این روزها با پیشرفت سریع هوش مصنوعی و رباتیک، شاید تصور کنیم که ساخت رباتهای هوشمندتر تمام مشکلات را در محیطهای کاری پیچیده حل میکند. اما آیا تا به حال به این فکر کردهاید که یک ماشین بسیار پیشرفته چطور باید با یک اپراتور انسانی هماهنگ شود؟ مقاله جدیدی که به تازگی در نشریه معتبر Nature Electronics منتشر شده است، نشان میدهد که در تیمهای متشکل از انسان و ربات، راز اصلی موفقیت تنها در گرو فناوری نیست؛ بلکه برقراری یک ارتباط موثر و هماهنگی مداوم حرف اول را میزند.
مفهوم Alignment در همکاری انسان و ربات
گروهی از محققان از دانشگاه موناش (Monash University) و سازمان CSIRO که در واقع آژانس ملی علوم استرالیا محسوب میشود، در بررسیهای خود به نتایج قابل تاملی دست یافتهاند. آنها در مقاله خود تاکید میکنند که تیمهای موفق انسان و ربات به شدت به مفهومی به نام Alignment وابسته هستند. اما این کلمه در اینجا به چه معناست؟
در این پژوهش، منظور از Alignment یک درک مشترک و کاملا بهروز از تواناییها، محدودیتها، نقشها و زمانبندی هر یک از اعضای تیم است. وقتی رباتها از محیطهای کنترلشدهی آزمایشگاهی خارج میشوند و به دنیای واقعی و غیرقابل پیشبینی قدم میگذارند، حفظ این درک مشترک اهمیت دوچندانی پیدا میکند.
پروفسور دانا کولیچ (Dana Kulić)، محقق ارشد CSIRO و استاد دانشگاه موناش در این زمینه میگوید: «چالش اصلی فقط ساخت رباتهای توانمندتر نیست. یک انسان و یک ربات میتوانند هر دو بسیار توانمند باشند، اما اگر درک درستی از تواناییهای یکدیگر نداشته باشند یا ندانند چه کسی باید قدم بعدی را بردارد، تیم بسیار ضعیفی تشکیل میدهند.»
تغییرات مداوم و خطر عدم هماهنگی
رباتهای امروزی از نظر مکانیکی و نرمافزاری بسیار توانمند شدهاند. با این حال عملکرد آنها بسته به شرایط محیطی میتواند تغییر کند. از طرف دیگر، انسانهایی که با این سیستمها کار میکنند نیز از نظر سطح تخصص، انتظارات و حجم کاری با هم تفاوت دارند. همین تفاوتها میتواند شکافی میان انسان و ماشین ایجاد کند.
وقتی این درک مشترک از بین برود، مثلا انسان توانایی ربات را دست کم بگیرد یا از آن انتظارات بیش از حد داشته باشد، کار تیمی با شکست مواجه میشود. یک اپراتور باید بداند که ماشین در شرایط فعلی قادر به انجام چه کاری هست و کجا با عدم قطعیت روبرو میشود. ماشین هم به نوبه خود باید دانش، اولویتها و اقدامات کاربر انسانی را در نظر بگیرد. به همین دلیل، Alignment چیزی نیست که یک بار در ابتدای کار تنظیم شود و برای همیشه ثابت بماند. با تغییر شرایط، این همسویی نیز باید حفظ و بهروزرسانی شود.
آیا ارتباط بیشتر همیشه بهتر است؟
نکته جالبی که پژهشگران در این مقاله به آن اشاره میکنند این است که تبادل داده بیشتر، همیشه به معنای عملکرد بهتر نیست. یک تیم موثر به این نیاز دارد که اطالعات درست، در زمان مناسب و به شکل کاربردی به دست عضو مناسب برسد. اگر یک ماشین بخواهد تمام جزئیات پردازشی خود را به اپراتور منتقل کند، تنها باعث حواسپرتی و افزایش بار ذهنی او میشود.
اینجا است که طراحی الگوریتمها و رابطهای کاربری هوشمند وارد میدان میشوند. سیستمها باید بتوانند از طریق ارتباطات چندوجهی (Multimodal) با انسان تعامل کنند و پیامهای خود را بر اساس نیاز کاربر تطبیق دهند. دکتر دیوید هاوارد (David Howard)، مدیر گروه طراحی رباتیک در CSIRO، معتقد است همانطور که در تیمهای ورزشی، درک متقابل پیششرط موفقیت انسانهاست، این موضوع برای تیمهای مشترک انسان و ماشین نیز حیاتی است تا بتوان از آنها در صنایع مختلف بهره برد.
لایههای فنی ارتباط در رباتیک مدرن
در گذشتهی نه چندان دور، برنامهریزی سیستمهای مکانیکی معمولا بر اساس معماری State Machine (ماشین حالت) انجام میشد. در این روش دستگاه در هر لحظه در یک وضعیت ثابت قرار داشت و با دریافت یک ورودی خاص، به حالت بعدی منتقل میشد. این رویکرد برای خطوط مونتاژ کلاسیک کارآمد بود، اما برای محیطهای پویای امروزی بسیار غیرمنعطف است.
امروزه برنامهنویسان با استفاده از فریمورکهایی مانند ROS میتوانند گرههای مستقلی برای مدیریت بخشهای مختلف پردازشی ایجاد کنند. یکی از این بخشها میتواند مختص پردازش تصویر و Pose Estimation (تشخیص حالت چهره و مفاصل بدن انسان) باشد. با این قابلیت، سیستم میفهمد که آیا کاربر در حال حاضر به دستگاه نگاه میکند یا حواسش به جای دیگری است.
اگر سیستم تشخیص دهد که کاربر توجهی به او ندارد، پیش از انجام یک حرکت سریع، ابتدا با یک سیگنال نوری یا صوتی توجه او را جلب میکند. این سطح از آگاهی محیطی، نیازمند تکنیکی به نام Sensor Fusion یا ادغام دادههای سنسورهای مختلف (مانند دوربینهای عمقسنج، LiDAR و میکروفونها) است.
علاوه بر این، پیادهسازی سیستمهای Natural Language Processing (پردازش زبان طبیعی) روی سختافزارهای صنعتی در حال تبدیل شدن به یک ترند جدی است. تصور کنید به جای کار با پنلهای کنترلی، کارگر بتواند خیلی ساده به دستگاه بگوید: «قطعهی بعدی را با سرعت کمتری روی میز قرار بده». تبدیل این دستور صوتی به مجموعهای از پارامترهای کنترل موتور، دستاوردی است که مدلهای هوش مصنوعی امروزی به راحتی از پس آن برمیآیند.
در نهایت، محققان تاکید دارند که گام بعدی در این مسیر، توسعه روشهایی برای اندازهگیری دقیق Alignment است. باید مشخص شود که ناهماهنگی در چه زمانی بیشترین آسیب را به عملکرد تیم میزند و برای کارهای مختلف مانند امداد و نجات، خطوط تولید کارخانهها یا سیستمهای درمانی، دقیقاً به چه سطحی از ارتباط نیاز داریم.