DeepMind baru-baru ini mengumumkan pembuatan RoboCat, model AI yang dapat secara efisien melakukan banyak tugas menggunakan beberapa lengan robot dunia nyata. Inovasi terobosan ini adalah yang pertama dari jenisnya yang secara efisien menangani beberapa tugas sambil beradaptasi dengan model robot yang berbeda, berpotensi menurunkan penghalang untuk menyelesaikan tugas baru dalam robotika.
RoboCat dikembangkan berdasarkan model DeepMind sebelumnya yang disebut Gato, yang berfungsi sebagai sistem AI yang mampu menganalisis dan berinteraksi dengan teks, gambar, dan peristiwa. Itu dilatih pada data gambar dan tindakan dari robotika simulasi dan kehidupan nyata. Data yang digunakan untuk pelatihan terdiri dari model pengontrol robot dalam lingkungan virtual, robot yang dikendalikan manusia, dan iterasi RoboCat sebelumnya.
Para peneliti memulai pelatihan dengan mengumpulkan 100 hingga 1.000 demonstrasi tugas atau mengajar lengan robot yang dikendalikan oleh manusia. Selanjutnya, RoboCat menyempurnakan tugas tersebut, membuat model spin-off khusus yang mempraktikkan tugas sekitar 10.000 kali. Dengan mengembangkan dataset pelatihan RoboCat menggunakan data model spin-off dan data demonstrasi, mereka menghasilkan versi model AI yang lebih baru.
Versi final RoboCat dilatih pada total 253 tugas dan kemudian dibandingkan dengan 141 variasi tugas ini dalam simulasi dan skenario dunia nyata. DeepMind menemukan bahwa setelah mengamati 1.000 demonstrasi yang dikendalikan manusia, RoboCat mahir mengoperasikan berbagai jenis lengan robot. Selain itu, meskipun dilatih pada robot dengan lengan bercabang dua, model AI dapat beradaptasi dengan lengan yang lebih kompleks dengan pegangan tiga jari dan input yang dapat dikontrol dua kali lebih banyak.
Namun, tingkat keberhasilan model bervariasi secara drastis dari 13% hingga 99% di beberapa tugas tergantung pada jumlah demonstrasi yang disertakan dalam data pelatihan. Meskipun demikian, DeepMind mengungkapkan bahwa RoboCat dapat mempelajari tugas-tugas baru dengan sedikitnya 100 demonstrasi dalam beberapa kasus.
Tujuan masa depan tim peneliti termasuk mengurangi jumlah demonstrasi yang diperlukan untuk mengajarkan RoboCat tugas baru menjadi kurang dari sepuluh. Seiring pengembangan model AI yang membantu tugas-tugas robotik terus berkembang, integrasi dengan platform low-code dan no-code modern seperti AppMaster dapat semakin meningkatkan otomatisasi dan efisiensi untuk berbagai industri, termasuk manufaktur dan logistik.
Platform seperti AppMaster tidak hanya membantu bisnis memecahkan masalah kompleks dengan cepat, tetapi juga mengurangi biaya pengembangan perangkat lunak. Karena model AI tingkat lanjut seperti RoboCat terus bermunculan, menggabungkannya dengan platform low-code dan no-code untuk mengelola tugas di berbagai industri memiliki potensi untuk merevolusi proses bisnis, produktivitas, dan inovasi.
