Bootstrapping Self-Supervised Learning of Binary Classification Using Error Bounds: A Case Study on a Robotic Insertion Task

تخيل عالماً تكون فيه الروبوتات هي العمال المثاليين في المصانع، حيث تعمل دون كلل لتجميع المنتجات بدقة فائقة تتجاوز قدرات البشر. لكن هنا تكمن المشكلة: على عكس الإنسان الذي يمكنه إلقاء نظرة خاطفة على قطعة مهتزة ويقول: "همم، هذا لا يبدو صحيحاً"، فإن الروبوت غالباً ما يكون مجرد تابع أعمى للتعليمات. فإذا حاول دفع وتد في ثقب وأخطأ الهدف، قد يستمر في الدفع، مما يؤدي إلى كسر الآلة أو إتلاف المنتج. ولإيقاف ذلك، يلجأ المهندسون عادةً إلى إضافة خطوة "فحص السلامة". فكر في الأمر كمعلم صارم يصحح كل مسألة رياضية يحلها الطالب قبل السماح له بالانتقال إلى التالية. هذا الإجراء آمن، لكنه بطيء وممل للغاية؛ إذ يتعين على الروبوت التوقف، والقياس، والتحقق في كل مرة، مما يجعل المصنع بأكره يعمل بسرعة السلحفاة.

هنا يأتي دور فكرة "التعلم تحت الإشراف الذاتي" (Self-supervised learning). إنه يشبه منح الروبوت عقلاً يتعلم أثناء عمله. فبدلاً من انتظار المعلم ليصحح كل إجابة، يحاول الروبوت تخمين الإجابة بنفسه. ولكن كيف يمكنك الوثوق بروبوت لا يزال في مرحلة التعلم؟ إذا خمن بشكل خاطئ، ستحدث كارثة. السؤال الكبير الذي يحاول العلماء حله هو: كيف يمكننا السماح للروبوت بتخمين إجاباته الخاصة لتسريع العمل، مع ضمان عدم ارتكابه الكثير من الأخطاء؟ نحن بحاجة إلى وسيلة تجعل الروبوت يعرف: "أنا متأكد جداً من هذه الإجابة"، مقابل "ليس لدي أدنى فكرة، من الأفضل أن أتصل بإنسان". تتناول هذه الورقة البحثية هذه المشكلة تحديداً، حيث تقترح نظاماً ذكياً يسمح للروبوت بالتعلم أثناء العمل مع الحفاظ على سيطرة محكمة على عدد المرات التي قد يخطئ فيها.

---

محرك "الحدس" الخاص بالروبوت

في هذه الدراسة، قام فريق من الباحثين ببناء "محرك بيانات" لذراع روبوتية يتعين عليها التقاط قطع من وعاء وإدخالها في أداة تثبيت. فكر في الأمر كأن الروبوت يلعب لعبة "الوتد في الثقب" عالية المخاطر. الهدف بسيط: إدخال القطعة. المشكلة هي أن القطعة قد تكون منحنية قليلاً أحياناً، أو الثقب متسخ، أو قبضة الروبوت غير دقيقة. إذا قام الروبوت بدفعها بالقوة عندما لا ينبغي له ذلك، فقد يتسبب في تلف المعدات.

تقليدياً، لضمان السلامة، يقوم الروبوت بإجراء "تحقق مكلف" بعد كل محاولة. وفي هذه التجربة المحددة، كان ذلك يعني أن الروبوت سيلمس القطعة فعلياً لقياس ارتفاعها. هذا فحص دقيق بنسبة 100%، ولكنه يستغرق حوالي 5 ثوانٍ لكل دورة. وإذا كان عليك القيام بذلك لآلاف القطع، فإن المصنع سيتوقف عن العمل تماماً.

أراد الباحثون استبدال هذا الفحص الفيزيائي البطيء بـ "تخمين" رقمي سريع باستخدام نموذج تعلم آلي. لكنهم أدركوا أنهم إذا تركوا الروبوت يخمن فحسب، فقد يرتكب الكثير من الأخطاء. لذا، ابتكروا نظاماً يعمل مثل مقياس الثقة.

كيف يعمل النظام: "اختبار الحدس"

هذه هي الخدعة السحرية: الروبوت لا يخمن فحسب، بل يحسب مدى تأكده من تخمينه.

1. المدخلات الحسية: بينما يدفع الروبوت القطعة للداخل، فإنه يسجل "ملف القوة" (Force profile)—وهو رسم بياني لكيفية قوة الدفع بمرور الوقت. هذا يشبه الاستماع إلى صوت انزلاق القطعة؛ فالانزلاق السلس يبدو مختلفاً عن الانزلاق المتعثر.
2. الدماغ (التعلم الآلي): يستخدم الروبوت نموذج تعلم آلي للنظر في رسم القوة البياني والتنبؤ: "هل نجحت العملية؟".
3. مقياس الثقة (درجة ويلسون - Wilson Score): هذا هو الجزء الأهم. النموذج لا يكتفي بقول "نعم" أو "لا" فقط، بل يستخدم أداة رياضية تسمى "درجة ويلسون" لرسم شبكة أمان حول إجابته. إنه يحسب "الحد الأدنى" للثقة.
   • تخيل طالباً يؤدي اختباراً. إذا كان الطالب متأكداً بنسبة 100%، فإنه يرفع يده فوراً. وإذا كان متأكداً بنسبة 50% فقط، فإنه يتردد.
   • في حالة هذا الروبوت، إذا كان "الحد الأدنى" لثقته مرتفعاً بما يكفي (بمعنى أنه من غير المرجح إحصائياً أن يكون مخطئاً)، فإنه يثق في تنبؤه ويمضي قدماً.
   • أما إذا كانت الثقة منخفضة (أي أن شبكة الأمان مهتزة جداً)، فإن الروبوت يقول: "لست متأكداً"، ويقوم بإجراء "التحقق المكلف" (فحص الارتفاع الفيزيائي) ليكون متأكداً تماماً.

حلقة التحسين الذاتي

الجزء الأكثر روعة في هذا النظام هو أنه يصبح أكثر ذكاءً كلما عمل أكثر.

• عندما يكون الروبوت غير متأكد: يقوم بالفحص الفيزيائي البطيء. ولكن الميزة هنا هي أنه يحفظ تلك البيانات! فهو يسجل: "ظننت أنها عملية ناجحة، لكن الفحص الفيزيائي قال إنها فشل".
• التعلم: يأخذ النظام لحظات "كنت مخطئاً" هذه ويستخدمها لإعادة تدريب دماغه. إنه يتعلم كيف يبدو شكل "الفشل" في ملف القوة.
• النتيجة: بمرور الوقت، يواجه الروبوت حالات أقل يشعر فيها بعدم اليقين. يبدأ في تقديم تنبؤات واثقة بشكل متكرر، وتنخفض الحاجة إلى الفحص الفيزيائي البطيء بشكل كبير.

ماذا تقول الأرقام؟

اختبر الباحثون هذا النظام على ذراع روبوتية حقيقية. قاموا بتشغيل النظام عبر 1503 محاولة إدخال. ووجدوا أنه من خلال ضبط "عتبة الثقة" (مدى التأكد الذي يحتاجه الروبوت قبل الوثوق بنفسه)، يمكنهم التحكم بدقة في عدد الأخطاء التي يرتكبها النظام.

• الأخطاء المحكومة: أظهروا أنه يمكنهم ضمان بقاء معدل الخطأ تحت حد معين (على سبيل المثال، أقل من 5% أو 10% من الوقت).
• تسريع العمل: في أفضل السيناريوهات، بعد أن تعلم الروبوت قليلاً، توقف عن إجراء الفحص الفيزيائي البطي^ لقرابة 90% من المهام. لقد وثق في "حدسه" لأن الرياضيات أثبتت أنه موثوق.
• المقارنة مع المرجع الأساسي: قارنوا طريقتهم (درجة ويلسون) بطريقة رياضية أقدم وأبسط (الفترة الثنائية - Binomial Interval). كانت الطريقة القديمة مفرطة في التسرع؛ حيث كانت تثق في نفسها مبكراً جداً، مما يؤدي إلى المزيد من الأخطاء. أما طريقة "درجة ويلسون" فكانت أكثر صبراً، حيث تنتظر حتى تمتلك أدلة كافية لتكون واثقة حقاً.

الخلاصة

لا تدعي هذه الورقة البحثية أنها حلت كل مشاكل الروبوتات في الكون. بدلاً من ذلك، هي تقدم طريقة عملية للسماح للروبوت بالتعلم أثناء العمل، دون الحاجة إلى مراقبة إنسان له في كل ثانية.

من خلال استخدام "حد الثقة" الرياضي، يخلق النظام شبكة أمان تسمح للروبوت بتسريع عمله. يبدأ بحذر وبطء، ولكن مع جمع المزيد من البيانات والتعلم من أخطائه، يصبح أسرع وأكثر استقلالية، مع البقاء ضمن حد صارم لعدد الأخطاء المسموح بها. إنها خطوة نحو مصانع يمكنها التكيف بسرعة، والتعلم من تجاربها الخاصة، والاستمرار في العمل بكفاءة دون تدخل بشري مستمر.