Исследователи из Стэнфорда и Корнелла представили APRICOT: новый подход ИИ, объединяющий активное обучение предпочтений и планирование задач с учётом ограничений.

«`html

Введение в APRICOT

В быстро развивающейся области бытовой робототехники возникла значительная проблема: выполнение персонализированных организационных задач, таких как размещение продуктов в холодильнике. Эти задачи требуют от роботов учета предпочтений пользователей и физических ограничений, избегая столкновений и сохраняя стабильность.

Проблемы существующих решений

Существующие подходы к решению этих задач делятся на две категории: активное обучение предпочтений и планировочные системы на основе больших языковых моделей (LLM). Однако они сталкиваются с ограничениями, такими как трудности в интерпретации уникальных предпочтений и сложности в переводе абстрактных предпочтений в физически осуществимые места размещения.

Решение APRICOT

Исследователи из Корнеллского и Стэнфордского университетов представили APRICOT (Активное обучение предпочтений с учетом ограничений), комплексное решение, которое объединяет обучение предпочтениям и практическое выполнение задач. Система включает четыре ключевых компонента:

• Модель зрения и языка (VLM), которая переводит визуальные демонстрации в языковые инструкции.
• Модуль активного обучения предпочтений на основе LLM, который эффективно определяет предпочтения пользователей через целевые вопросы.
• Планировщик задач с учетом ограничений, который генерирует исполнимые планы, учитывая предпочтения и физические ограничения.
• Роботизированная система для реализации в реальном мире.

Этапы работы APRICOT

Архитектура APRICOT состоит из трех основных этапов:

1. Обучение предпочтениям: Модуль активного обучения обрабатывает визуальные демонстрации и генерирует языковые инструкции.
2. Планирование задач: Система создает семантические и геометрические планы, учитывая обратную связь от пользователей.
3. Реализация в реальном мире: Система использует методы обнаружения объектов и классификации для выполнения задач.

Эффективность APRICOT

Экспериментальные оценки показывают, что APRICOT значительно превосходит традиционные методы. Система продемонстрировала:

• 58% точности в обучении предпочтениям.
• 71.9% меньше запросов по сравнению с аналогичными системами.
• 96% выполнимых планов в ограниченных условиях.

Заключение

APRICOT представляет собой значительный шаг вперед в выполнении персонализированных задач роботами, эффективно сочетая обучение предпочтениям с планированием с учетом ограничений. Это решение минимизирует взаимодействие с пользователем и обеспечивает надежное выполнение задач.

Как использовать ИИ в вашем бизнесе

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ), вот несколько шагов:

• Проанализируйте, как ИИ может изменить вашу работу.
• Определите ключевые показатели эффективности (KPI), которые хотите улучшить с помощью ИИ.
• Подберите подходящее решение и внедряйте ИИ постепенно.
• На основе полученных данных расширяйте автоматизацию.

Получите помощь

Если вам нужны советы по внедрению ИИ, пишите нам. Следите за новостями об ИИ в нашем канале.

Попробуйте AI Sales Bot — это AI ассистент для продаж, который помогает отвечать на вопросы клиентов и генерировать контент для отдела продаж.

«`