Преодоление ограничений использования искусственного интеллекта и машинного обучения в самоуправляемых автомобилях
Автономные транспортные средства (AV) зависят от исторических данных и данных в реальном времени, без которых искусственный интеллект (AI) и машинное обучение были бы бессильны, пишет в своей статье Грэм Джарвис, технический эксперт, сотрудничающий с рядом изданий.
AV не являются устройствами plug-and-play (готовыми к использованию), потому что не все потенциальные сценарии могут быть предсказаны разработчиками программного обеспечения, симуляторами или моделистами данных. Симуляторы, а в какой-то степени и сами подключённые и автономные транспортные средства (CAV) также хороши лишь настолько, насколько хороши их алгоритмы и вводимые в них данные.
Следовательно, AI и машинное обучение в AV ограничены, так что невозможно ожидать, что они мгновенно смогут справиться с любым потенциальным сценарием. К их развитию нужно подходить с осторожностью, чтобы предотвратить непредвиденные последствия. Ограничения CAV связаны не только с технологией AI и машинного обучения. Существует также необходимость информировать потребителей о том, что они могут и не могут делать без ущерба для безопасности. По этой причине ещё долго будет существовать необходимость в том, чтобы водитель-человек в любой момент имел возможность вернуть себе управление машиной.
«Обеспечение работы искусственного интеллекта требует от производителей и разработчиков устройств предоставления возможности машинного обучения локально на миллиардах, а в конечном счете и на триллионах устройств, – говорит Дипти Вачани, старший вице-президент и генеральный менеджер направления automotive and IoT в британской корпорации ARM (Advanced RISC Machines). – Машинное обучение на самых крошечных устройствах станет новой нормой, надёжно раскрывающей потенциал AI в широком спектре изменяющих жизнь приложений».
Тем временем Дэнни Шапиро, старший директор автомобильной компании Nvidia, утверждает, что трудно сказать, «есть ли одно место, которое опережает другие» на рынке подключённых и автономных автомобилей. Есть много проектов с запущенными пилотными проектами, и «все разработки в автомобильной отрасли происходят одновременно». Он уверен, что «всё, что движется, в конечном счете будет иметь некоторый уровень автоматизации или автономности».
Он поясняет, что ключ здесь – программно определяемая платформа: «Автопроизводители во всём мире признают необходимость в высокопроизводительном AI-компьютере, который программируется». Будущее автомобильной промышленности Шапиро видит в программно-определяемых самоуправляемых автомобилях, требующих от автопроизводителей «партнёрства с компаниями, обладающими экспертизой в области вычислений и программного обеспечения AI, чтобы позволить этим возможностям эффективно конкурировать. Производители оборудования, которые принимают эту стратегию, будут играть важную роль в том, чтобы помочь своим странам возглавить гонку AV».
Что касается ограничений AI и машинного обучения, он напоминает, что программно определяемые самоуправляемые автомобили требуют огромных вычислительных мощностей. Он объясняет: «На самом деле объём вычислений и сложность требуемого программного обеспечения в прошлом недооценивались. Построив централизованный, энергоэффективный AI-суперкомпьютер в автомобиле, производители автомобилей смогут обновлять программное обеспечение по воздуху и внедрять новые бизнес-модели, которые со временем увеличат ценность автомобиля».
По его мнению, производители должны пересмотреть свои традиционные бизнес-модели и «стремиться интегрировать единую архитектуру, которая богато программируется и может масштабироваться, позволяя производителям оборудования иметь целый парк, от высококлассных моделей до начального уровня, который может быть обновлён с течением времени с помощью новых автоматизированных и интеллектуальных функций».
AV нуждаются не только в огромных вычислительных мощностях, но и в глубоком развитии нейронных сетей, поскольку те отвечают за исчерпывающее обучение, необходимое для самостоятельного вождения. «Они должны уметь справляться со всем, начиная с ситуаций, с которыми они, вероятно, столкнутся во время ежедневных поездок, и заканчивая необычными кейсами, с которыми они, надеюсь, никогда не столкнутся. Успех заключается в том, чтобы обеспечить их обучение на основе правильных данных. Применяя AI к этому процессу, можно сократить время и затраты на обучение этих нейронных сетей, а также повысить их точность».
Итак, что же нужно сделать, чтобы преодолеть ограничения AI и машинного обучения в автономных транспортных средствах? Первый аспект – это данные. Требуются огромные объёмы данных, чтобы всё это работало эффективно и результативно. Шапиро добавляет: «Управление и отбор этих данных требует высокопроизводительных вычислений, а также интеллектуальных методов обучения».
Кроме того, необходимо уменьшить задержку, чтобы транспортные средства могли принимать решения в режиме реального времени. В определённой степени пограничные вычисления могут играть здесь некоторую роль, позволяя анализировать данные вблизи того места, где они создаются датчиками и любой инфраструктурой, с которой взаимодействуют автомобили. Им также нужно будет учиться у других транспортных средств и уметь разумно взаимодействовать с ними.
Однако при сопоставлении эти данные будут объёмными и потребуют своевременного анализа больших данных. AI и машинное обучение могут быть использованы для ускорения передачи больших данных и обеспечения более точного их анализа, что позволит CAV принимать более эффективные самостоятельные решения, повышая производительность и безопасность.
Шапиро приходит к выводу, что будущее AV, тем не менее, будет программно определено. Однако это будущее, по его мнению, должно начаться сегодня: «Время для запуска сложного программного стека, который позволит использовать самые передовые на сегодня функции».
Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный канал на TamTam
