Liputan6.com, Jakarta - Sebagai makhluk sosial, manusia memiliki kemampuan bawaan untuk belajar dari satu sama lain, sebuah fenomena yang tertanam kuat sejak usia dini. Tatapan penasaran bayi yang terpaku pada orang tua, saudara kandung, atau pengasuh memberikan jendela ke sifat mendasar ini.
Melalui pengamatan, peniruan, dan pengulangan yang tajam, mereka menyerap keterampilan dan perilaku yang ditampilkan di hadapan mereka, dan secara bertahap membangun pemahaman tentang dunia.
Advertisement
Terinspirasi oleh perjalanan belajar yang luar biasa yang dilakukan oleh balita, tim peneliti dari Carnegie Mellon University dan Meta memulai upaya untuk menanamkan kemampuan belajar serupa di dalam robot.
Misi mereka memuncak dalam penciptaan RoboAgent, entitas berbasis kecerdasan buatan (Artificial Intelligence, AI) yang memanfaatkan pengamatan pasif dan pembelajaran aktif untuk melengkapi robot dengan kemampuan manipulasi mirip dengan anak berusia tiga tahun.
"RoboAgent merupakan tonggak penting dalam perjalanan menuju pengembangan agen robotik serbaguna yang mampu belajar secara efisien, beradaptasi secara efektif dengan situasi baru, dan secara progresif memperluas keahlian mereka," ujar Vikash Kumar, peneliti di School of Computer Science’s Robotics Institute.
Kumar lebih lanjut menjelaskan, "Berbeda dari robot saat ini yang dikhususkan untuk tugas tertentu, RoboAgent mewujudkan ambisi untuk mewujudkan agen AI terpadu yang mampu melakukan beragam keterampilan di seluruh skenario tak terduga. Pendekatan pembelajarannya sangat mirip dengan bayi manusia – memanfaatkan perpaduan pengamatan pasif yang melimpah dan keterlibatan aktif selektif."
12 Keterampilan
Secara mengesankan, RoboAgent memiliki kemahiran untuk melakukan dua belas keterampilan manipulasi yang berbeda di berbagai konteks. Penelitian ini tidak hanya menampilkan potensi yang dapat disesuaikan dengan lingkungan yang terus berubah, tetapi juga menandai perubahan dari penelitian sebelumnya.
Tidak seperti lingkungan yang disimulasikan, tim menguji kemampuan RoboAgent dalam pengaturan dunia nyata, mencapai hasil yang luar biasa dengan data yang jauh lebih sedikit.
Abhinav Gupta, seorang associate professor di penelitian ini, mengagumi ruang lingkup proyek dan menyatakan, "RoboAgents menunjukkan kekayaan dan keragaman keterampilan yang melampaui pencapaian sebelumnya. Skala generalisasi untuk skenario baru, ditambah dengan efisiensi yang ditampilkan, menggarisbawahi keunikannya ."
Paradigma pembelajaran RoboAgent didasarkan pada perpaduan pengalaman otonom dan pengamatan pasif yang diambil dari sumber data internet. Dengan cara menyerupai orang tua yang membimbing perkembangan anak, peneliti mengarahkan robot dari jarak jauh melalui tugas, sehingga menanamkan pengalaman diri.
Advertisement
Transformatif
"Efisiensi dan efisiensi pendekatan kami bergantung pada arsitektur kebijakan inovatif kami, memungkinkan agen untuk bernalar bahkan dengan pengalaman terbatas," kata Homanga Bharadwaj, seorang mahasiswa doktoral.
RoboAgent, menurut Bharadwaj, menanggapi tujuan tekstual dan visual itu dengan "memprediksi dan menggabungkan keputusan dalam potongan gerakan sementara, kontras dengan praktik umum tindakan per langkah waktu."
Penting untuk lompatan transformatif ini adalah pengakuan bahwa robot terutama belajar dari pengalaman mereka sendiri, tanpa asimilasi pasif dari lingkungan mereka. Keterbatasan intrinsik ini membatasi baik luasnya paparan pengalaman yang beragam maupun kemampuan mereka untuk beradaptasi dengan keadaan baru.
Sebagai tanggapan, RoboAgent mengambil halaman dari pembelajaran manusia, menyerap pengetahuan dan perilaku dari video internet yang mencerminkan cara manusia berinteraksi dengan objek dan menerapkan keterampilan untuk menyelesaikan tugas dengan sukses.
Potensi Penggunaan
Mohit Sharma, seorang mahasiswa doktoral di bidang robotika, menjelaskan, "Dengan mengasimilasi informasi dari video ini, RoboAgent mempelajari prasangka tentang interaksi manusia-objek dan penggunaan keterampilan dalam penyelesaian tugas."
Pengamatan keterampilan serupa di berbagai konteks, menurut Sharma, menjadi pelengkap untuk membedakan komponen penting untuk pencapaian tugas. Wawasan ini terbukti sangat berharga saat dihadapkan dengan tugas asing atau lingkungan yang belum dipetakan.
Shubham Tulsiani, asisten profesor di Institut Robotika, menggarisbawahi implikasi yang lebih luas dari kemajuan ini, dengan menyatakan, "Agen pembelajaran kaliber ini mendorong kita lebih dekat ke robot universal yang mampu menangani berbagai tugas dengan mulus di lingkungan baru."
Tulsiani menilai bahwa kecakapan RoboAgent dalam pelatihan cepat dengan data dalam domain yang terbatas, sementara terutama mengandalkan data internet yang tersedia secara bebas, "memiliki potensi untuk memperkuat kegunaan robot dalam pengaturan yang tidak terstruktur seperti rumah tangga, fasilitas medis, dan ruang publik."
Advertisement
