Penn State Üniversitesi'nden araştırmacılar, yapay zeka (YZ) sistemlerini nesneleri tanımlama ve çevrelerinde gezinme konusunda eğitmek için insanlardan ilham alan yenilikçi bir yaklaşım geliştirdiler. Bu araştırma, daha ileri düzeyde YZ sistemlerinin aşırı çevreleri keşfetme veya uzak dünyaları araştırma yeteneğini artırabilir.

Teknolojik Detaylar
İlk iki yıl içinde çocuklar, belirli nesneleri ve yüzleri farklı açılardan ve değişen aydınlatma koşullarında deneyimlerler. Bu gelişimsel içgörüden ilham alan araştırmacılar, mekansal pozisyon bilgilerini kullanarak YZ görsel sistemlerini daha verimli bir şekilde eğiten yeni bir makine öğrenme yaklaşımı geliştirdiler. Bu yöntemle eğitilen YZ modelleri, temel modellere göre %14.99'a kadar daha iyi performans gösterdi.

Araştırmacılar, bir tür kendini denetleyen öğrenme yöntemi olan yeni bir kontrastif öğrenme algoritması geliştirdiler. Bu algoritma, bir YZ sisteminin iki görüntünün aynı temel görüntüden türetildiğini belirlemesini sağlar. Mevcut algoritmalar, aynı nesnenin farklı açılardan çekilmiş görüntülerini ayrı varlıklar olarak ele alırken, bu yeni algoritma çevresel verileri de dikkate alarak bu zorlukların üstesinden gelir.

Simülasyon Ortamları
Araştırmacılar, ThreeDWorld platformunda yüksek doğrulukta, etkileşimli, 3D fiziksel simülasyon ortamları kurarak, bir çocuğun bir evde yürüdüğü gibi kamera konumlarını manipüle etme ve ölçme imkanı sağladılar. Üç simülasyon ortamı oluşturuldu: House14K, House100K ve Apartment14K. Bu ortamlarda, yeni algoritma ile eğitilen modellerin temel modellere göre çeşitli görevlerde daha iyi performans gösterdiği bulundu. Uygulama Alanları
Bu yaklaşım, yeni çevrelerde öğrenmesi gereken otonom robot ekipleri için özellikle faydalı olabilir. Örneğin, sanal bir apartmanda odaları tanıma görevinde, yeni algoritma ile eğitilen model %99.35 doğruluk oranına ulaştı, bu da temel modele göre %14.99'luk bir iyileşme anlamına geliyor.

Sonuç ve Gelecek Perspektifleri
Bu araştırma, enerji verimli ve esnek YZ eğitimi için ilk denemelerden birini temsil ediyor. Araştırmacılar, modelin mekansal bilgileri daha iyi kullanması ve daha çeşitli ortamları içermesi için çalışmalarını sürdürecekler.

Penn State Üniversitesi'nin Psikoloji Bölümü ve Bilgisayar Bilimleri ve Mühendisliği Bölümü'nden işbirlikçiler de bu çalışmaya katkıda bulundu. Bu çalışma, ABD Ulusal Bilim Vakfı ve Penn State'deki Hesaplama ve Veri Bilimleri Enstitüsü tarafından desteklendi.