السقالات التنموية مع نماذج لغوية كبيرة
| العنوان | السقالات التنموية مع نماذج لغوية كبيرة |
|---|---|
| المؤلف | جيليك، ب.، أحمد أوغلو، أ.، أوغور، إي.، أوزتوب، إرهان |
| تاريخ النشر: | 2023 |
| مكان النشر | - IEEE |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 978-166547075-9 |
| رقم السجل | fbb8f176-4dec-499b-bb73-fadeaf4ac0c4 |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2023 |
| ملاحظات | توبيتاك ; جامعة أوساكا؛ منظمة تطوير الطاقة الجديدة والتكنولوجيا الصناعية ; الجمعية اليابانية لتعزيز العلوم |
| نص عينة | يعد الاستكشاف والمراقبة الذاتية من الآليات الأساسية للتطور الحسي الحركي لدى الرضع. يتم توجيه هذه العمليات بشكل أكبر من خلال دعم الوالدين لتسريع اكتساب المهارات والمعرفة. في مجال الروبوتات التنموية، تم اعتماد هذا النهج في كثير من الأحيان من خلال جعل الإنسان بمثابة مصدر السقالات. في هذه الدراسة، نتحقق مما إذا كانت نماذج اللغة الكبيرة (LLMs) يمكن أن تعمل كعامل دعم لنظام آلي يهدف إلى تعلم كيفية التنبؤ بآثار أفعاله. ولتحقيق هذه الغاية، يتم أخذ إعداد معالجة الكائن بعين الاعتبار حيث يمكن اختيار كائن واحد ووضعه فوق كائن آخر أو بالقرب منه. يُطلب من LLM المعتمد توجيه عملية اختيار الإجراء من خلال أوصاف الحالة التي تم إنشاؤها خوارزميًا وبدائل اختيار الإجراء باللغة الطبيعية. تُظهر تجارب المحاكاة التي تتضمن مكعبات في هذا الإعداد أن التعلم الموجه بـ LLM (الموجه بـ GPT3.5) يؤدي إلى اكتشاف أسرع بكثير للهياكل الجديدة مقارنة بالاستكشاف العشوائي. ومع ذلك، لاحظنا أن GPT3.5 فشل في توجيه الروبوت بشكل فعال في إنشاء هياكل ذات إمكانات مختلفة مثل المكعبات والمجالات. بشكل عام، نستنتج أنه حتى بدون الضبط الدقيق، قد تكون شهادات LLM بمثابة عامل سقالات معتدل لتحسين تعلم الروبوت، ومع ذلك، فإنها لا تزال تفتقر إلى فهم القدرة على تحمل التكاليف مما يحد من إمكانية تطبيق LLMs الحالية في مهام السقالات الآلية. |
| DOI | 10.1109/ICDL55364.2023.10364374 |
