ربات های امروزی همکارانی ناشی هستند زیرا آن ها اغلب در پیش بینی نیازهای انسانی ناتوان می باشند. در بیمارستان ها، ربات ها برای انجام وظایف ساده مانند تحویل مواد و داروها به کار گرفته می شوند، اما باید قبلاً به طور واضح به آن ها گفته شود که چه کاری انجام دهند.
یک تیم از آزمایشگاه هوش مصنوعی و علوم کامپیوتری ام آی تی (CSAIL) فکر می کند که به زودی این مسئله تغییر می کند، و آن ربات ها ممکن است در کمک به انسان ها برای انجام یکی از پیچیده ترین وظایف بیشترین تأثیر گذاری را داشته باشند: یعنی زمان بندی کردن.
در یک جفت از مقالات جدید، پژوهشگران CSAIL یک ربات را نمایش می دهند که با یاد گرفتن از کارگران انسانی، می تواند در تعیین و زمان بندی وظایف در زمینه های مختلف از پزشکی تا نظامی کمک کند.
در مقاله ای، این تیم، رباتی را نمایش می دهد که پرستاران را در یک بخش کاری یاری می کند، در آن جا ربات توصیه هایی درباره هر موضوعی ارائه میدهد: از اینکه یک بیمار را به کجا انتقال دهیم تا اینکه کدام پرستار را به یک عمل جراحی اختصاص دهیم.
Julie Shah، استاد دانشگاه ام آی تی و نویسنده ارشد در هر دو مقاله می گوید: "هدف کار گسترش هوش مصنوعی بود که می تواند از مردم یاد بگیرد که چگونه محیط کار و واحد تحویل کار می کند. به طوری که ربات ها بهتر می توانند پیش بینی کنند که چگونه سودمند باشند یا چه زمانی خود را از کار خارج کنند- و شاید حتی با همکاری در تصمیم گیری های چالشی کمک کنند."
در یک مقاله دوم، همان سیستم در یک بازی ویدیویی که سناریوهای دفاع موشکی را شبیه سازی می کند، مورد آزمون قرار گرفت. در بازی، که توسط پژوهشگران آزمایشگاه لینکولن ام آی تی توسعه داده شده، و شامل استفاده از موشک های طعمه برای دفع حملات دشمن است، سیستم حتی بعضی از اوقات در کاهش هر دو تعداد حملات موشکی و هزینه کلی طعمه بهتر از متخصصان انسانی عمل کرد.
مقاله کاربخش در رباتیک اخیرکنفرانس علوم و سیستم ها (RSS)، منتشر شد و توسط دانشجوی دکترا Matthew Gombolay، دانشجویان فوق دکترای CSAIL، Xi Jessie Yang و Brad Hayes ، و Neel Shah و Toni Golen ، از مرکز پزشکی مذهبی Beth Israel، که جایی است که تحقیق در آن انجام شد،  با همکاری یکدیگر نوشته شد،.
مقاله همانندسازی نیروی دریایی در کنفرانس مشترک بین المللی این هفته درباره هوش مصنوعی (IJCAI) ارائه می شود، و با همکاری Gombolay و Reed Jensen ، Jessica Stigile ، و Sung-Hyun Son از آزمایشگاه لینکلن نوشته شده است.
درست طبق برنامه
از بازدید از بیمارستان ها و کارخانه ها، Shah و Gombolay فهمیدند که زیرمجموعه ای از کارگران هستند که به شدت برنامه ریزهای توانمندی هستند، اما نمی توانند به سادگی آن دانش را به همکاران خود منتقل کنند.
Gombolay می گوید: "دانستن اینکه چه چیزی باعث می شود افراد خاصی در این کار خوب باشند اغلب مثل یک راز به نظر می رسد. توانایی خودکار کردن وظیفه یادگیری از متخصصان- و سپس تولید آن در سرتاسر صنایع- می تواند کمک کند که بسیاری از تجارت ها بسیار مؤثرتر عمل کنند."
یک محل به خصوص دشوار برای برنامه ریزی بیمارستان ها هستند. سرپرستاران بخش های کاری باید تلاش کنند که پیش بینی کنند چه زمانی یک زن به کار می رسد، کار چقدر طول می کشد، و کدام یک از بیماران به اندازه ای مریض هستند که نیازمند عمل جراحی یا فرایندهای دیگر باشند.
آن ها با یک جریان بی پایانی از تصمیمات چالشی و آنی فراگرفته شده اند که شامل تخصیص پرستاران به بیماران، بیماران به تخت ها، و تکنسین ها به عمل های جراحی است. در Beth Israel سرپرستار باید 10 پرستار، 20 بیمار و 20 اتاق را بصورت همزمان هماهنگ کند، به این معنی که تعداد احتمالات زمان بندی مشخص به تناوب 21,000,000  اضافه می شود که بیشتر از تعداد اتم ها در جهان می باشد.
Gombolay می گوید: "ما فکر کردیم که یک محیط پیچیده مثل یک بخش کاری برای تلاش به خودکار کردن زمان بندی و برداشتن این بار قابل توجه از شانه کارگران، مکان خوبی است."
نحوه کار آن
مانند بسیاری از سیستم های هوش مصنوعی، ربات تیم به وسیله "یادگیری از طریق مشاهده"، که شامل دیدن انجام وظایف توسط انسان است، آموزش داده می شود. اما Gombolay می گوید "پژوهشگران هرگز نتوانسته اند این تکنیک را در زمان بندی به کار بگیرند، به دلیل پیچیدگی هماهنگ سازی اعمال متعدد که می توانند بسیار به یکدیگر وابسته باشند."
برای غلبه بر این، تیم سیستم خود را آموزش داد که به چندین عملی که برنامه ریزهای انسانی می سازند، بنگرد و آن ها را با همه اعمال ممکن که در آن لحظه های زمانی ایجاد نشده اند، مقایسه کند. در اینجا، یک سیاست زمان بندی ایجاد می شود که می تواند به صورت پویا به شرایط جدیدی که قبلاً ندیده است پاسخ دهد.
Shah می گوید: "به جای بررسی اعمال جدا از یکدیگر، ما یک مدلی ساختیم که می فهمد چرا یک عمل از جایگزین آن بهتر است. با بررسی همه این مقایسه ها، می توانید یاد بگیرید که پیشنهاد دهید کدام عمل بیشتر سودمند خواهد بود."
این سیاست، مدل- آزاد است، به این معنی که لازم نیست پرستاران برای آموزش ربات ها به طور دقیق هر عمل احتمالی را در هر سناریوی ممکن با دست رتبه بندی کنند.
Gombolay می گوید: گمی توانید ربات را روی میزکار بگذارید ، و فقط با نگاه کردن به انسان ها در حال اجرای وظایف مختلف، او می فهمد که چگونه یک برنامه زمان بندی مؤثر را هماهنگ کند."
نتایج
با این چارچوب، سیستم- که تیم به آن لقب "برنامه ریزی کارآموزی" داده- می تواند وظایف اتاق را پیش بینی کند و پیشنهاد دهد که کدام پرستاران به بیماران برای عمل های جراحی و فرایندهای دیگر اختصاص داده شوند.
این رویکرد از طریق آزمایشاتی مورد ارزیابی قرار گرفت که در آن یک ربات برای حمایت در تصمیم گیری پرستاران و پزشکان هنگامی که آن ها در محیط کار تصمیم گیری می کنند، ارائه شد.
با استفاده از این سیستم در یک ربات نائو، پرستاران توصیه های ربات را در 90 درصد مواقع پذیرفتند. تیم همچنین توضیح داد که انسان ها فقط کورکورانه پیشنهادات را قبول نمی کردند؛ ربات به صورت عمدی بازخوردهای بدی را تحویل داد که به همان میزان 90 درصد توسط پرستاران پذیرفته نشد، که نشان می داد سیستم برای تشخیص بین پیشنهادات خوب و بد آموزش دیده است.
پرستاران به طور تقریباً یکنواختی بازخورد مثبت درباره ربات داشتند. یکی از آن ها گفت که "این ربات حتی امکان پراکندگی حجم کاری بیشتری را می دهد." در حالی که یک پرستار دیگر می گوید: "این ربات به ویژه برای پرستاران جدید که ممکن است محدودیت ها و پیچیدگی های نقش خود را نفهمند، مفید است."
Dana Kulic، یک استادیار مهندسی کامپیوتر در دانشگاه واترلو می گوید: "یک پتانسیل عالی از این تکنولوژی این است که راه حل های خوب می توانند خیلی سریع تر به بسیاری از بیمارستان ها و محل های کاری انتشار یابند. برای مثال، پیشرفت های ابتکاری می توانند خیلی سریع از بیمارستان های تحقیقاتی به مراکز بهداشت منطقه ای توزیع شوند."
شاه می گوید که: تکنیک های جدید استفاده های زیادی دارند، از تبدیل ربات ها به همکاران بهتر تا کمک به آموزش پرستاران جدید، اما هدف این نیست که ربات هایی توسعه یابند که کاملاً طبق نظر خود تصمیم بگیرند.
Shah توضیح می دهد: "این نتایج اولیه نشان می دهند پتانسیل شگرفی برای ماشین ها وجود دارد تا به روش های فوق العاده ای با ما همکاری کنند که بسیاری از بخش های اقتصادی را بهبود می دهد. ربات های بدساخت قبلی با اعضای تیمی ارزشمند جایگزین می شوند.
مقاله RSS توسط بنیاد ملی علوم، بنیاد مدیریت بحران دانشگاه هاروارد CRICO، و شرکت رباتیک Aldebaran پشتیبانی شده است. مقاله IJCAI توسط بنیاد ملی علوم و نیروی دریایی ایالات متحده حمایت گردیده است.