AI Maskinen Lærer å Kjøre Med Crowdteaching

Noen kjører oppgaver er trivielt for mennesker, men vanskelig for maskiner. Nå forskere har utviklet en metode for AI-maskiner for å lære fra mengden.

Dette har vært året av AI maskin, og det har vært en rask endring. Kunstig intelligens har plutselig begynt å matche og gjøre det bedre enn mennesker i oppgaver der vi har har alltid hatt overtaket—ansiktsgjenkjenning, objekt anerkjennelse, språk, forståelse og så videre.

Og likevel er det er nok av komplekse oppgaver der AI maskiner fortsatt i løypa mennesker. Disse spenner fra enkle husarbeid som stryk til mer avanserte oppgaver, som å kjøre bil. Årsaken til treg fremgang på disse områdene er ikke at intelligente maskiner ikke kan gjøre disse oppgavene. Langt fra det. Det er fordi ingen har jobbet ut hvordan å trene dem.

Den store fremskritt i ansikt anerkjennelse, for eksempel, har blitt til i stor del på grunn av enorme databaser av bilder som menneskelige forklaringer har tydelig merket ansikter på forhånd. AI-algoritmer har brukt disse databasene for å lære.

Men ingen har vært i stand til å opprette lignende databaser for mer komplekse oppgaver som å kjøre bil. Fravær av slike databaser er en av de viktigste årsakene til mangel på fremgang i dette området.

I dag, som ser ut til å endre seg takket være arbeidet til Pranav Rajpurkar og pals ved Stanford University i California. Disse gutta har utviklet en måte å skape stor forklart databaser for akkurat disse typer vanskelige oppgaver. Og de har brukt databasen til å undervise et AI maskinen noen av de viktige kjøreferdigheter at mennesker tar for gitt.

Deres tilnærming er enkel i hovedsak. Den grunnleggende ideen er å gjøre det enkelt for menneskelige forklaringer for å legge til informasjon i databasen, og deretter å vurdere den. Rajpurkar og co gjør dette ved å dreie prosessen med innlegging av data i en kjøring spill som kjører på en Web browser.

Stanford team start med å opprette en database av vei-forholdene ved å kjøre sin egen forskning kjøretøy langs Californias motorveier. Dette samler GPS-data, visuelle data, laser skanning data, og så videre.

De behandler denne informasjonen for å generere en virtuell 3d-miljø. Målet er en AI algoritme—en convolutional nevrale nettverk kalt Driverseat—til å vurdere dette miljøet og finne ut ting som de posisjoner som andre biler, lane det er å kjøre i, off-ramper, på ramper, og så videre. Og for å gjøre dette i et bredt utvalg av kjøreforholdene.

For å holde ting relativt enkelt, i denne studien Rajpurkar og co fokusere utelukkende på problemet med lane identifikasjon. Dette er en oppgave som er trivielt for human-driverne, men overraskende vanskelig for maskiner på grunn av 3-D hva problemet er og hvilken effekt ulike lys-og værforhold kan ha på oppgaven.

I nettleser-basert spill, er den menneskelige forklaringer er presentert med 3-D miljø som AI-algoritmen ville “se”. Dette inkluderer algoritmen er første forsøk på å identifisere de baner. Menneskets oppgave er å rette opp eventuelle feil som den virtuelle bilen beveger seg langs veien. Disse oppdateringene blir da matet tilbake til nevrale nettverk slik at den lærer å bedre analysere veien.

Ved å samle inn data fra et bredt spekter av forklaringer, Driverseat effektivt lærer fra mengden.

Resultatene gir interessant lesing. Teamet testet neural net på en del av databasen er det ennå ikke hadde sett. De fant at maskinen er god på å identifisere baner veien kurver og selv når kjørefelt er delvis okkludert av andre kjøretøy.

Men algoritmen har problemer med spotting av-ramper og på ramper. Også de generelle ytelsen synker når skyggene falle over veien—fra broer, for eksempel—eller når veien farge endringer, så det kan på en annen vei overflaten.

Det er interessant at lagets evaluering system funnet at algoritmen fungerte mindre godt når solen var nær horisonten, forstyrre synet. Det er på grunn av en skjevhet i databasen—California viktigste motorveiene kjøre fra nord til sør, snarere enn øst til vest, så det er mindre data om kjøring i solnedgang eller soloppgang.

Det er noe teamet er ute etter å løse i fremtiden, men de ville ikke ha visst om det i det hele tatt uten den nye evalueringen system. Å oppdage disse typer svakheter har alltid vært hardt, så dette er en verdifull skritt fremover. Det er sikkert bedre å vite om disse typer svakheter før en algoritme er sluppet løs på de virkelige verden, snarere enn etterpå.

Selvfølgelig, Driverseat er ikke perfekt på noen måte. Men crowdteaching tilnærming til trening er et betydelig fremskritt. For første gang, en AI-maskinen har lært komplekse ferdigheter fra den oppførsel av ekte mennesker. “Vi har vist hvordan vi kan integrere folks kunnskap og erfaring på veiene for å ‘lære’ maskiner for å kjøre,” sier Rajpurkar og co.

Det burde være nyttig for å forbedre den neste generasjonen av biler. De nyeste bilene er allerede utstyrt med intelligent cruise-kontroll enheter som opprettholder en avstand til bilen foran og brems når bilene kommer for nær. Noen kjøretøyer kan skifte kjørefelt automatisk, og så videre.

Men evnen til å gjøre dette på en rekke veier i alle slags kjøreforhold kommer til å trenge mer innebygd intelligens. Ved hjelp av mennesker til å trene AI maskiner på denne måten er fornuftig.

Dette arbeidet har større konsekvenser, også. Det er mange tilsynelatende enkle oppgaver som mennesker tar for gitt, men at maskiner vil finne vanskelig å vaske opp, mate en baby, er stryk. Uten databaser for å trene AI maskiner, vil de aldri lære. Hvis metoden som Rajpurkar og co har utviklet kan brukes til andre oppgaver, mennesker kan fort bli den ultimate trenere for AI-maskiner.

Ref: arxiv.org/abs/1512.01872 : Driverseat: Crowdstrapping Læring Oppgaver for Selvstendig Kjøring


Date:

by