງ 3D ແລະ ພື້ນທີ່ຫວ່າງ
-
ໄມໂຄຣໂຟນ → ຕົວຊີ້ບອກສຽງ ແລະ ສຽງ
-
ເຊັນເຊີແຮງ/ແຮງບິດ → ການຈັບ ແລະ ການຮ່ວມມືທີ່ປອດໄພກວ່າ
-
ເຊັນເຊີສຳຜັດ → ການກວດຈັບການເລື່ອນ, ເຫດການຕິດຕໍ່
ຫຸ່ນຍົນອາໄສ AI ເພື່ອຕອບຄຳຖາມຕ່າງໆເຊັ່ນ:
-
"ມີວັດຖຸຫຍັງແດ່ຢູ່ຕໍ່ໜ້າຂ້ອຍ?"
-
"ນັ້ນແມ່ນຄົນຫຼືຫຸ່ນ?"
-
"ມືຈັບຢູ່ໃສ?"
-
"ມີບາງສິ່ງບາງຢ່າງເຄື່ອນຍ້າຍມາຫາຂ້ອຍບໍ?"
ລາຍລະອຽດທີ່ລະອຽດອ່ອນແຕ່ສຳຄັນ: ລະບົບການຮັບຮູ້ຄວນສະແດງ ຄວາມບໍ່ແນ່ນອນ (ຫຼືຕົວແທນຄວາມໝັ້ນໃຈ), ບໍ່ພຽງແຕ່ຄຳຕອບແມ່ນ/ບໍ່ - ເພາະວ່າການວາງແຜນຕາມລຳດັບຕໍ່ໄປ ແລະ ການຕັດສິນໃຈດ້ານຄວາມປອດໄພແມ່ນຂຶ້ນກັບ ຄວາມແນ່ໃຈ ຂອງຫຸ່ນຍົນ.
ການແປເປັນທ້ອງຖິ່ນ ແລະ ການສ້າງແຜນທີ່: ຮູ້ວ່າທ່ານຢູ່ໃສໂດຍບໍ່ຕ້ອງຕົກໃຈ
ຫຸ່ນຍົນຈຳເປັນຕ້ອງຮູ້ວ່າມັນຢູ່ໃສເພື່ອເຮັດວຽກຢ່າງຖືກຕ້ອງ. ສິ່ງນີ້ມັກຈະຖືກຈັດການຜ່ານ SLAM (Simultaneous Localization and Mapping) : ການສ້າງແຜນທີ່ໃນຂະນະທີ່ປະເມີນທ່າທາງຂອງຫຸ່ນຍົນໃນເວລາດຽວກັນ. ໃນສູດແບບຄລາສສິກ, SLAM ຖືກປະຕິບັດເປັນບັນຫາການຄາດຄະເນຄວາມເປັນໄປໄດ້, ໂດຍມີຄອບຄົວທົ່ວໄປລວມທັງວິທີການທີ່ອີງໃສ່ EKF ແລະ ວິທີການທີ່ອີງໃສ່ການກັ່ນຕອງອະນຸພາກ. [1]
ໂດຍປົກກະຕິແລ້ວ ຫຸ່ນຍົນຈະລວມເຂົ້າກັນ:
-
ການວັດແທກໄລຍະທາງຂອງລໍ້ (ການຕິດຕາມພື້ນຖານ)
-
ການຈັບຄູ່ການສະແກນ LiDAR ຫຼື ຈຸດໝາຍທາງສາຍຕາ
-
IMU (ການໝູນ/ການເລັ່ງ)
-
GPS (ກາງແຈ້ງ, ມີຂໍ້ຈຳກັດ)
ຫຸ່ນຍົນບໍ່ສາມາດຢູ່ໃນທ້ອງຖິ່ນໄດ້ຢ່າງສົມບູນແບບສະເໝີໄປ - ສະນັ້ນການຊ້ອນກັນທີ່ດີຈຶ່ງເຮັດໜ້າທີ່ຄືກັບຜູ້ໃຫຍ່: ຕິດຕາມຄວາມບໍ່ແນ່ນອນ, ກວດຫາການເຄື່ອນທີ່, ແລະ ກັບຄືນສູ່ພຶດຕິກຳທີ່ປອດໄພກວ່າເມື່ອຄວາມໝັ້ນໃຈຫຼຸດລົງ.
ການວາງແຜນ ແລະ ການຕັດສິນໃຈ: ການເລືອກສິ່ງທີ່ຕ້ອງເຮັດຕໍ່ໄປ
ເມື່ອຫຸ່ນຍົນມີຮູບພາບໂລກທີ່ໃຊ້ການໄດ້ແລ້ວ, ມັນຈຳເປັນຕ້ອງຕັດສິນໃຈວ່າຈະເຮັດແນວໃດ. ການວາງແຜນມັກຈະສະແດງອອກໃນສອງຊັ້ນຄື:
-
ການວາງແຜນທ້ອງຖິ່ນ (ການຕອບສະໜອງໄວ) ⚡
ຫຼີກລ່ຽງອຸປະສັກ, ຫຼຸດຄວາມໄວລົງໃກ້ຄົນ, ຍ່າງຕາມເລນ/ທາງຍ່າງ. -
ການວາງແຜນທົ່ວໂລກ (ຮູບພາບໃຫຍ່ກວ່າ) 🧭
ເລືອກຈຸດໝາຍປາຍທາງ, ເສັ້ນທາງອ້ອມພື້ນທີ່ທີ່ຖືກບລັອກ, ກຳນົດເວລາໜ້າວຽກ.
ໃນທາງປະຕິບັດ, ນີ້ແມ່ນບ່ອນທີ່ຫຸ່ນຍົນປ່ຽນ "ຂ້ອຍຄິດວ່າຂ້ອຍເຫັນເສັ້ນທາງທີ່ຊັດເຈນ" ໃຫ້ເປັນຄຳສັ່ງການເຄື່ອນໄຫວທີ່ເປັນຮູບປະທຳທີ່ຈະບໍ່ຕັດມຸມຂອງຊັ້ນວາງ - ຫຼືລອຍເຂົ້າໄປໃນພື້ນທີ່ສ່ວນຕົວຂອງມະນຸດ.
ການຄວບຄຸມ: ປ່ຽນແຜນການໃຫ້ກາຍເປັນການເຄື່ອນໄຫວທີ່ລຽບງ່າຍ
ລະບົບຄວບຄຸມປ່ຽນການກະທຳທີ່ວາງແຜນໄວ້ໃຫ້ກາຍເປັນການເຄື່ອນໄຫວທີ່ແທ້ຈິງ, ໃນຂະນະທີ່ຮັບມືກັບຄວາມລຳຄານໃນໂລກຕົວຈິງເຊັ່ນ:
-
ແຮງສຽດທານ
-
ການປ່ຽນແປງຂອງນ້ຳໜັກบรรทุก
-
ແຮງໂນ້ມຖ່ວງ
-
ຄວາມຊັກຊ້າຂອງມໍເຕີ ແລະ ຜົນກະທົບທາງລົບ
ເຄື່ອງມືທົ່ວໄປປະກອບມີ PID , ການຄວບຄຸມໂດຍອີງໃສ່ຮູບແບບ , ການຄວບຄຸມແບບຄາດເດົາຮູບແບບ , ແລະ ການເຄື່ອນໄຫວແບບປີ້ນກັບກັນ ສຳລັບແຂນ - ຕົວຢ່າງ, ຄະນິດສາດທີ່ປ່ຽນ "ເອົາມືຈັບໄປ ບ່ອນນັ້ນ " ເປັນການເຄື່ອນໄຫວຮ່ວມກັນ. [2]
ວິທີທີ່ເປັນປະໂຫຍດໃນການຄິດກ່ຽວກັບມັນ:
ການວາງແຜນເລືອກເສັ້ນທາງ.
ການຄວບຄຸມເຮັດໃຫ້ຫຸ່ນຍົນປະຕິບັດຕາມມັນໂດຍບໍ່ມີການສັ່ນສະເທືອນ, ການແລ່ນເກີນກຳນົດ, ຫຼື ການສັ່ນສະເທືອນຄືກັບກະຕ່າຊື້ເຄື່ອງທີ່ມີຄາເຟອີນ.
ການຮຽນຮູ້: ຫຸ່ນຍົນປັບປຸງແນວໃດແທນທີ່ຈະຖືກຂຽນໂປຣແກຣມໃໝ່ຕະຫຼອດໄປ
ຫຸ່ນຍົນສາມາດປັບປຸງໄດ້ໂດຍການຮຽນຮູ້ຈາກຂໍ້ມູນແທນທີ່ຈະຖືກປັບດ້ວຍຕົນເອງຫຼັງຈາກການປ່ຽນແປງສະພາບແວດລ້ອມແຕ່ລະຄັ້ງ.
ວິທີການຮຽນຮູ້ທີ່ສຳຄັນປະກອບມີ:
-
ການຮຽນຮູ້ແບບຊີ້ນຳ 📚: ຮຽນຮູ້ຈາກຕົວຢ່າງທີ່ມີປ້າຍກຳກັບ (ຕົວຢ່າງ, “ນີ້ແມ່ນພາເລັດ”).
-
ການຮຽນຮູ້ດ້ວຍຕົນເອງ 🔍: ຮຽນຮູ້ໂຄງສ້າງຈາກຂໍ້ມູນດິບ (ເຊັ່ນ: ການຄາດຄະເນເຟຣມໃນອະນາຄົດ).
-
ການຮຽນຮູ້ແບບເສີມສ້າງ 🎯: ຮຽນຮູ້ການກະທຳໂດຍການເພີ່ມສັນຍານລາງວັນໃຫ້ສູງສຸດຕາມການເວລາ (ມັກຈະຖືກກອບດ້ວຍຕົວແທນ, ສະພາບແວດລ້ອມ, ແລະຜົນຕອບແທນ). [3]
ບ່ອນທີ່ RL ໂດດເດັ່ນ: ການຮຽນຮູ້ພຶດຕິກຳທີ່ສັບສົນບ່ອນທີ່ການອອກແບບຕົວຄວບຄຸມດ້ວຍມືເປັນເລື່ອງທີ່ເຈັບປວດ.
ບ່ອນທີ່ RL ກາຍເປັນເລື່ອງທີ່ໜ້າຕື່ນເຕັ້ນ: ປະສິດທິພາບຂອງຂໍ້ມູນ, ຄວາມປອດໄພໃນລະຫວ່າງການສຳຫຼວດ, ແລະຊ່ອງຫວ່າງລະຫວ່າງການຈຳລອງກັບຄວາມເປັນຈິງ.
ການພົວພັນລະຫວ່າງມະນຸດກັບຫຸ່ນຍົນ: AI ທີ່ຊ່ວຍໃຫ້ຫຸ່ນຍົນເຮັດວຽກກັບຄົນ
ສຳລັບຫຸ່ນຍົນໃນເຮືອນ ຫຼື ບ່ອນເຮັດວຽກ, ການພົວພັນກັນມີຄວາມສຳຄັນ. AI ຊ່ວຍໃຫ້:
-
ການຮັບຮູ້ສຽງ (ສຽງ → ຄຳສັບ)
-
ການກວດຫາເຈດຕະນາ (ຄຳສັບ → ຄວາມໝາຍ)
-
ການເຂົ້າໃຈທ່າທາງ (ການຊີ້, ພາສາກາຍ)
ອັນນີ້ຟັງແລ້ວງ່າຍດາຍຈົນກວ່າທ່ານຈະສົ່ງມັນໄປ: ມະນຸດບໍ່ສອດຄ່ອງກັນ, ສຳນຽງແຕກຕ່າງກັນ, ຫ້ອງມີສຽງດັງ, ແລະ “ຢູ່ທີ່ນັ້ນ” ບໍ່ແມ່ນກອບປະສານງານ.
ຄວາມໄວ້ວາງໃຈ, ຄວາມປອດໄພ, ແລະ “ຢ່າເປັນຄົນທີ່ໜ້າຢ້ານ”: ສ່ວນທີ່ມ່ວນໜ້ອຍແຕ່ສຳຄັນ
ຫຸ່ນຍົນແມ່ນລະບົບ AI ທີ່ມີ ຜົນສະທ້ອນທາງດ້ານຮ່າງກາຍ , ສະນັ້ນຄວາມໄວ້ວາງໃຈ ແລະ ການປະຕິບັດດ້ານຄວາມປອດໄພຈຶ່ງບໍ່ສາມາດເປັນສິ່ງທີ່ຄິດຫຼັງໄດ້.
ການຕິດຕັ້ງໂຄງຮ່າງຄວາມປອດໄພແບບປະຕິບັດຕົວຈິງມັກຈະປະກອບມີ:
-
ການຕິດຕາມຄວາມໝັ້ນໃຈ/ຄວາມບໍ່ແນ່ນອນ
-
ພຶດຕິກຳອະນຸລັກນິຍົມເມື່ອການຮັບຮູ້ຊຸດໂຊມລົງ
-
ການກະທຳການບັນທຶກສຳລັບການດີບັກ ແລະ ການກວດສອບ
-
ຂອບເຂດທີ່ຊັດເຈນກ່ຽວກັບສິ່ງທີ່ຫຸ່ນຍົນສາມາດເຮັດໄດ້
ວິທີການລະດັບສູງທີ່ເປັນປະໂຫຍດໃນການວາງຂອບເຂດສິ່ງນີ້ຄືການຄຸ້ມຄອງຄວາມສ່ຽງ: ການຄຸ້ມຄອງ, ການສ້າງແຜນທີ່ຄວາມສ່ຽງ, ການວັດແທກຄວາມສ່ຽງເຫຼົ່ານັ້ນ, ແລະການຄຸ້ມຄອງພວກມັນຕະຫຼອດວົງຈອນຊີວິດ - ສອດຄ່ອງກັບວິທີທີ່ NIST ຈັດໂຄງສ້າງການຄຸ້ມຄອງຄວາມສ່ຽງຂອງ AI ຢ່າງກວ້າງຂວາງ. [4]
ແນວໂນ້ມ “ຮູບແບບໃຫຍ່”: ຫຸ່ນຍົນທີ່ໃຊ້ຮູບແບບພື້ນຖານ
ຮູບແບບພື້ນຖານກຳລັງຊຸກຍູ້ໄປສູ່ພຶດຕິກຳຂອງຫຸ່ນຍົນທີ່ມີຈຸດປະສົງທົ່ວໄປຫຼາຍຂຶ້ນ - ໂດຍສະເພາະເມື່ອພາສາ, ວິໄສທັດ ແລະ ການກະທຳຖືກສ້າງແບບຈຳລອງຮ່ວມກັນ.
ຕົວຢ່າງໜຶ່ງຂອງທິດທາງແມ່ນ ວິໄສທັດ-ພາສາ-ການກະທຳ (VLA) , ບ່ອນທີ່ລະບົບໄດ້ຮັບການຝຶກອົບຮົມໃຫ້ເຊື່ອມຕໍ່ສິ່ງທີ່ມັນເຫັນ + ສິ່ງທີ່ມັນຖືກບອກໃຫ້ເຮັດ + ສິ່ງທີ່ມັນຄວນປະຕິບັດ. RT-2 ແມ່ນຕົວຢ່າງທີ່ຖືກກ່າວເຖິງຢ່າງກວ້າງຂວາງຂອງວິທີການແບບນີ້. [5]
ສ່ວນທີ່ໜ້າຕື່ນເຕັ້ນ: ຄວາມເຂົ້າໃຈທີ່ມີຄວາມຍືດຫຍຸ່ນ ແລະ ລະດັບສູງກວ່າເກົ່າ.
ການກວດສອບຄວາມເປັນຈິງ: ຄວາມໜ້າເຊື່ອຖືຂອງໂລກທາງກາຍະພາບຍັງຮຽກຮ້ອງໃຫ້ມີການປ້ອງກັນ - ການປະເມີນແບບຄລາສສິກ, ຂໍ້ຈຳກັດດ້ານຄວາມປອດໄພ, ແລະ ການຄວບຄຸມແບບອະນຸລັກບໍ່ໄດ້ຫາຍໄປພຽງແຕ່ຍ້ອນວ່າຫຸ່ນຍົນສາມາດ "ເວົ້າຢ່າງສະຫຼາດ".
ຂໍ້ສັງເກດສຸດທ້າຍ
ດັ່ງນັ້ນ, ຫຸ່ນຍົນໃຊ້ AI ແນວໃດ? ຫຸ່ນຍົນໃຊ້ AI ເພື່ອ ຮັບຮູ້ , ປະເມີນສະຖານະ (ຂ້ອຍຢູ່ໃສ?) , ວາງແຜນ ແລະ ຄວບຄຸມ - ແລະ ບາງຄັ້ງ ຮຽນຮູ້ ຈາກຂໍ້ມູນເພື່ອປັບປຸງ. AI ຊ່ວຍໃຫ້ຫຸ່ນຍົນສາມາດຈັດການກັບຄວາມສັບສົນຂອງສະພາບແວດລ້ອມທີ່ມີການປ່ຽນແປງໄດ້, ແຕ່ຄວາມສຳເລັດແມ່ນຂຶ້ນກັບລະບົບທີ່ໜ້າເຊື່ອຖື ແລະ ວັດແທກໄດ້ດ້ວຍພຶດຕິກຳທີ່ເນັ້ນຄວາມປອດໄພເປັນອັນດັບທຳອິດ.
ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ
ຫຸ່ນຍົນໃຊ້ AI ເພື່ອເຮັດວຽກດ້ວຍຕົນເອງໄດ້ແນວໃດ?
ຫຸ່ນຍົນໃຊ້ AI ເພື່ອແລ່ນວົງຈອນຄວາມເປັນເອກະລາດຢ່າງຕໍ່ເນື່ອງ: ຮັບຮູ້ໂລກ, ຕີຄວາມໝາຍສິ່ງທີ່ເກີດຂຶ້ນ, ວາງແຜນຂັ້ນຕອນຕໍ່ໄປທີ່ປອດໄພ, ປະຕິບັດຜ່ານມໍເຕີ, ແລະຮຽນຮູ້ຈາກຂໍ້ມູນ. ໃນທາງປະຕິບັດ, ນີ້ແມ່ນການຊ້ອນກັນຂອງອົງປະກອບທີ່ເຮັດວຽກຮ່ວມກັນແທນທີ່ຈະເປັນຮູບແບບ "ມະຫັດສະຈັນ" ອັນດຽວ. ເປົ້າໝາຍແມ່ນພຶດຕິກຳທີ່ໜ້າເຊື່ອຖືໃນສະພາບແວດລ້ອມທີ່ປ່ຽນແປງ, ບໍ່ແມ່ນການສາທິດຄັ້ງດຽວພາຍໃຕ້ເງື່ອນໄຂທີ່ສົມບູນແບບ.
AI ຂອງຫຸ່ນຍົນເປັນພຽງຮູບແບບດຽວ ຫຼື ເປັນຊຸດໂຊມເອກະລາດເຕັມຮູບແບບ?
ໃນລະບົບສ່ວນໃຫຍ່, AI ຂອງຫຸ່ນຍົນແມ່ນຊຸດເຕັມ: ການຮັບຮູ້, ການປະເມີນສະຖານະ, ການວາງແຜນ, ແລະການຄວບຄຸມ. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກຊ່ວຍໃນວຽກງານຕ່າງໆເຊັ່ນ: ວິໄສທັດ ແລະການຄາດຄະເນ, ໃນຂະນະທີ່ຂໍ້ຈຳກັດທາງຟີຊິກ ແລະການຄວບຄຸມແບບຄລາສສິກຮັກສາການເຄື່ອນໄຫວໃຫ້ໝັ້ນຄົງ ແລະຄາດເດົາໄດ້. ການນຳໃຊ້ຕົວຈິງຫຼາຍຢ່າງໃຊ້ວິທີການປະສົມເພາະວ່າຄວາມໜ້າເຊື່ອຖືມີຄວາມສຳຄັນຫຼາຍກວ່າຄວາມສະຫຼາດ. ນັ້ນແມ່ນເຫດຜົນທີ່ການຮຽນຮູ້ແບບ "vibes-only" ບໍ່ຄ່ອຍຈະຢູ່ລອດນອກສະຖານທີ່ຄວບຄຸມ.
ເຊັນເຊີ ແລະ ຮູບແບບການຮັບຮູ້ໃດແດ່ທີ່ຫຸ່ນຍົນ AI ອາໄສ?
ຫຸ່ນຍົນ AI ມັກຈະລວມເອົາກ້ອງຖ່າຍຮູບ, LiDAR, ເຊັນເຊີຄວາມເລິກ, ໄມໂຄຣໂຟນ, IMU, ຕົວເຂົ້າລະຫັດ, ແລະ ເຊັນເຊີແຮງ/ແຮງບິດ ຫຼື ເຊັນເຊີສຳຜັດ. ຮູບແບບການຮັບຮູ້ປ່ຽນກະແສເຫຼົ່ານີ້ໃຫ້ກາຍເປັນສັນຍານທີ່ໃຊ້ໄດ້ເຊັ່ນ: ການລະບຸຕົວຕົນຂອງວັດຖຸ, ທ່າທາງ, ພື້ນທີ່ຫວ່າງ, ແລະ ຕົວຊີ້ບອກການເຄື່ອນໄຫວ. ວິທີປະຕິບັດທີ່ດີທີ່ສຸດແມ່ນການສະແດງຄວາມໝັ້ນໃຈ ຫຼື ຄວາມບໍ່ແນ່ນອນ, ບໍ່ພຽງແຕ່ປ້າຍຊື່ເທົ່ານັ້ນ. ຄວາມບໍ່ແນ່ນອນນັ້ນສາມາດນຳພາການວາງແຜນທີ່ປອດໄພກວ່າເມື່ອເຊັນເຊີເສື່ອມສະພາບຈາກແສງຈ້າ, ຄວາມມົວ, ຫຼື ຄວາມວຸ້ນວາຍ.
SLAM ໃນຫຸ່ນຍົນແມ່ນຫຍັງ, ແລະເປັນຫຍັງມັນຈຶ່ງສຳຄັນ?
SLAM (ການຕັ້ງຖິ່ນຖານ ແລະ ການສ້າງແຜນທີ່ພ້ອມໆກັນ) ຊ່ວຍໃຫ້ຫຸ່ນຍົນສ້າງແຜນທີ່ໃນຂະນະທີ່ປະເມີນຕຳແໜ່ງຂອງມັນເອງໃນເວລາດຽວກັນ. ມັນເປັນຈຸດໃຈກາງສຳລັບຫຸ່ນຍົນທີ່ເຄື່ອນຍ້າຍໄປມາ ແລະ ຕ້ອງການນຳທາງໂດຍບໍ່ມີ “ຄວາມຕົກໃຈ” ເມື່ອສະພາບການປ່ຽນແປງ. ການປ້ອນຂໍ້ມູນທົ່ວໄປປະກອບມີ odometry ຂອງລໍ້, IMUs, ແລະ LiDAR ຫຼື ຈຸດໝາຍວິໄສທັດ, ບາງຄັ້ງ GPS ຢູ່ກາງແຈ້ງ. ການວາງຊ້ອນກັນທີ່ດີຈະຕິດຕາມການເຄື່ອນທີ່ ແລະ ຄວາມບໍ່ແນ່ນອນ ດັ່ງນັ້ນຫຸ່ນຍົນສາມາດປະພຶດຕົວໄດ້ຢ່າງລະມັດລະວັງຫຼາຍຂຶ້ນເມື່ອການຕັ້ງຖິ່ນຖານສັ່ນຄອນ.
ການວາງແຜນຫຸ່ນຍົນ ແລະ ການຄວບຄຸມຫຸ່ນຍົນແຕກຕ່າງກັນແນວໃດ?
ການວາງແຜນຈະຕັດສິນໃຈວ່າຫຸ່ນຍົນຄວນເຮັດຫຍັງຕໍ່ໄປ, ເຊັ່ນ: ການເລືອກຈຸດໝາຍປາຍທາງ, ການປ່ຽນເສັ້ນທາງອ້ອມອຸປະສັກ, ຫຼື ການຫຼີກລ່ຽງຄົນ. ການຄວບຄຸມປ່ຽນແຜນການນັ້ນໃຫ້ເປັນການເຄື່ອນໄຫວທີ່ລຽບງ່າຍ ແລະ ໝັ້ນຄົງ ເຖິງວ່າຈະມີແຮງສຽດທານ, ການປ່ຽນແປງຂອງພາລະ, ແລະ ຄວາມຊັກຊ້າຂອງມໍເຕີ. ການວາງແຜນມັກຈະແບ່ງອອກເປັນການວາງແຜນທົ່ວໂລກ (ເສັ້ນທາງທີ່ກວ້າງຂວາງ) ແລະ ການວາງແຜນທ້ອງຖິ່ນ (ການຕອບສະໜອງໄວໃກ້ກັບອຸປະສັກ). ການຄວບຄຸມໂດຍທົ່ວໄປແລ້ວໃຊ້ເຄື່ອງມືເຊັ່ນ: PID, ການຄວບຄຸມໂດຍອີງໃສ່ຮູບແບບ, ຫຼື ການຄວບຄຸມແບບຄາດເດົາຮູບແບບເພື່ອປະຕິບັດຕາມແຜນການຢ່າງໜ້າເຊື່ອຖື.
ຫຸ່ນຍົນຈັດການກັບຄວາມບໍ່ແນ່ນອນ ຫຼື ຄວາມໝັ້ນໃຈຕໍ່າໄດ້ແນວໃດຢ່າງປອດໄພ?
ຫຸ່ນຍົນທີ່ອອກແບບໄດ້ດີຖືວ່າຄວາມບໍ່ແນ່ນອນເປັນການປ້ອນຂໍ້ມູນໃສ່ພຶດຕິກຳ, ບໍ່ແມ່ນສິ່ງທີ່ຄວນລະເລີຍ. ເມື່ອຄວາມໝັ້ນໃຈໃນການຮັບຮູ້ ຫຼື ການທ້ອງຖິ່ນຫຼຸດລົງ, ວິທີການທົ່ວໄປແມ່ນການຊະລໍຄວາມໄວລົງ, ເພີ່ມຂອບເຂດຄວາມປອດໄພ, ຢຸດຢ່າງປອດໄພ, ຫຼື ຂໍຄວາມຊ່ວຍເຫຼືອຈາກມະນຸດແທນທີ່ຈະຄາດເດົາ. ລະບົບຍັງບັນທຶກການກະທຳ ແລະ ສະພາບການເພື່ອໃຫ້ເຫດການສາມາດກວດສອບໄດ້ ແລະ ງ່າຍຕໍ່ການແກ້ໄຂ. ແນວຄິດ "ຄວາມລົ້ມເຫຼວທີ່ສະຫງ່າງາມ" ນີ້ແມ່ນຄວາມແຕກຕ່າງຫຼັກລະຫວ່າງຫຸ່ນຍົນສາທິດ ແລະ ຫຸ່ນຍົນທີ່ສາມາດນຳໃຊ້ໄດ້.
ການຮຽນຮູ້ແບບເສີມແຮງມີປະໂຫຍດສຳລັບຫຸ່ນຍົນເວລາໃດ, ແລະສິ່ງໃດເຮັດໃຫ້ມັນຍາກ?
ການຮຽນຮູ້ການເສີມສ້າງມັກຖືກນຳໃຊ້ສຳລັບທັກສະທີ່ສັບສົນເຊັ່ນ: ການຫມູນໃຊ້ ຫຼື ການເຄື່ອນທີ່ທີ່ການອອກແບບຕົວຄວບຄຸມດ້ວຍມືແມ່ນເປັນເລື່ອງທີ່ເຈັບປວດ. ມັນສາມາດຄົ້ນພົບພຶດຕິກຳທີ່ມີປະສິດທິພາບຜ່ານການທົດລອງ ແລະ ຄວາມຜິດພາດທີ່ຂັບເຄື່ອນດ້ວຍລາງວັນ, ເຊິ່ງມັກຈະຢູ່ໃນການຈຳລອງ. ການນຳໃຊ້ຈະມີຄວາມຫຍຸ້ງຍາກເພາະວ່າການສຳຫຼວດອາດຈະບໍ່ປອດໄພ, ຂໍ້ມູນອາດຈະມີລາຄາແພງ, ແລະ ຊ່ອງຫວ່າງລະຫວ່າງ sim-to-real ສາມາດທຳລາຍນະໂຍບາຍໄດ້. ທໍ່ສົ່ງຫຼາຍແຫ່ງໃຊ້ RL ຢ່າງເລືອກເຟັ້ນ, ຄຽງຄູ່ກັບຂໍ້ຈຳກັດ ແລະ ການຄວບຄຸມແບບຄລາສສິກເພື່ອຄວາມປອດໄພ ແລະ ຄວາມໝັ້ນຄົງ.
ຮູບແບບພື້ນຖານກຳລັງປ່ຽນແປງວິທີທີ່ຫຸ່ນຍົນໃຊ້ AI ບໍ?
ວິທີການແບບພື້ນຖານກຳລັງຊຸກຍູ້ຫຸ່ນຍົນໄປສູ່ພຶດຕິກຳທີ່ປະຕິບັດຕາມຄຳແນະນຳທົ່ວໄປຫຼາຍຂຶ້ນ, ໂດຍສະເພາະກັບແບບຈຳລອງວິໄສທັດ-ພາສາ-ການກະທຳ (VLA) ເຊັ່ນ: ລະບົບແບບ RT-2. ຂໍ້ດີແມ່ນຄວາມຍືດຫຍຸ່ນ: ເຊື່ອມຕໍ່ສິ່ງທີ່ຫຸ່ນຍົນເຫັນກັບສິ່ງທີ່ມັນຖືກບອກໃຫ້ເຮັດ ແລະ ວິທີທີ່ມັນຄວນປະຕິບັດ. ຄວາມເປັນຈິງແມ່ນວ່າການຄາດຄະເນແບບຄລາສສິກ, ຂໍ້ຈຳກັດດ້ານຄວາມປອດໄພ, ແລະ ການຄວບຄຸມແບບອະນຸລັກຍັງຄົງມີຄວາມສຳຄັນຕໍ່ຄວາມໜ້າເຊື່ອຖືທາງດ້ານຮ່າງກາຍ. ຫຼາຍທີມວາງກອບນີ້ວ່າເປັນການຄຸ້ມຄອງຄວາມສ່ຽງຕະຫຼອດວົງຈອນຊີວິດ, ຄ້າຍຄືກັນກັບຂອບການເຮັດວຽກເຊັ່ນ: AI RMF ຂອງ NIST.
ເອກະສານອ້າງອີງ
[1] Durrant-Whyte & Bailey -
ການລະບຸທ້ອງຖິ່ນ ແລະ ການສ້າງແຜນທີ່ພ້ອມໆກັນ (SLAM): ພາກທີ I ອັລກໍຣິທຶມທີ່ສຳຄັນ (PDF) [2] Lynch & Park -
ຫຸ່ນຍົນທີ່ທັນສະໄໝ: ກົນຈັກ, ການວາງແຜນ, ແລະ ການຄວບຄຸມ (PDF ພິມລ່ວງໜ້າ) [3] Sutton & Barto -
ການຮຽນຮູ້ແບບເສີມສ້າງ: ບົດນຳ (ຮ່າງສະບັບທີ 2 PDF) [4] NIST -
ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານປັນຍາປະດິດ (AI RMF 1.0) (PDF) [5] Brohan et al. - RT-2: ຮູບແບບການກະທຳທາງດ້ານວິໄສທັດ-ພາສາ-ວິໄສທັດ ໂອນຄວາມຮູ້ເວັບໄປສູ່ການຄວບຄຸມຫຸ່ນຍົນ (arXiv)