Red Hot Cyber
La cybersecurity è condivisione. Riconosci il rischio, combattilo, condividi le tue esperienze ed incentiva gli altri a fare meglio di te.
Alessia Tomaselli : 22 Luglio 2023 20:04
I ricercatori del MIT hanno sviluppato PIGINet, un nuovo sistema che mira a migliorare in modo efficiente le capacità di risoluzione dei problemi dei robot domestici, riducendo i tempi di pianificazione del 50-80%.
Ciò è stato rilevato da un comunicato stampa dell’istituto pubblicato venerdì.
In condizioni normali, i robot domestici seguono procedimenti predefiniti per eseguire i compiti, il che non è sempre adatto ad ambienti diversi o mutevoli. PIGINet, come descritto dal MIT, è una rete che prende in considerazione “piani, immagini, obiettivi e fatti iniziali”, quindi prevede la probabilità che un piano di attività possa essere perfezionato per trovare piani di movimento fattibili.
Acquista il corso Dark Web & Cyber Threat Intelligence (e-learning version)
Il Dark Web e la Cyber Threat Intelligence rappresentano aree critiche per comprendere le minacce informatiche moderne. Tra ransomware, data breach e attività illecite, le organizzazioni devono affrontare sfide sempre più complesse per proteggere i propri dati e le infrastrutture. Il nostro corso “Dark Web & Cyber Threat Intelligence” ti guiderà attraverso i meccanismi e le strategie utilizzate dai criminali informatici, fornendoti competenze pratiche per monitorare, analizzare e anticipare le minacce.
Accedi alla pagina del corso condotto dall'Prof. Pietro Melillo sulla nostra Academy e segui l'anteprima gratuita.
Per un periodo limitato, potrai utilizzare il COUPON CTI-16253 che ti darà diritto ad uno sconto del 20% sul prezzo di copertina del corso
Per ulteriori informazioni, scrivici ad [email protected] oppure scrivici su Whatsapp al 379 163 8765
Supporta RHC attraverso:
Il team ha valutato la capacità del nuovo sistema di aiutare un robot a funzionare in cucina. Hanno misurato il tempo necessario per risolvere i problemi con l’assistenza di PIGINet rispetto agli approcci precedenti.
Hanno scoperto che PIGINet ha ridotto significativamente il tempo di pianificazione dell’80% negli scenari più semplici e del 20-50% in quelli più complessi.
“Sistemi come PIGINet, che sfruttano la potenza dei metodi basati sui dati per gestire in modo efficiente casi già noti, ma che possono comunque ricorrere a metodi di pianificazione “di primo principio” per verificare i suggerimenti basati sull’apprendimento e risolvere problemi nuovi, offrono il meglio di entrambi i mondi, fornendo soluzioni generali affidabili ed efficienti per un’ampia varietà di problemi”, ha dichiarato Leslie Pack Kaelbling, professore del MIT e ricercatore principale del CSAIL.
I ricercatori si sono avvalsi anche di modelli linguistici di visione preaddestrati e di trucchi per aumentare i dati per far fronte alla scarsità di dati di addestramento validi per i robot domestici.
“Poiché la casa di ognuno di noi è diversa, i robot dovrebbero essere in grado di risolvere i problemi adattandosi ad ogni luogo, anziché limitarsi a seguire le indicazioni passo passo. La nostra idea è lasciare che un task planner generico generi piani di attività e utilizzare un modello di deep learning per selezionare quelli più promettenti. Il risultato è un robot domestico più efficiente, adattabile e pratico, in grado di navigare agilmente anche in ambienti complessi e dinamici. Inoltre, le applicazioni pratiche di PIGINet non si limitano alle abitazioni”, ha dichiarato Zhutian Yang, dottorando del MIT CSAIL e autore principale del lavoro.
“Il nostro obiettivo futuro è quello di perfezionare ulteriormente PIGINet per suggerire piani di attività alternativi dopo aver identificato azioni non fattibili. Ciò accelererà ulteriormente la generazione di piani di attività fattibili senza la necessità di grandi insiemi di dati per addestrare un pianificatore generico da zero. Crediamo che questo possa rivoluzionare il modo in cui i robot vengono addestrati durante lo sviluppo e poi applicati nelle case di tutti”.
“Questo lavoro affronta una sfida importante nell’implementazione di un robot generico: come imparare dall’esperienza passata per accelerare il processo decisionale in ambienti non strutturati e colmi di ostacoli”. Questo è ciò che ha dichiarato Beomjoon Kim PhD ’20, professore assistente presso la Graduate School of AI del Korea Advanced Institute of Science and Technology (KAIST).
Alessia Tomaselli