في عالم الذكاء الاصطناعي (Artificial Intelligence)، يعتمد تعلم مكافآت الروبوتات على افتراض أن مدخلات البشر تشمل جميع الجوانب المهمة للمهمة المعنية. ولكن في الواقع، يصعب على البشر التركيز على كل شيء دفعة واحدة، لذا فإن توجيههم أثناء التعلم يلتقط بعض الميزات بشكل أفضل من غيرها. تشير الأبحاث السابقة إلى أن الروبوتات تستطيع تحديد الميزات التي كانت مشرفة بشكل ضعيف عن طريق تحليل بيانات التعلم السابقة.

لكنّ الحل الحالي يعتمد على إعادة طلب البشر لبذل المزيد من الجهود في التعليم، وهي مهمة قد تكون مرهقة لهم. وهنا يأتي دور الابتكار الجديد، حيث نقترح أنه يجب نقل هذا العبء إلى الروبوت. الفكرة الأساسية تكمن في استخدام المعلومات التي توضح للروبوت ما الذي لا يعرفه، لمساعدته في طرح أسئلة أفضل. تقدم استفسارات التفضيل (Preference Queries) قناة سهلة لشفاء عدم اليقين، لكن هذا يتطلب من الروبوت معرفة أين يجب توجيهها، وتمكين البشر من معرفة ما يجب عليهم التركيز عليه عند الرد.

عبر تطبيق هذا المفهوم، قمنا ببناء أولوية مدروسة تستهدف استفسارات التفضيل نحو الميزات التي تحتاج إلى توضيح، ورافقنا كل استفسار بشرح يركز انتباه البشر على هذه الميزات بالتحديد. أظهر نموذج المحاكاة أن الأداة الجديدة تتفوق على طرق التعلم النشطة التقليدية بنسبة تصل إلى 30.8%، خاصة عندما يكون تقليل الجهد البشري هو الأكثر أهمية. في دراسة استقصائية عن المستخدمين، كان لكل من الأولويات المدروسة والشروح تأثير كبير على استعادة المكافآت، مما يعزز من تأثير كل منهما على الآخر.

في الختام، أهلت هذه الدراسة تطوراً مثيراً في مجال الذكاء الاصطناعي وتعلم الروبوتات، مما يفتح آفاقاً جديدة لتحسين تفاعل الروبوتات مع البشر وتعلمها. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.