في عالم الذكاء الاصطناعي، تعلّم المحاكاة النشطة (Active Imitation Learning) يمثل حقبة جديدة في كيفية تفاعل الأنظمة مع المدرّبين. بفضل الأبحاث الجديدة، تتمثل إحدى الابتكارات المثيرة في تقنية تُعرف باسم 'Adaptive Agents via Latent Topologies' أو AALT.

تعمل AALT على تقليل الجهد الذي يبذله الخبراء من خلال تمكين المتعلم من طلب العروض التي يحتاجها لتعزيز التعلم. عادةً، تُركز الطرق الحالية على اختيار الطلبات استنادًا إلى المكاسب المعلوماتية المتوقعة من سياسة الخبير. ومع ذلك، في مجالات المهام المتعددة الهيكلية، قد تتزايد عدد المهام بشكل كومبيناتوري رغم أن حلولها تشترك في سلوكيات قابلة لإعادة الاستخدام.

هذا الأمر يجعل من السلوكيات القابلة للتكوين (Composable Behaviors) ذات قيمة خاصة، حيث يمكن أن تساعد عرض واحد في حل العديد من المهام دفعة واحدة. لا تأخذ الأساليب السابقة في الاعتبار هذه القيمة بشكل صريح عند اختيار العرض الذي يجب طلبه، وهنا تأتي Innovate AALT لدورها الحيوي.

تقوم AALT بتنظيم العروض الحالية في هيكلية (Topology) من الحالات المحورية المترابطة من خلال سلوكيات متعلمة، وتحدد العروض الجسرية ذات القيمة العالية التي من الممكن أن تمكّن العديد من المهام. وفي مرحلة الاستدلال، تقوم بالتخطيط من خلال الهيكل الناتج وتكيف سياسة الانتشار (Diffusion Policy) على كل انتقال محوري متتابع.

في تجارب محاكاة تقوم على الاعتماد على روبوت UR5e مع 72 مهمة، حققت AALT نجاحًا مذهلاً حيث زادت نسبة المهام التي تم تنفيذها بنجاح من 42/72 إلى 72/72 (100%) باستخدام ثلاث عروض فقط، والتي تضمنت خمس انتقالات إضافية. ولتقارن ذلك، استطاعت أقوى الأساليب السابقة تحقيق متوسط نجاح 88.6% باستخدام 98 انتقالًا بعد 20 عرضًا.

هذه الابتكارات تبشر بعصر جديد من الروبوتات الذكية القادرة على التعلم بفاعلية أكبر وتعزيز التفاعل بين المعرفة والمهام. فما هي الآفاق المستقبلية لهذه التقنية؟ وكيف يمكن أن تؤثر في تجربتنا مع الأنظمة الذكية؟

بدون شك، نحن في انتظار المزيد من التطورات المثيرة! ما رأيكم في هذا التطور؟ شاركونا في التعليقات!