W ciągu ostatnich kilku dekad technologia stała się integralną częścią naszego życia. Chociaż społeczeństwo w dużej mierze zaakceptowało ten skok, przez cały czas istnieją pewne opory przed przyjęciem, iż maszyny mogą działać na równi z ludźmi, a choćby zastąpić ich w wykonywaniu niektórych zadań. Dr Michael Richardson i dr Rachel Kallen ze Szkoły Nauk Psychologicznych na Uniwersytecie Macquarie w Sydney w Australii podjęli wiele badań nad tym, jak można stworzyć maszyny, które będą w stanie naturalnie i skutecznie współdziałać z ludźmi.
Ze względu na charakter społeczeństwa, w którym żyjemy, nasze ludzkie zachowania często wiążą się z koordynacją naszych działań z innymi, zwłaszcza jeżeli mamy wspólny cel. kooperacja z innymi jest bardziej efektywna i zależy od naszych podstawowych umiejętności w zakresie percepcji społecznej. zwykle takie działania wiążą się z tym, iż współpracujemy z innymi ludźmi. Dr Richardson i dr Kallen są jednak zainteresowani tym, czy maszyny mogą odegrać rolę w tym kontekście, zwłaszcza biorąc pod uwagę szybkie tempo rozwoju wirtualnej rzeczywistości i technologii robotycznych. Uważają oni, iż roboty mogłyby pomóc w zapewnieniu ludziom treningu i rehabilitacji motoryki percepcyjnej, a także pomóc osobom starszym lub niepełnosprawnym.
Naukowcy przyznają, iż aby sztuczna inteligencja została zaakceptowana w społeczeństwie, musi mieć koordynację w czasie rzeczywistym i zdolność do reagowania w sposób „podobny do ludzkiego”. Aby osiągnąć taki poziom wydajności, konieczne są szczegółowe badania i modelowanie prawdziwych ludzkich działań. Duża część badań dr Richardsona i dr Kallena koncentruje się na testowaniu skuteczności dynamicznych prymitywów motorycznych, matematycznego sformułowania ludzkich zachowań percepcyjno-motorycznych, w celu kontrolowania ruchów i działań sztucznych jednostek. Ten rodzaj modelowania może uchwycić dwa główne rodzaje ruchów motorycznych wykazywanych przez ludzi, czyli ruchy dyskretne, takie jak sięganie lub rzucanie, oraz ruchy rytmiczne, takie jak machanie i chodzenie.
Badanie efektywnej interakcji człowiek-maszyna
Aby ocenić skuteczność robotów w zadaniach wymagających współpracy, dr Richardson i dr Kallen przeprowadzili badanie porównujące wydajność par człowiek-człowiek i człowiek-maszyna. Zadanie eksperymentalne polegało na tym, iż pary pracowały razem, aby zapędzić małe stado wirtualnych owiec do określonego miejsca. Wyniki pokazały, iż wydajność ludzi i maszyn była taka sama jak w przypadku par człowiek-człowiek. Co ważne, dr Richardson i dr Kallen byli w stanie wykazać, iż złożone ludzkie ruchy i zachowania społeczne mogą być z powodzeniem modelowane i implementowane przez sztuczną inteligencję, zwłaszcza gdy wymagana jest kooperacja wielu stron.
Badania te są wspierane przez kolejne badania prowadzone przez dr Richardsona i dr Kallena, których celem było sprawdzenie, czy roboty mogą w naturalny sposób podejmować działania typu „podnieś i połóż”. Są to czynności, które wykonujemy codziennie z osobami w naszych domach, takie jak nakrywanie do stołu czy ładowanie zmywarki. Badania wykazały, iż dynamiczne prymitywy motoryczne były skuteczne w instruowaniu sztucznych agentów, kiedy mają podać przedmiot, a także jakie ruchy rąk mają wykonać. Kolejnym celem badania było ustalenie, czy ludzie są w stanie wykryć zaangażowanie maszyny w to zadanie. W ramach eksperymentu uczestnicy nosili zestawy słuchawkowe rzeczywistości wirtualnej, które maskowały, czy ich partnerem jest inny człowiek czy maszyna. Uczestnicy zostali poinstruowani, aby współpracować w celu przeniesienia kolorowych dysków z jednego obszaru stołu do odpowiedniego celu. Wyniki wykazały, iż po zakończeniu zadania uczestnicy nie byli w stanie stwierdzić, czy pracowali z człowiekiem czy z maszyną. To jeszcze bardziej potwierdza optymizm badaczy co do udanego włączenia sztucznych agentów do wspólnych ludzkich działań.
FDATA ROBOT | UnsplashUlepszanie interakcji z maszynami na podstawie ludzkich zachowań
Pomimo podjęcia badań, które wykazały udaną współpracę między ludźmi a robotami, dr Richardson i dr Kallen chętnie badali, jak można jeszcze bardziej wzmocnić te relacje. Podczas gdy ważne jest, aby zachowanie sztucznych agentów było postrzegane jako naturalne przez ich ludzkich partnerów, istotne jest również, aby maszyny mogły poradzić sobie z mniej przewidywalnymi i bardziej chaotycznymi zachowaniami ludzi. Aby interakcja była udana, zarówno ludzie jak i maszyny muszą być wysoce elastyczne i adaptacyjne. Dr Richardson i dr Kallen przyznają, iż jeżeli maszyny mają odegrać kluczową rolę w treningu, rehabilitacji i pomocy, to jest to możliwa bariera, którą należy pokonać.
Ostatnio naukowcy podjęli się badania, w którym sprawdzali, czy można wprowadzić ulepszenia w tym, jak roboty radzą sobie z chaosem. Przetestowali teorię stosowaną w kognitywistyce i psychologii, która opiera się na opóźnieniach w sprzężeniu zwrotnym w ludzkim percepcyjnym systemie motorycznym. Wcześniej sądzono, iż opóźnienia w przetwarzaniu mogą negatywnie wpływać na ludzkie interakcje. Jednak ostatnio badania wykazały, iż bardzo małe opóźnienia sprzężenia zwrotnego, rzędu kilku milisekund, mogą pomóc człowiekowi zsynchronizować się z działaniami innej osoby i przewidywać je, choćby jeżeli są one chaotyczne.
Zjawisko to określane jest mianem „synchronizacji antycypacyjnej” i zostało zastosowane do uczenia się człowieka z maszyną przez dr Richardsona i dr Kallena. Odkryli oni, iż te mikro opóźnienia miały pozytywny efekt i zwiększały zdolność maszyn do reagowania na chaotyczne zachowania. Co ciekawe, umożliwiło to również sztucznym agentom lepszą synchronizację ich zachowań z ludźmi – jest to coś, co zwykle występuje tylko w interakcjach międzyludzkich. Pokazuje to, iż zasady naszego ludzkiego zachowania mogą poprawić zachowanie maszyn, co jest etosem obecnym w badaniach dr Richardsona i dr Kallena. Uważają oni, iż najskuteczniejszym podejściem jest połączenie strategii i wiedzy inspirowanych przez człowieka z bardziej standardową nauką komputerową.
Wykorzystanie maszyn w szkoleniach
Innym kluczowym przedmiotem badań dr Richardsona i dr Kallena jest zastosowanie maszyn w szkoleniu ludzi, zwłaszcza w odniesieniu do zachowań motorycznych. Większość złożonych zadań wymaga szkolenia dla nowych pracowników, co często okazuje się kosztowne i czasochłonne dla zaangażowanych organizacji. Zaangażowanie maszyn w to szkolenie mogłoby być sposobem na zwiększenie wydajności i obniżenie kosztów. Interaktywne roboty mogłyby przejąć role szkoleniowe, które zwykle zajmują ludzie. Jednak aby odnieść sukces, trenerzy-agenci musieliby wykazywać naturalne ludzkie zachowania podczas interakcji z uczestnikami szkolenia.
W badaniach dr Richardsona i dr Kallena wykazano, iż wydajność maszyn może być nie do odróżnienia od wydajności człowieka. Wykorzystanie dynamicznych prymitywów motorycznych w modelowaniu zachowań sztucznych agentów zostało uznane za najważniejszy czynnik w generowaniu wysokiego poziomu wydajności.
Xu Haiwei | UnsplashW badaniach nad szkoleniem robotów dr Richardson i dr Kallen wykorzystali kolejne wirtualne zadanie związane z wypasem owiec. Tym razem zastosowano trzy różne scenariusze eksperymentalne, aby ocenić, czy maszyny są w stanie zapewnić porównywalny poziom szkolenia do ludzkich ekspertów. W pierwszym i drugim scenariuszu badano wydajność par człowiek-człowiek i człowiek-maszyna, a w trzecim scenariuszu oceniano, czy ludzie mogą nauczyć się skutecznego zachowania od sterowanego modelowo sztucznego agenta. Następnie badacze sprawdzili, czy ludzie byli w stanie przenieść te umiejętności, aby poprawić swoje przyszłe wyniki, gdy będą sparowani z innym człowiekiem.
Wyniki pokazały, iż ludzie mogli z powodzeniem uczyć się od maszyny i byli w stanie wykorzystać to do poprawy przyszłych wyników z innymi członkami zespołu. Mimo sukcesu, dr Richardson i dr Kallen chcieli ustalić, jaki rodzaj modelowania sztucznego agenta daje najbardziej efektywną i podobną do ludzkiej wydajność treningu. Aby ocenić, czy dynamiczne prymitywy motoryczne są najbardziej optymalnymi zasadami programowania dla sztucznych trenerów, badacze przeprowadzili kolejne badania, porównując je z alternatywną metodą zwaną głębokim uczeniem wzmacniającym. To alternatywne podejście polega na tym, iż sztuczny agent uczy się, jak zachowywać się w określonym środowisku, metodą prób i błędów, wykonując działania i obserwując ich rezultaty. Podczas porównywania tej metody modelowania dzięki kolejnych zadań wirtualnego stada owiec okazało się, iż dynamiczne modelowanie prymitywów motorycznych daje najbardziej udane rezultaty. Dalsze badania wykazały, iż optymalnym podejściem może być hybryda obu metod.
Dr Richardson i dr Kallen wykazali kluczową rolę, jaką roboty mogą odegrać w treningu umiejętności percepcji motorycznej w wielu branżach, w tym w służbie zdrowia i sporcie. Z czasem maszyny będą mogły odgrywać coraz większą rolę w doskonaleniu naszych wspólnych zachowań i będą mogły zaoferować społeczeństwu wiele korzyści. Naukowcy utrzymują, iż ludzie również mogą się wiele nauczyć od maszyn. Jednak zanim sztuczni agenci zostaną szerzej przyjęci w naszym społeczeństwie, potrzebne jest większe zaufanie i akceptacja ze strony ludzi. Dr Richardson i dr Kallen twierdzą, iż gdy ludzie zaangażują się w pracę z maszynami jak równy z równym, wtedy będzie można wykorzystać ich prawdziwe zalety.
