Des ingénieurs du MIT ont développé une interface portable innovante permettant à quiconque d’enseigner à un robot de nouvelles compétences sans nécessiter de connaissances en programmation.

Cette interface, appelée « interface de démonstration polyvalente », permet d’apprendre une tâche en utilisant l’une des trois méthodes : téléopération, kinesthésie ou démonstration naturelle.

Equipée de capteurs et d’une caméra, elle peut s’attacher à divers bras robotiques collaboratifs, offrant ainsi une flexibilité dans la manière dont les utilisateurs peuvent interagir avec le robot.

Lors d’une expérimentation, des experts manufacturiers ont testé l’interface en utilisant les trois méthodes pour enseigner des tâches courantes en milieu industriel.

Les résultats ont montré une préférence pour la méthode de démonstration naturelle.

Les chercheurs envisagent que cet outil puisse s’appliquer à d’autres domaines, comme les soins à domicile, augmentant ainsi l’adoption des robots en milieu professionnel et domestique.

Quelques jours après l’annonce de l’acquisition de la startup Windsurf par Cognition, Jeff Wang, le directeur de Windsurf, a partagé des détails sur la situation chaotique entourant cette transaction.

Initialement en négociations avec OpenAI, l’accord s’est effondré lorsque Google DeepMind a recruté des dirigeants clés de Windsurf.

Ce mouvement, communément appelé « acquihire inversé », vise à contourner les restrictions antitrust en intégrant des talents plutôt qu’en acquérant des startups.

Wang a comparé cette situation à celle d’un capitaine abandonnant son équipage sur un navire en détresse, soulignant la déception et l’inquiétude parmi les employés lors d’une réunion cruciale.

Malgré la perte de membres essentiels de l’équipe, Wang a exprimé sa confiance en la continuité de Windsurf, qui conserve ses talents et sa propriété intellectuelle.

Après un week-end de négociations fébriles, l’accord avec Cognition a culminé par un engagement à soutenir les employés restants, leur assurant des paiements et d’autres compensations.

L’intensité de ces événements a conduit Wang à qualifier le vendredi noir, où l’incertitude régnait, de « pire jour » pour les employés, suivi par le « meilleur jour » avec la signature de l’accord.

Les modèles de langage à grande échelle (LLM) sont performants pour comprendre le texte et en extraire des réponses logiques, mais ils rencontrent des difficultés avec les problèmes mathématiques simples.

Bien que certains puissent générer du code pour traiter des requêtes symboliques, ils manquent souvent de discernement pour choisir le bon type de code ou d’approche.

Pour remédier à ces limitations, des chercheurs du MIT ont développé Codesteer, un assistant LLM plus léger qui guide un modèle plus vaste dans l’alternance entre code et texte afin d’améliorer la précision des réponses.

Codesteer analyse une requête, détermine la méthode la plus adaptée (texte ou code) et génère des suggestions pour corriger les réponses du LLM plus grand jusqu’à ce qu’une solution correcte soit trouvée.

Les tests ont montré une amélioration significative de la précision des tâches symboliques, passant de 53,3 % à 86,4 % en moyenne.

Cette méthode, qui sépare le réglage du modèle principal de la guidance fournie par Codesteer, offre un moyen innovant d’améliorer les performances des LLM dans divers domaines qui nécessitent des compétences de raisonnement avancées.

Les chercheurs envisagent également de rationaliser Codesteer pour faciliter son utilisation dans un avenir proche.