دستیار هوش مصنوعی کار تیمی را برای ارتقای همکاری موثر نظارت می کند

در یک سفر دریایی تحقیقاتی در اطراف هاوایی در سال 2018، Yuening Zhang SM ’19, PhD ’24 مشاهده کرد که نگه داشتن یک کشتی تنگ چقدر دشوار است. هماهنگی دقیق مورد نیاز برای نقشه‌برداری از زمین‌های زیر آب، گاهی اوقات می‌تواند به یک محیط استرس‌زا برای اعضای تیم منجر شود، که ممکن است درک متفاوتی از وظایفی که باید در شرایط خود به خود در حال تغییر انجام شوند، داشته باشند. در طول این سفرها، ژانگ به این فکر کرد که چگونه یک همراه روباتیک می‌توانست به او و هم‌کارانش کمک کند تا به اهداف خود دست یابند.

شش سال بعد، ژانگ به عنوان دستیار پژوهشی در آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL)، چیزی را توسعه داد که می‌توان آن را یک قطعه گمشده در نظر گرفت: دستیار هوش مصنوعی که با اعضای تیم ارتباط برقرار می‌کند تا نقش‌ها را هماهنگ کرده و یک هدف مشترک را انجام دهد. در مقاله ای که در کنفرانس بین المللی ارائه شد روی رباتیک و اتوماسیون (ICRA) و منتشر شد روی IEEE Xplore روی او و همکارانش در 8 آگوست سیستمی را ارائه کردند که می‌تواند بر تیمی از عوامل انسانی و هوش مصنوعی نظارت کند و در صورت نیاز برای افزایش اثربخشی کار تیمی در حوزه‌هایی مانند ماموریت‌های جستجو و نجات، روش‌های پزشکی و بازی‌های ویدئویی استراتژی مداخله کند.

گروه تحت رهبری CSAIL یک مدل تئوری ذهن برای عوامل هوش مصنوعی ایجاد کرده است که نشان می دهد انسان ها چگونه فکر می کنند و برنامه عمل احتمالی یکدیگر را هنگام همکاری در یک کار درک می کنند. این هماهنگ کننده تیم جدید با مشاهده اقدامات عوامل همکار خود، می تواند برنامه های آنها و درک آنها از یکدیگر را از مجموعه اعتقادات قبلی استنباط کند. هنگامی که برنامه های آنها ناسازگار است، کمک کننده هوش مصنوعی با همسو کردن باورهای آنها در مورد یکدیگر، آموزش اقدامات آنها و همچنین پرسیدن سؤالات در صورت نیاز، مداخله می کند.

به عنوان مثال، هنگامی که یک تیم از امدادگران برای تریاژ قربانیان در میدان هستند، باید بر اساس تصمیم گیری کنند. روی باورهای آنها در مورد نقش ها و پیشرفت یکدیگر. این نوع برنامه‌ریزی معرفتی را می‌توان با نرم‌افزار CSAIL بهبود بخشید، که می‌تواند پیام‌هایی در مورد آنچه که هر عامل قصد انجام یا انجام داده است برای اطمینان از تکمیل کار و جلوگیری از تلاش‌های تکراری ارسال کند. در این مثال، کمک کننده هوش مصنوعی ممکن است مداخله کند تا بگوید که یک مامور قبلاً به اتاق خاصی رفته است، یا اینکه هیچ یک از ماموران منطقه خاصی را با قربانیان احتمالی پوشش نمی‌دهند.

ژانگ که اکنون یک دانشمند پژوهشی در Mobi Systems است، می‌گوید: «کار ما این احساس را در نظر می‌گیرد که «من معتقدم که شما به آنچه دیگران معتقد هستند، باور دارید». «تصور کنید که دارید کار می کنید روی یک تیم و از خود می‌پرسید، «آن شخص دقیقاً چه کار می‌کند؟ قرار است چه کار کنم؟ آیا او می داند که من قرار است چه کار کنم؟ ما الگو می‌کنیم که چگونه اعضای مختلف تیم برنامه جامع را درک می‌کنند و آنچه را که برای کمک به تکمیل هدف کلی تیم خود باید انجام دهند، با آنها ارتباط برقرار می‌کنند.»

هوش مصنوعی برای نجات

حتی با یک برنامه پیچیده، هم عوامل انسانی و هم رباتیک با سردرگمی مواجه می‌شوند و اگر نقش‌شان مشخص نباشد، اشتباه می‌کنند. این وضعیت اسفبار به ویژه در مأموریت های جستجو و نجات بسیار بزرگ است، جایی که هدف ممکن است یافتن فردی در خطر با وجود زمان محدود و منطقه وسیعی برای اسکن باشد. خوشبختانه، فناوری ارتباطی افزوده شده با دستیار رباتیک جدید به طور بالقوه می تواند طرف های جستجو را در مورد کارهایی که هر گروه انجام می دهند و کجا به دنبال آن هستند، آگاه کند. به نوبه خود، مأموران می‌توانستند زمین خود را با کارآمدتر حرکت دهند.

این نوع سازماندهی وظیفه می تواند در سایر سناریوهای پرمخاطره مانند جراحی ها کمک کند. در این موارد ابتدا پرستار باید بیمار را به اتاق عمل بیاورد سپس متخصص بیهوشی بیمار را قبل از شروع عمل جراح بخواباند. در طول عمل، تیم باید به طور مداوم وضعیت بیمار را تحت نظر داشته باشد در حالی که به صورت پویا به اقدامات هر یک از همکاران پاسخ می دهد. برای اطمینان از اینکه هر فعالیت در این روش به خوبی سازماندهی شده باقی می ماند، هماهنگ کننده تیم هوش مصنوعی می تواند در صورت بروز سردرگمی در مورد هر یک از این وظایف، نظارت کند و مداخله کند.

کار تیمی مؤثر همچنین در بازی‌های ویدیویی مانند «Valorant» ضروری است، جایی که بازیکنان به طور مشترک با یکدیگر هماهنگ می‌کنند که چه کسی نیاز به حمله و دفاع در برابر تیم دیگری آنلاین دارد. در این سناریوها، یک دستیار هوش مصنوعی می تواند ظاهر شود روی صفحه نمایش برای هشدار به کاربران در مورد اینکه کجا وظایفی را که باید انجام دهند اشتباه تفسیر کرده اند.

ژانگ قبل از اینکه توسعه این مدل را رهبری کند، EPike را طراحی کرد، یک مدل محاسباتی که می تواند به عنوان یک عضو تیم عمل کند. در یک برنامه شبیه سازی سه بعدی، این الگوریتم یک عامل رباتیک را که نیاز به مطابقت با a را کنترل می کرد container به نوشیدنی انتخاب شده توسط انسان هر چقدر هم که منطقی و پیچیده باشند، مواردی پیش می‌آید که این ربات‌های شبیه‌سازی شده با هوش مصنوعی به دلیل تصورات نادرستشان در مورد شرکای انسانی یا کارشان محدود می‌شوند. هماهنگ‌کننده جدید هوش مصنوعی می‌تواند در صورت نیاز برای حل مشکلات احتمالی، باورهای عوامل را تصحیح کند و به طور مداوم در این مورد مداخله می‌کند. این سیستم پیام هایی را در مورد نیت واقعی انسان به ربات ارسال کرد تا اطمینان حاصل شود که با آن مطابقت دارد container به درستی

«در کار ما روی برایان سی ویلیامز، پروفسور هوانوردی و فضانوردی MIT، عضو CSAIL و نویسنده ارشد می‌گوید که با همکاری انسان و ربات، ما در طول سال‌ها از اینکه شرکای انسانی چگونه می‌توانند روان باشند، متواضع شده‌ایم و الهام گرفته‌ایم. روی مطالعه «فقط به یک زوج جوان با بچه‌ها نگاه کنید که با هم کار می‌کنند تا بچه‌هایشان را صبحانه ببرند و به مدرسه بروند. اگر یکی از والدین همسر خود را در حال سرو صبحانه ببیند و هنوز در لباس حمام خود است، والدین می دانند که سریع دوش بگیرند و بچه ها را بدون نیاز به گفتن یک کلمه به مدرسه ببرند. شرکای خوب با عقاید و اهداف یکدیگر و کار ما هماهنگ هستند روی برنامه ریزی معرفتی تلاش می کند تا این سبک استدلال را به دست آورد.

روش محققین، استدلال احتمالی را با مدل‌سازی ذهنی بازگشتی عوامل ترکیب می‌کند و به دستیار هوش مصنوعی اجازه می‌دهد تصمیم‌های محدود به ریسک بگیرد. علاوه بر این، آنها تمرکز کردند روی درک عوامل مدل سازی از برنامه ها و اقدامات، که می تواند مکمل کار قبلی باشد روی مدل سازی باورها در مورد جهان یا محیط فعلی دستیار هوش مصنوعی در حال حاضر بر اساس باورهای ماموران استنباط می کند روی قبل معینی از باورهای ممکن، اما گروه MIT استفاده از تکنیک های یادگیری ماشین را برای ایجاد فرضیه های جدید در نظر می گیرد. روی مگس برای به کار بردن این همتا برای کارهای واقعی، آنها همچنین قصد دارند نمایش های طرح غنی تری را در کار خود در نظر بگیرند و هزینه های محاسباتی را بیشتر کاهش دهند.

پل رابرتسون، رئیس آزمایشگاه زبان Dynamic Object، استادیار دانشگاه جانز هاپکینز، تیانمین شو، و وابسته سابق CSAIL Sungkweon Hong PhD ’23 به ژانگ و ویلیامز می‌پیوندند. روی کاغذ کار آنها تا حدی توسط برنامه هوش اجتماعی مصنوعی برای تیم های موفق (ASIST) آژانس پروژه های تحقیقاتی پیشرفته دفاعی ایالات متحده (دارپا) پشتیبانی شد.