Google muestra IA

Google ha presentado su prueba de dos años de robots impulsados ​​por IA que clasifican materiales reciclables y desechos con un alto grado de eficiencia, posiblemente anunciando la forma de lo que vendrá.

A través de la aplicación de RL, los robots móviles, con sistemas de visión y un brazo, pudieron abordar tareas del mundo real en entornos de trabajo, con una combinación de datos fuera de línea y en línea que les permitió adaptarse a la amplia variabilidad de situaciones del mundo real. .

El estudio programó los robots, suministrados por Everyday Robots, una parte de Alphabet, la empresa matriz de Google, para deambular y buscar "situaciones de desechos": contenedores para materiales reciclables, compost y basura. Luego se les asignó la tarea de clasificar los artículos entre los contenedores para que todos los materiales reciclables (latas, botellas) se colocaran en el contenedor reciclable, los artículos compostables (contenedores de cartón, vasos de papel) se colocaran en el contenedor de compost y todo lo demás se colocara en el cubo de basura residual.

Los robots fueron arrancados con un conjunto básico de habilidades: el proceso mediante el cual se carga una computadora con un programa utilizando un programa inicial mucho más pequeño. Las habilidades incluían cuatro conjuntos de experiencia:

Al discutir la motivación del estudio, el equipo de investigación dijo que, dado que el mundo real es complejo, diverso y cambia con el tiempo, los robots habilitados para RL luchan por adaptarse y, por lo tanto, aún no se usan comúnmente en entornos cotidianos.

Las 'aulas de robots' proporcionan una gran parte de la experiencia de los robots. El equipo dijo que si bien los edificios de oficinas del mundo real pueden brindar la experiencia más representativa, el rendimiento en términos de recopilación de datos es limitado: algunos días habrá mucha basura para clasificar y otros no tanto.

Al final de los dos años, el equipo reunió 540 000 pruebas en las aulas y 32 500 pruebas en el despliegue. Descubrió que el rendimiento general del sistema mejoraba a medida que se recopilaban más datos. El sistema final se evaluó en las aulas para realizar comparaciones controladas con escenarios basados ​​en lo que vieron los robots durante el despliegue.

Además del 84 % de precisión del sistema final, las pruebas en el mundo real mostraron que el sistema podría reducir la contaminación entre un 40 % y un 50 % por peso. Esto se determinó en función de las estadísticas de tres implementaciones del mundo real entre 2021 y 2022.

El equipo señala que las políticas finales de RL no siempre tienen éxito y que se necesitarán modelos más grandes y potentes para mejorar el rendimiento y extenderlos a una gama más amplia de tareas. Otras fuentes de experiencia, incluso de otras tareas, otros robots e incluso videos en línea pueden servir para complementar aún más la experiencia de arranque.