Cyberthreat.id - Setahun lalu kelompok peneliti yang tergabung di OpenAI memulai riset dan pengembangan (R&D) untuk melatih sebuah robot tangan beraktivitas seperti menggenggam, memutar dan gerakan lainnya.

Artificial Intelligence (AI) memang mengagumkan dan menakjubkan. Tangan itu kemudian mampu belajar sendiri dengan menggunakan algoritma reinforcement-learning. Simpelnya, model algoritma ini membuat robot tangan belajar layaknya seekor hewan.

Cara belajar hewan yang dipraktekkan oleh sang robot awalnya berupa simulasi. Ketika simulasi ditransfer ke dunia nyata dengan membuat robot tangan tiruan, hasilnya luar biasa. Tangan itu mampu beraktivitas dan berpikir. Penemuan yang sangat penting bagi sektor industri ataupun konsumen.

"Saya benar-benar kagum. Sebelumnya saya tidak pernah membayangkan bisa seperti ini,"kata Leslie Kaelbling, ahli robot dan profesor di Massachusetts Institute of Technologies (MIT) dilansir Technology Review, Jumat (18 Oktober 2019).

Dalam sebuah laporan terbaru, OpenAI yang bertujuan komersial merilis hasil tentang sebuah robot tangan yang diberi nama, Dactyl. Kali ini Dactyl telah belajar untuk memecahkan kubus Rubik.

Dactyl adalah semacam keberhasilan simulasi yang ditransfer ke dunia nyata. Yang hebat bukannya robot tangan ini mampu memecahkan puzzle, tapi karena pencapaiannya membutuhkan tingkat ketangkasan/kerumitan yang baru.

"Apa yang diselesaikan tangan (robot) ini adalah masalah sangat sulit dan rumit," kata Dmitry Berenson, ahli robot University of Michigan.

"Kemampuan yang diperlukan untuk memutar bagian kubus Rubik sebenarnya jauh lebih sulit daripada sekedar memutar kubus."

Secara tradisional, sebuah robot hanya mampu memanipulasi objek dengan cara yang sangat sederhana. Sementara algoritma reinforcement-learning berhasil membuat robot menyelesaikan tugas kompleks yang dihubungkan dengan software.

Algoritma reinforcement-learning memperbaiki diri melalui "trial and error" dalam banyak kasus, mungkin sampai jutaan kasus. Memang butuh waktu terlalu lama dan banyak eror bagi robot fisik untuk melakukan ini.

Bahkan bisa berbahaya jika robot meronta-ronta dengan liar saat mengumpulkan data. Untuk menghindari hal ini, para ahli robotika menggunakan simulasi: mereka membangun model virtual robot dan melatihnya secara virtual untuk melakukan tugas yang ada.

Dengan demikian, semakin kompleks robot dan tugas, maka semakin sulit untuk menerapkan algoritma-nya. Inilah yang mengesankan Kaelbling tentang hasil pekerjaan OpenAI. Kunci keberhasilannya adalah bagaimana membuat algoritma lebih mudah beradaptasi dengan berbagai kemungkinan.

"Dengan membangun sebuah strategi yang bagus dan bekerja dengan andal dari awal, sehingga Open AI menghasilkan simulasi yang gila, lalu anda melihat algoritma reinforcement-learning akhirnya bekerja dengan baik di robot asli. Ini akan terus berkembang," ujar Berenson.