Međunarodna suradnja
Projekt detalji
Računalni model neverbalne komunikacije sa sposobnošću adaptivnog učenja kroz interakciju i prilagodbe
- Akronim
- DOK-2023-10
- Voditelj projekta
- Tomislav Stipančić
- Financiranje
- HRZZ - Croatian Science Foundation
- Ukupni budžet
- 139.464,00 EUR
- FSB udio
- 0,00 EUR
- Internacionalan
- Ne
- Početak - Kraj
- -
- Sažetak
- Cilj ovog projekta je razviti računalni model koji računalnom agentu omogućuje učenje tijekom interakcije koristeći neverbalne komunikacijske znakove te analizirajući dostupni prostor informacija. Zaključivanje računalnog agenta će se temeljiti na analizi interakcije i prostora informacija u koji je interakcija uronjena u stvarnom vremenu te na stalnoj prilagodbi sustava temeljenog na umjetnoj inteligenciji (u nastavku AI sustava) promjenama koje su karakteristične za stvarnu okolinu. Interakcija čovjeka i robota predstavlja znanstveno područje u razvoju. Nove metode temeljene na dubokom učenju omogućuju sustavima da koriste pohranjeno znanje prilikom odlučivanja. Trenutne hipoteze odlučivanja prema kojima sustav donosi odluke mogu biti potvrđene (osnažene) ili odbačene (oslabljene) kroz interakciju. Stoga interakcija može predstavljati važan mehanizam kroz koji se sustav prilagođava promjenama u okolini. Osoba s kojom sustav ima interakciju smatra se dijelom okoline budući da je uronjena u taj prostor informacija. Tijek interakcije stoga čini dostupnim informacije koje računalni model može koristi prilikom formiranja ili odbacivanja konačne odluke o koracima interakcije. Tradicionalne tehnike strojnog učenja koriste uglavnom statične podatke (unaprijed pripremljene) prilikom primjene u stvarnom svijetu na način da je proces učenja dovršen i ostaje nepromijenjen dok je sustav u upotrebi (engl. Batch Learning). U tome slučaju, postupak treninga modela se odvija u trenutku dok se model ne koristi. Sve dok uvjeti u okolini ostaju isti, model bi trebao biti u stanju davati uspješne rezultate. Karakteristika realnog svijeta je da se stalno mijenja, odnosno varijantnost je konstantna što znači da će se točnost modela mijenjati te da će padati kako rastu razlike u odnosu na stanje okoline prilikom treniranja inicijalnog modela. Adaptivna umjetna inteligencija uključuje nove podatke iz radnog okruženja kako bi se stvorili točniji uvidi o stanju okoliša u stvarnom vremenu. Metode umjetne inteligencije temeljene na učenju u stvarnom vremenu (engl. Online Learning) se smatraju sljedećom evolucijskom fazom razvoja računalnih modela. Tada je moguće koristiti različite AI metode, na primjer metode pojačanog učenja (engl. Reinforcement Learning – RL) kako bi sustav sakupio nove spoznaje i osvježio postojeće znanje koristeći tehnike nagrađivanja i kažnjavanja s ciljem donošenja optimalnog rješenja u ovisnosti o trenutnom cilju i kontekstu interakcije. Uključivanjem metodologije učenja koje je fleksibilno i adaptivno u odnosu na promjene, kao što su modeliranje temeljeno na agentima (engl. Agent-Based Modelling – ABM) ili pojačano učenje (RL), prilagodljivi AI sustavi su reaktivniji na promjenjivi svijet oko sebe i stoga se mogu neprimjetno prilagođavati novim okruženjima i okolnostima koje nisu bile prisutne tijekom ranijih faza razvoja. To se može postići prikupljanjem i prilagodbom novih podataka te korištenjem modela koji sadrže komponentu prilagodbe i ažuriranja vlastitih kodova, omogućujući tako AI sustavu da se dinamički prekvalificira, uči i poboljšava prateći promjene u okruženju. Podaci koji su pažljivo sakupljeni mogu predstavljati promjene u ponašanju osobe u interakciji u stvarnom vremenu, što znači da AI sustav može kontinuirano prilagođavati svoju strategiju interakcije za vrijeme dok ona traje. Učenje i prilagodba u stvarnom vremenu omogućavaju robotima ili računalnim agentima postizanje cilja prema kriterijima koji u tome trenutku vode ka optimalnim rješenjima. U duhu te argumentacije, AI strategije koje će biti ugrađene u računalni model odlučivanja agenta temeljit će se na interakciji i adaptaciji sustava kako bi mogao donositi odluke koje su primjerene trenutnom kontekstu. Ovakav pristup je nužan za pravovremen i primjeren odgovor sustava budući da je okolina dinamična i samo gledište osobe u interakciji predstavlja izvor nesigurnosti budući da je subjektivno i podložno stalnim promjenama. Stoga je jedan od ciljeva primjene novog adaptivnog računalnog modela učenja stvaranje i održavanje (kroz interakciju) uzajamnog razumijevanja (engl. Mutual Understanding) koristeći informacijski prostor kao dijeljeni bazen informacija (engl. Common Ground) koji se stalno osvježava i nadopunjava s recentnim informacijama i spoznajama. Novi model će biti temeljen na multi-modalnoj interakciji koja uzima u obzir više osjetilnih modalnosti koje analiziraju prostor informacija. Novi model će se temeljiti na postojećem čiji je razvoj sufinancirala Hrvatska zaklada za znanost kroz projekt “AMICORC – Afektivna multimodalna interakcija temeljena na konstruiranoj robotskoj spoznaji” (UIP-2020-02-7184)”. Postojeći model je treniran s podacima asinkrono, tj. u trenutku kada se model ne koristi (eng. Batch Learning). Prototip afektivnog robota PLEA koji je razvijen u sklopu projekta AMICORC će biti nadograđen novim modelom koji će sadržavati inovativnu komponentu učenja u stvarnom vremenu kroz interakciju.
- Partneri