ویڈیو ٹیچرنگ کے حیرت انگیز چیلنجز کو ظاہر کرتا ہے. خود کو کپڑے دینا

ٹی ٹی شرٹ میں جھگڑا ہو سکتا ہے کچھ کاموں میں سے ایک ہوسکتے ہیں کہ ہم انسانوں کو کرنے کے قابل ہیں یہاں تک کہ ہم بھوک لگی ہیں اور ہماری آنکھوں سے نیند بھی کھاتے ہیں. لیکن حقیقت یہ ہے کہ ہم نے اپنے آپ کو (زیادہ سے کم یا کم) پہننے کے بارے میں مہارت حاصل کی ہے کہ کس طرح پیچیدہ مقاصد کا سلسلہ بٹ میں ہونے کی ضرورت ہوتی ہے تاکہ دروازے سے نکلنے کے لئے کافی لباس پہنچے.

ایک شخص جو اس کے ساتھ ساتھ کسی کو سمجھتا ہے، الیکس کیگگ، ایک کمپیوٹر سائنس پی ایچ ڈی ہے. جورجیا انسٹی ٹیوٹ آف ٹیکنالوجی کے طالب علم جو مصنوعی انٹیلی جنس ٹیکو کرنے کے لئے مشین سیکھنے کا استعمال کرتے ہوئے اپنے آپ کو کس طرح تیار کرنے پر توجہ مرکوز کررہے ہیں. جیسا کہ وہ بتاتا ہے اندرونی ای. جبکہ کافی ہوشیار ہے کہ پیئ پی سی پیچیدہ حکمت عملی کے کھیلوں میں سیپپس یا کس طرح دنیا بھر میں چیمپئنز کو چیلنج کر سکیں گے، تدریس مشینیں ایک قمیض کیسے بنائی جاتی ہیں، یہ ایک انتہائی خطرناک مقصد ثابت ہوا ہے.

وہ ایک ای میل میں بتاتا ہے "کپڑا پیچیدہ ہے". "یہ فوری طور پر جسم کی حیثیت میں فوری طور پر اور بہت کم تبدیلیوں کو فوری طور پر جواب دے سکتا ہے اور اکثر تحریک کو محدود کرتی ہے … کپڑے بھی جسم میں فولنے، چھڑی اور چپکنے، ہاپیک یا کام کے لئے حساس چھونے کے لئے رجحان ہے."

لہذا کیوں، بالکل، ایک کمپیوٹر کی آواز ہے جسے ہم صبح کے وقت میں کیسے پہنچے توڑنے کی کوشش کررہے ہیں؟ Clegg نے وضاحت کی کہ A.I. کے لئے کچھ ممکنہ ایپلی کیشنز موجود ہیں. جو کپڑے پہننے کے قابل طور پر سادہ نظر آتے ہیں وہ سمجھتا ہے. مختصر مدت میں، Clegg کے نتائج کچھ دن رفتار تیز رفتار 3D حرکت پذیری بنانے کے عمل کو استعمال کیا جا سکتا ہے. لیکن زیادہ اہم بات یہ ہے کہ یہ انتباہ معاون روبوٹ کے ڈیزائن کی قیادت میں مدد مل سکتی ہے جو انسانی اور نوجوانوں کی دیکھ بھال میں مدد کرسکتی ہے.

محققین نے ایک کمپیوٹر کو تدریس کرکے شروع کیا کہ کس طرح آستین میں بازو حاصل کرنا پڑتا ہے. دسمبر میں کمپیوٹر گرافکس پر آئندہ SIGGRAPH ایشیا 2018 کانفرنس میں پیش کیا جائے گا، میں Clegg اور ان کے ساتھیوں نے ان کا استعمال کرتے ہوئے عین مطابق تکنیک کی وضاحت کی، ایک قسم کی مشینری سیکھنے کا "گہری مضبوط سیکھنے" کہا جاتا ہے.

گہرے پرورش سیکھنے کا مقصد روبوٹ کی کوشش کرنے اور اس کو سکھانے کے لۓ ہے کہ وہ کچھ زیادہ سے زیادہ رفتار اور کاموں کو مکمل کرنے کے لۓ اسے دوبارہ کرکے کریں. ڈریسنگ ای. کے معاملے میں، Clegg کی ٹیم A.I. پروسیسنگ مجازی ماحول کا مشاہدہ کریں، اس کا پیچھا کریں، اور پھر اس کا اعزاز جب اسے صحیح راستے پر لگ رہا تھا.

Clegg نے وضاحت کی ہے کہ اس نے ساسیج کے سائز کے متحرک کردار کے لئے سینکڑوں ہزار کوششیں کی کوشش کی ہے جس نے انہیں جیکٹ یا ٹی شرٹ کے بارے میں سیکھنے کے بارے میں سیکھنے کے لئے تیار کیا. سب کے بعد، ان کے بوٹ کو یہ جاننا پڑا کہ کس طرح رابطے کو سمجھنے کے لۓ کیا جاتا ہے لہذا اس کی قمیض جب اس کی ضرورت ہے. اس کے علاوہ، وہ ممکنہ طور پر زندگی کے طور پر تخروپن بنانے کے لئے ایک فزکس انجن کو شامل کرنے کی بھی ضرورت ہے.

آخر میں، Clegg کی کشش، متحرک بیٹا نے اس کی قابلیت حاصل کرنے کا انتظام کیا تھا کہ اس کی شرٹ کو کس طرح حاصل کرنے کے لئے، یہاں تک کہ اگر تھوڑی دیر سے بھی. پھر بھی، نتائج ایک ثبوت کے تصور کے طور پر سب سے زیادہ مفید ہو سکتا ہے کہ غیر معمولی مسائل کو حل کرنے کے لئے کس طرح گہری سیکھنے کا استعمال کیا جا سکتا ہے.

انہوں نے کہا کہ "یہ دلچسپی ہے کہ ہم اس مسئلے کے میزبان تصور کریں جسے ہم گہری قابلیت سے متعلق سیکھنے سے حل کرسکتے ہیں." "ہم روبوٹکس کو چالو کرنے اور بڑی دشواریوں کے حل کو تلاش کرنے کے لۓ کام جاری رکھنا چاہتے ہیں جو بہت سے لوگوں کی روزمرہ زندگی کو متاثر کرتی ہیں."

روبوٹکس کے ساتھ کام کرنے کے لئے اس مطالعہ کے نتائج کے نتائج کو تبدیل کرنے کے سافٹ ویئر اور ہارڈویئر پہلوؤں دونوں کو ہم آہنگ کرنے کے لئے تھوڑا سا کام لگے گا. لیکن Clegg کے نتائج ان محققین کے لئے ایک راستہ نکالتے ہیں جو ہماری موجودہ حدود سے ہمارے مستقبل کے روبوٹ کارکنوں کو آزاد کرنے میں دلچسپی رکھتے ہیں.