Waymon itseohjautuvan teknologian kehittyminen: miljardien esineiden tunnistaminen kiitos sisältöhaun

Waymon kehittämät itseohjautuvat ajoneuvot käyttävät tietokoneavusteista näköaistimia ja tekoälyä ympäristön havainnoimiseen ja päätöksentekoon. Kun kamerat ja anturit havaitsevat esineitä, ne verrataan suureen Alphabetin kokoamaan tietokantaan, jotta ne voidaan tunnistaa.

Massiiviset tietokannat ovat olennaisia itseohjautuvien ajoneuvojen kouluttamisessa, koska ne mahdollistavat tekoälyn parantamisen ja suorituskyvyn parantamisen. Kuitenkin insinöörien on oltava kykeneviä tehokkaasti vertaamaan tietokannan kohteita kyselyihin, jotta he voivat tutkia, miten tekoäly suoriutuu tietyntyyppisistä kuvista. Tätä ongelmaa ratkaisemaan Waymo on kehittänyt työkalun nimeltä “Sisältöhaun”, joka toimii samalla tavalla kuin Google-kuvahaku ja Google-valokuvat. Nämä järjestelmät vastaavat kyselyjä kuvien semanttisen sisällön kanssa, luoden edustukset esineistä, jotka tekevät kuvan hakua luonnollisen kielen kyselyillä helpommaksi.

Ennen Sisältöhaun kehittämistä Waymon tutkijoiden oli haettava tiettyjä näytteitä lokista, ja heidän piti kuvailla esinettä heuristiikkaa käyttäen. Waymon lokit piti etsiä komennoilla, jotka etsivät esineitä sääntöjen perusteella, mikä tarkoitti esineiden etsimistä, jotka olivat “alle X korkeutta” tai esineitä, jotka “liikkuivat y mph:n tuntinopeudella”. Nämä sääntöperusteisten hakujen tulokset voivat usein olla hyvin laajoja, ja tutkijoiden piti sitten käydä läpi palautetut tulokset manuaalisesti.

Sisältöhaun ratkaisee tämän ongelman luomalla tietokantoja ja suorittamalla samankaltaisuushakuja eri tietokannoissa, jotta voidaan löytää eniten samankaltaisia luokkia, kun esine esitetään. Jos Sisältöhaun esitetään kuorma-auton tai puun, se palauttaa muut kuorma-autot tai puut, joita Waymon itseohjautuvat ajoneuvot ovat kohdanneet. Kun Waymon ajoneuvo ajaa ympäriinsä, se tallentaa kuvia esineistä ympärillään ja tallentaa ne esityksinä / matemaattisina edustuksina. Tämä tarkoittaa, että työkalu voi tehdä vertailun esineiden luokkien välillä ja luokitella vastaukset sen mukaan, kuinka samanlaisia varastoidut esinekuvat ovat esitettyyn esineeseen. Tämä on samanlainen kuin Google-palvelun toiminta, joka on sisäänrakennettu samankaltaisuuden vertailujärjestelmä.

Waymon ajoneuvojen kohtaamat esineet voivat olla eri muotoisia ja kokoisia, mutta ne on hävittävä niiden olennaisiin osiin ja luokiteltava, jotta Sisältöhaun toiminta on mahdollista. Tämän toteuttamiseksi Waymo käyttää useita tekoälymalleja, jotka on koulutettu laajalla valikoimalla esineitä. Erilaiset mallit oppivat tunnistamaan monia eri esineitä, ja ne tukevat Sisältöhaun toimintaa, joka mahdollistaa mallien ymmärtämisen siitä, löytyykö tiettyyn luokkaan kuuluvia esineitä tietyssä kuvassa. Lisäksi käytetään optista merkintunnistusmallia päämallin rinnalla, jolloin Waymon ajoneuvot voivat lisätä lisätietoja esineisiin kuvissa perustuen kuvissa olevaan tekstiin. Esimerkiksi kuorma-auton varustettuna merkillä, jossa on tekstiä, sisältää Sisältöhaun kuvaus merkin tekstin.

Yllä mainittujen mallien yhteistyön ansiosta Waymon tutkijat ja insinöörit pystyvät etsimään kuvatietokannoista hyvin tarkkoja esineitä, kuten tiettyjä puulajeja ja auton malleja.

Waymon mukaan, kuten VentureBeat lainaa:

“Sisältöhaun avulla voimme automaattisesti merkitä … esineitä ajamin historiaamme, mikä on eksponentiaalisesti lisännyt datan nopeuden ja laadun, jonka lähettämme merkintään. Merkintätarpeen nopeuttaminen on vaikuttanut moniin parannuksiin järjestelmässämme, kuten koulubussien ja lasten havaitsemiseen, jalkapalloilijoiden ja sähköpotkulaudan käyttäjien havaitsemiseen tai kissan tai koiran ylittämiseen kadulla. Kun Waymo laajenee useisiin kaupunkeihin, kohtaamme uusia esineitä ja tilanteita.”

Tämä ei ole ensimmäinen kerta, kun Waymo on käyttänyt useita tekoälymalleja parantamaan ajoneuvojensa luotettavuutta ja tarkkuutta. Waymo on yhteistyössä Alphabetin / Googleen kanssa kehittääkseen tekoälytekniikkaa DeepMindin kanssa. Tekoälyjärjestelmä ottaa vaikutteita evoluutiobiologiasta. Aluksi useita tekoälymalleja luodaan, ja kun ne on koulutettu, heikommin suoriutuvat mallit poistetaan ja korvataan jälkeläismalleilla. Tämä menetelmä on ilmoitettu vähentäneen virheellisiä positiivisia tuloksia dramaattisesti sekä vähentäneen tarvittavia laskentaresursseja ja koulutusaikaa.

https://venturebeat.com/2020/02/06/waymos-ai-content-search-tool-lets-engineers-find-objects-within-its-driving-records/