شهدت الروبوتات تطورًا كبيرًا في السنوات الأخيرة، إذ باتت هذه الآلات قادرة على أداء العديد من المهام المعقدة التي كانت في السابق تتطلب تدخلًا بشريًا مباشرًا، ابتداءً من العمل في المصانع الضخمة ووصولًا إلى المستشفيات، مما يدل على التقدم الكبير الذي حققه البشر في مجال الذكاء الاصطناعي.

ولكن هل يمكن للروبوتات أن تصل إلى مستوى التعاون والتنسيق الذي يتميز به البشر، وهل يمكنها أن تشكل فرق عمل فعالة لتحقيق أهداف مشتركة؟ 

كشفت دراسة حديثة أجراها الباحثون في جامعة (ماساتشوستس أمهرست) Massachusetts Amherst، أن تعليم الروبوتات التعاون والانتظار طوعًا لزملائها في الفريق حتى إتمام المهام، يمكنها من إكمال المهام بشكل أسرع وأكثر دقة مقارنة بالطرق التقليدية. وهذه النتيجة الواعدة تفتح آفاقًا جديدة لتحسين كفاءة العمليات في مجالات مثل التصنيع والزراعة وأتمتة المستودعات.

تطوير نموذج جديد لتعليم الروبوتات التعاون:

لطالما اعتمدت طرق جدولة المهام في الروبوتات على تخصيص مهمة واحدة لكل روبوت، ولكن هذا الأسلوب التقليدي يواجه صعوبة في التعامل مع بيئات العمل المعقدة التي تتطلب مرونة عالية.

وللتغلب على هذه المشكلة، طور الباحثون في جامعة (ماساتشوستس أمهرست) نموذجًا جديدًا يسمح بتكوين فرق عمل من عدة روبوتات للتعاون في إنجاز المهمة نفسها، كما يتيح لها الانتظار بذكاء لحين توفر فرص أفضل.

وقد أطلق الباحثون على هذا النموذج اسم (التعلم من أجل الانتظار الطوعي والعمل الجماعي) LVWS، ويستند في عمله إلى تقنيات التعلم الآلي والتعلم العميق لحساب أفضل طريقة لتوزيع المهام بين الروبوتات، وذلك من خلال تقييم المهام المختلفة وتحديد الأولويات، والانتظار عند الحاجة إلى تنفيذ مهام معقدة، مما يزيد من كفاءة العمل.

وقال هاو تشانج، الأستاذ المساعد في كلية علوم الحاسوب في جامعة ماساتشوستس أمهرست، وأحد المشاركين في إعداد الدراسة: “تقوم الروبوتات بمهام كبيرة تتطلب تضافر الجهود مثل البشر. فعلى سبيل المثال، إذا كان لديهم صندوق كبير لا يمكن أن يحمله روبوت واحد، سيطلب الأمر تعاون أكثر من روبوت لحمله، وهنا يجب أن تكون الروبوتات قادرة على الانتظار بوعي من أجل إنجاز المهام الكبيرة، بدلًا من الانشغال بالمهام الصغيرة فقط”.

ويشرح تشانج أن تصميم خوارزميات تتيح للروبوتات التعاون بشكل فعال وتحديد أولويات المهام هو تحدٍ كبير في مجال الذكاء الاصطناعي، إذ يتطلب الأمر أن تكون الروبوتات قادرة على تقييم قدرتها على إنجاز مهمة معينة، وتحديد الموارد اللازمة، والتنسيق مع الروبوتات الأخرى لتحقيق الهدف.

نموذج (LVWS) يحقق قفزة نوعية في تعاون الروبوتات:

لاختبار فعالية نموذج (LVWS)، في تعاون الروبوتات، كلف الباحثون ستة روبوتات بإنجاز 18 مهمة في بيئة محاكاة متطورة. وقد أظهر هذا النموذج تفوقًا ملحوظًا مقارنة بأربعة نماذج أخرى.

وفي هذه المحاكاة، جري تحديد الحل الأمثل لإنجاز جميع المهام في أقصر وقت ممكن، ومن ثم، يمكن قياس مدى اقتراب كل نموذج من هذا الحل المثالي باستخدام مقياس يُسمى (دون المستوى الأمثل) suboptimality، الذي يعبر عن نسبة الانحراف عن الحل الأمثل.

وقد أظهرت النتائج أن النماذج الأربعة المنافسة سجلت معدلات تراوحت بين 11.8% و 23%، مما يعني أنها ابتعدت بشكل كبير عن الحل الأمثل.

بينما حقق نموذج (LVWS) الجديد إنجازًا بارزًا بتسجيل معدل لا يتجاوز 0.8%، وهذا يعني أن هذا النموذج يقترب بشكل كبير من الحل النظري المثالي، مما يؤكد كفاءته العالية في تنسيق عمل الروبوتات وتوزيع المهام بينها.

وتعليقًا على هذه النتائج قال ويليارد خوسيه، أحد الباحثين الرئيسيين في هذا المشروع: “إن النتائج التي توصلنا إليها تؤكد أن نموذج (LVWS ) يمثل قفزة نوعية في مجال تعاون الروبوتات، حيث يوفر لنا حلًا قريبًا جدًا من الحل المثالي، مما يفتح آفاقًا جديدة لاستخدام الأنظمة الروبوتية في مجالات مختلفة”.

أهم مزايا نموذج (LVWS) الجديد:

• زيادة الكفاءة: أثبتت التجارب أن فرق الروبوتات التي تستخدم نموذج (LVWS) قادرة على إكمال المهام بشكل أسرع وأكثر دقة مقارنة بالطرق التقليدية.
• التكيف مع بيئات العمل المتغيرة: يمكن للروبوتات التي تستخدم هذا النموذج التكيف بسهولة مع التغيرات في بيئة العمل، إذ تستطيع إعادة تقييم المهام وتعديل سلوكها وفقًا لذلك.
• تقليل التكاليف: يمكن لنموذج (LVWS) أن يساعد في تقليل التكاليف عن طريق زيادة كفاءة استخدام الروبوتات وتقليل الحاجة إلى روبوتات إضافية.
• توسيع نطاق التطبيقات: يمكن تطبيق هذا النموذج في العديد من المجالات، مثل التصنيع والزراعة واللوجستيات، مما يفتح آفاقًا جديدة لأتمتة العمليات الصناعية.

ولكن كيف يحسن الانتظار من كفاءة أداء الروبوتات؟

أثبتت الدراسة أن جعل الروبوتات تنتظر في بعض الأحيان يمكن أن يحسن بنحو كبير من كفاءة أدائها، فبدلًا من أن يقوم كل روبوت بالمهمة المتاحة له على الفور، فإن التخطيط الدقيق لعمليات الانتظار يمكن أن يؤدي إلى تسريع إنجاز المهام.

وللتوضيح، تخيل هذا السيناريو: لديك ثلاثة روبوتات، اثنان صغيران يمكن لكل منهما حمل 4 أرطال، وواحد كبير يمكنه حمل 10 أرطال. إذا كان هناك صندوق يزن 7 أرطال، فبدلًا من أن يحمل الروبوت الكبير هذا الصندوق بمفرده، سيكون من الأفضل أن ينتظر الروبوت الصغير المتاح حتى ينتهي الروبوت الصغير الآخر من مهمته الحالية، ثم يتعاونان معًا لنقل الصندوق، ومن ثم  يبقى الروبوت الكبير متفرغًا لمهام أثقل وأكثر تعقيدًا.

لماذا لا نحسب الحل الأمثل سابقًا ونطبقه مباشرة؟ 

يشرح الباحثون أن حساب الحل الأمثل لمجموعات كبيرة من الروبوتات والمهام، هو عملية معقدة للغاية وتستغرق وقتًا طويلًا. فمثلاً، لحساب الحل الأمثل لمجموعة من 100 مهمة، قد يستغرق الحاسوب وقتًا طويلاً جدًا.

ولكن من خلال استخدام تقنية جديدة تسمح للروبوتات باتخاذ قرارات ذكية حول وقت الانتظار، تمكن الباحثون من تحقيق نتائج مبهرة. فقد تمكنت هذه التقنية من إنجاز 100 مهمة في 22 خطوة زمنية فقط، مقارنة بما يصل إلى 25.85 خطوة زمنية للطرق التقليدية.

وهذا يعني أن تقنية الانتظار الذكي تمكنت من تقليل الوقت اللازم لإنجاز المهام بنسبة تصل إلى 15% مقارنة بالطرق التقليدية.

وتشير هذه النتائج إلى أن تخطيط عمليات الانتظار بدقة يمكن أن يساهم بنحو كبير في تحسين كفاءة فرق الروبوتات، خاصة في البيئات الصناعية المعقدة التي تتطلب تنسيقًا دقيقًا لإنجاز المهام المعقدة.

في المستقبل، يمكن تطبيق هذه التقنية في العديد من المجالات، مثل التصنيع والخدمات اللوجستية والاستكشاف. فعلى سبيل المثال، يمكن استخدام فرق من الروبوتات الصغيرة والكبيرة للقيام بمهام مختلفة في المصانع والمناجم، إذ يمكن أن تقوم الروبوتات الصغيرة بأداء المهام البسيطة والروبوتات الكبيرة بأداء المهام الثقيلة.

الخلاصة:

يمثل هذا النموذج الجديد خطوة مهمة نحو تطوير أنظمة روبوتية أكثر ذكاءً وكفاءة، فمن خلال تمكين الروبوتات من اتخاذ قرارات مستقلة والتعاون مع بعضها، يمكننا تحقيق تقدم كبير في مجال الأتمتة والروبوتات.

تم