En un esfuerzo por mejorar la eficiencia de los sistemas autónomos en el ámbito industrial, un equipo de investigadores de DFKI en Alemania ha presentado un enfoque innovador que aprovecha la interacción humana para entrenar modelos de predicción de comportamiento. Este enfoque se centra en reducir los eventos de “Transferencia de Control” o ToC, situaciones donde un sistema autónomo debe ceder el control a un operador humano debido a fallas. La motivación radica en el funcionamiento óptimo de sistemas como los robots industriales, mermado por interrupciones innecesarias provocadas por métodos tradicionales basados en reglas rígidas.

Usando un modelo basado en LSTM —Long Short-Term Memory— y un simulador de aspiradora industrial, los investigadores recolectaron datos de usuarios no expertos para entrenar el modelo. Los datos demostraron que incluso los no expertos pueden proporcionar información valiosa para mejorar la previsibilidad y la respuesta de los sistemas autónomos. La investigación evidenció que el uso de datos humanos en lugar de expertos puede no solo reducir la frecuencia de ToC sino también optimizar el rendimiento del sistema, disminuyendo la carga cognitiva sobre los operadores.

La estructura del estudio se basó en una metodología que integraba una taxonomía del conocimiento del robot y un conjunto extensivo de secuencias recogidas durante un estudio con 30 participantes. Cada interacción y decisión de los participantes fue registrada para nutrir el modelo de predicción, revelando la capacidad del LSTM para facilitar un diagnóstico más eficiente y menos intrusivo del sistema.

El sistema AutonPlay fue evaluado bajo dos métricas, “Corrección de Predicción” y “Corrección de Secuencia”, que probaban tanto la eficacia de predicciones individuales como el éxito global de las secuencias en la resolución de problemas. Los resultados mostraron una precisión significativamente superior al azar, invalidando la necesidad de abundantes interacciones de expertos a la hora de registrar datos eficaces para el aprendizaje automático.

Con una tasa de éxito del 25% en pruebas autónomas y ajustes eficientes en pasos hacia la solución de los errores, este enfoque no solo es una prueba de concepto efectiva, sino una puerta abierta a la evolución de sistemas autónomos que se benefician simétricamente de la experiencia humana y la inteligencia artificial.