Robots Influencing Humans to Reveal their Goals during Collaboration and Competition
यह शोध पत्र एक एकीकृत रणनीति प्रस्तावित करता है जो मनुष्यों को उन महत्वपूर्ण निर्णय बिंदुओं (Critical Decision Points) की ओर निर्देशित करके सहयोगात्मक और प्रतिस्पर्धी परिवेश में मानव लक्ष्य अनुमान (human goal inference) को त्वरित करती है जहाँ भिन्न रणनीतियाँ सूचना लाभ (information gain) को अधिकतम करती हैं, जो सिमुलेशन और वास्तविक दुनिया के रोबोट प्रयोगों दोनों में बेसलाइन की तुलना में बेहतर सटीकता और गति प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ रोबोट और इंसान एक साथ कंधे से कंधा मिलाकर काम करते हैं, मशीनों के रूप में नहीं जो केवल कठोर आदेशों का पालन करती हैं, बल्कि साझेदारों के रूप में जो एक-दूसरे के इरादों को समझने की कोशिश कर रहे हैं। एक रोबोट के लिए एक सच्चा साथी बनने के लिए, उसे यह अनुमान लगाना चाहिए कि एक इंसान किसी कार्य को पूरा करने से पहले क्या हासिल करने की कोशिश कर रहा है। यह कठिन है क्योंकि लोग अक्सर कई अलग-अलग कार्यों को एक ही तरह से शुरू करते हैं। एक व्यक्ति सूप चलाने के लिए, सलाद मिलाने के लिए, या आइसक्रीम निकालने के लिए चम्मच उठा सकता है। बाहर से देख रहे एक रोबोट के लिए, ये शुरुआती क्रियाएं बिल्कुल एक जैसी दिखती हैं, जिससे मशीन के मन में अंतिम लक्ष्य को लेकर अनिश्चितता बनी रहती है। यदि रोबोट गलत अनुमान लगाता है, तो वह गलत सामग्री थमा सकता है या रास्ता रोक सकता है, जिससे समय बर्बाद होता है और इंसान निराश होता है। चुनौती, केवल उत्तर दिखने तक देखने और प्रतीक्षा करने की नहीं है, बल्कि इंसान को धीरे से उस क्षण की ओर ले जाने की है जहाँ उनका वास्तविक इरादा स्पष्ट रूप से दिखाई देने लगे।
येल यूनिवर्सिटी, मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी और कोलोराडो विश्वविद्यालय के शोधकर्ताओं ने रोबोट के लिए इस पहेली को सुलझाने का एक नया तरीका विकसित किया है। वे प्रस्ताव देते हैं कि इंसान द्वारा लक्ष्य प्रकट करने का निष्क्रिय रूप से इंतजार करने के बजाय, एक रोब में बातचीत को सक्रिय रूप से उन विशिष्ट क्षणों की ओर मोड़ना चाहिए जिन्हें वे "क्रिटिकल डिसीजन पॉइंट्स" (महत्वपूर्ण निर्णय बिंदु) कहते हैं। ये वे स्थितियाँ हैं जहाँ आगे का रास्ता विभाजित होता है, और इंसान द्वारा किए गए चुनाव एक लक्ष्य को दूसरे से स्पष्ट रूप से अलग कर देते हैं। उदाहरण के लिए, यदि कोई व्यक्ति स्मूदी या स्टू (stew) में से कुछ बना रहा है, तो पानी और सब्जियां इकट्ठा करने के शुरुआती चरण दोनों के लिए समान होते हैं। हालाँकि, जिस क्षण व्यक्ति उन सामग्रियों को ब्लेंडर या बर्तन में डालने का निर्णय लेता है, वह एक महत्वपूर्ण निर्णय बिंदु होता है। शोधकर्ताओं ने पाया कि यदि रोबोट सूक्ष्म रूप से इंसान को इन क्षणों तक जल्दी पहुँचने के लिए प्रेरित कर सके, तो वह केवल देखने की तुलना में बहुत अधिक तेज़ी से और अधिक सटीकता के साथ लक्ष्य को समझ सकता है।
इस विचार का परीक्षण करने के लिए, टीम ने दो बहुत अलग परिदृश्य बनाए: एक सहकारी कुकिंग टास्क (सहयोगपूर्ण खाना बनाना) और लुका-छिपी का एक प्रतिस्पर्धी खेल। कुकिंग प्रयोग में, एक इंसान और एक रोबोट ने रसोई में मिलकर तीस संभावित व्यंजनों में से एक तैयार करने के लिए काम किया, जिसमें दलिया से लेकर पास्ता तक शामिल थे। शोधकर्ताओं ने रोबोट को एक प्लानिंग सिस्टम के साथ प्रोग्राम किया जो भविष्य की संभावित क्रियाओं पर नज़र रखता था। रोबोट उन चालों को चुनता जो कार्य को आगे बढ़ाते हुए भी इंसान को एक ऐसा विकल्प चुनने के लिए तैयार करतीं जिससे उनके इरादे स्पष्ट हो सकें। उदाहरण के लिए, यदि रोबोट को यह जानने की आवश्यकता थी कि इंसान पारफे (parfait) चाहता है या स्मूथी, तो वह पहले चम्मच या कटोरे जैसी सामान्य वस्तु एकत्र कर सकता था जिसका उपयोग दोनों के लिए किया जा सकता था। इसने रोबोट को किसी विशिष्ट रेसिपी के प्रति प्रतिबद्ध हुए बिना मददगार बनाए रखा। ऐसा करके, इसने इंसान को अंततः एक विशिष्ट सामग्री, जैसे दही या केल (kale) चुनने के लिए प्रोत्साहित किया, जो तुरंत इच्छित व्यंजन को प्रकट कर देता।
इन कुकिंग सिमुलेशन और एक भौतिक रोबोट के साथ वास्तविक दुनिया के परीक्षणों के परिणाम चौंकाने वाले थे। इस नई पद्धति ने रोबोट को अन्य रणनीतियों की तुलना में काफी पहले सही भोजन की पहचान करने में सक्षम बनाया। कई मामलों में, रोबोट ने बातचीत के पहले तीसरे हिस्से के भीतर ही सही लक्ष्य का अनुमान लगा लिया, जबकि अन्य तरीके अक्सर कार्य के लगभग आधा होने तक संघर्ष करते रहे। जब रोबोट ने जल्दी अनुमान लगाया, तो उसने कम गलतियाँ कीं, जैसे कि गलत सामग्री मिलाना या अनावश्यक कदम उठाना। इसके विपरीत, अन्य दृष्टिकोण जो निष्क्रिय अवलोकन पर निर्भर थे या जो कार्य पर विचार किए बिना केवल जानकारी जुटाने की कोशिश करते थे, अक्सर रोबोट को गलत दिशा में ले गए, जिससे इंसान को बाद में उन्हें सुधारने के लिए मजबूर होना पड़ा। अध्ययन बताता है कि काम को पूरा करने की आवश्यकता और इंसान की योजना को सीखने की आवश्यकता के बीच संतुलन बनाकर, रोबोट एक अधिक कुशल और विश्वसनीय साथी बन जाता है।
शोधकर्ताओं ने एक प्रतिस्पर्धी सेटिंग में भी अपने दृष्टिकोण का परीक्षण किया, जहाँ एक रोबोट ने मानव-नियंत्रित रोबोट के खिलाफ लुका-छिपी का खेल खेला। इस खेल में, इंसान छिपने की कोशिश करता है, और खोजने वाला रोबोट उसे ढूँढता है। चूँकि इंसान दीवारों के पीछे छिप सकता था, इसलिए रोबोट हमेशा उसे देख नहीं पाता था, जिससे यह जानना कठिन हो जाता था कि वह कहाँ जा रहा है। यहाँ, "क्रिटिकल डिसीजन पॉइंट्स" मानचित्र पर वे विशिष्ट स्थान थे जहाँ इंसान की संभावित छिपने की रणनीतियाँ उन्हें अलग-अलग रास्तों पर जाने के लिए मजबूर करतीं। रोबोट ने अपने प्लानिंग सिस्टम का उपयोग इस तरह से किया कि वह इंसान को इन निर्णय बिंदुओं की ओर जाने के लिए प्रेरित करे। ऐसा करके, रोबोट इंसान के अगले कदम को देख सका और उनकी छिपने की रणनीति का पता लगा सका। सिमुलेशन और वास्तविक दुनिया के परीक्षणों में, इस पद्धति का उपयोग करने वाले रोबोट ने इंसान का पीछा करने वाले या मानचित्र को बेतरतीब ढंग से खोजने वाले रोबोटों की तुलना में कम चरणों में छिपने वाले को पकड़ लिया।
यह कार्य लोगों के साथ रोबोट के संवाद के तरीके में एक बदलाव को रेखांकित करता है। इंसान को केवल देखे जाने वाले एक अप्रत्याशित चर (variable) के रूप में मानने के बजाय, रोबोट एक सक्रिय भागीदार बन जाता है जो मानवीय इरादों को स्पष्ट करने के लिए वातावरण को आकार देता है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण तब भी काम करता है जब इंसान एक मददगार साथी हो या एक प्रतिस्पर्धी प्रतिद्वंद्वी, और चाहे रोबोट सब कुछ देख पा रहा हो या केवल दृश्य के कुछ हिस्सों को। हालाँकि वर्तमान प्रयोग नियंत्रित वातावरण में विशिष्ट नियमों के साथ किए गए थे, लेकिन निष्कर्ष एक शक्तिशाली सिद्धांत का सुझाव देते हैं: रोबोट तब तेज़ी से सीख सकते हैं और बेहतर काम कर सकते हैं जब वे बातचीत को उन क्षणों की ओर निर्देशित करते हैं जहाँ मानवीय चुनाव सबसे अधिक मायने रखते हैं। अध्ययन यह दावा नहीं करता है कि उसने मानव-रोबोट संपर्क की हर समस्या को हल कर दिया है, लेकिन यह अनिश्चितता को कम करने और मनुष्यों और मशीनों के बीच अधिक स्वाभाविक, प्रभावी साझेदारी बनाने के लिए एक ठोस तरीका प्रदान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।