MIT Kembangkan FLEX, Sistem AI agar Robot Paham Maksud Tersirat Manusia

Mengoperasikan robot di lingkungan kerja yang padat sering kali menimbulkan risiko kecelakaan kerja atau kerusakan inventaris. Perintah manusia kerap bersifat kasual, sedangkan mesin konvensional hanya mampu mengeksekusi instruksi secara harfiah. Celah pemahaman ini berpotensi merugikan operasional bisnis.

Menjawab tantangan tersebut, tim peneliti dari Massachusetts Institute of Technology (MIT) memperkenalkan sistem kecerdasan buatan bernama FLEX. Menurut laporan Interesting Engineering, sistem ini dirancang agar robot mampu memahami maksud tersirat manusia, bukan sekadar kata-kata yang diucapkan secara kaku.

Riset yang dipimpin Asisten Profesor Andreea Bobu bersama peneliti CSAIL MIT Nathan Dennler, Audrey Lee, dan Ilia Sucholutsky ini dijadwalkan dipresentasikan pada ajang Conference on Robot Learning bulan ini.

Tiga Langkah FLEX Membaca Nalar Manusia

Sistem FLEX, singkatan dari Flexible Language Guided Representation Editing for Adaptive Robot Behavior, bekerja memanfaatkan model bahasa besar atau LLM GPT-4o. LLM merupakan perangkat lunak pemroses bahasa alami yang dilatih dengan data teks masif untuk menghubungkan berbagai konsep.

Alur kerja FLEX berjalan melalui tiga tahapan utama: Add, Generalize, dan Mask. Pada tahap Add, sistem mencatat objek yang dilarang dirusak berdasarkan instruksi awal. Sebagai contoh, saat operator meminta robot tidak menumpahkan kopi ke laptop, sistem menandai laptop sebagai prioritas proteksi.

Tahap kedua adalah Generalize. Menggunakan nalar GPT-4o, robot menyimpulkan bahwa cairan berbahaya bagi seluruh perangkat elektronik. Walau pengguna tidak menyebut ponsel di dekat laptop, robot otomatis turut menjauhi ponsel tersebut.

Tahap terakhir, Mask, memanfaatkan visi komputer standar robot untuk memindai ruang nyata secara aktual. Objek yang sudah disingkirkan manusia akan dihapus dari daftar batasan secara langsung. Seluruh siklus penalaran adaptif ini tuntas hanya dalam waktu sekitar lima detik.

Preferensi rumah tangga sangat bervariasi. Oleh karena itu, robot idealnya mampu mempelajari preferensi manusia hanya dari beberapa kalimat instruksi untuk berbagai situasi berbeda.

Dalam uji simulasi, lengan robotik berhasil menyelesaikan tiga skenario tugas, yakni mengantar kopi, memindahkan lilin, dan mengangkat bola boling. Robot terbukti sukses memperluas pemahaman bahaya ke kategori barang mudah terbakar, barang pecah belah, serta perangkat elektronik.

Apa Artinya bagi Pelaku Usaha

Inovasi ini relevan bagi direktur operasional, manajer pabrik, dan pemilik bisnis yang berencana menerapkan kolaborasi robot dan manusia (cobot). Fleksibilitas pemahaman kontekstual memangkas biaya integrasi perangkat lunak karena staf operasional tidak memerlukan keahlian coding untuk mengarahkan unit robot.

Langkah mitigasi yang perlu dipersiapkan sejak dini adalah mengevaluasi kesiapan infrastruktur komputasi tepi (edge) dan latensi jaringan. Waktu jeda lima detik dalam memproses perintah kontekstual masih perlu diperhitungkan secara cermat agar tidak menurunkan ritme kecepatan lini produksi yang serba cepat.

Pelaku usaha di Indonesia disarankan mulai memetakan area kerja dinamis bernilai tinggi, seperti penanganan produk pecah belah atau pergudangan bahan kimia. Penggunaan nalar berbasis LLM pada robotika akan meminimalkan insiden kerugian barang tanpa perlu menyusun ribuan baris aturan manual.