211service.com
Un algoritmo che ha evoluto i robot Starcraft sta anche addestrando auto a guida autonoma
Veicolo Waymo Waymo
Le auto a guida autonoma di Waymo ora hanno qualcosa in comune con i cervelli che guidano i veicoli regolari: la loro intelligenza deriva in parte dal potere dell'evoluzione.
Gli ingegneri di Waymo, di proprietà di Alphabet, hanno collaborato con i ricercatori di DeepMind, un'altra divisione di Alphabet dedicata all'IA, per trovare un processo più efficiente per addestrare e mettere a punto gli algoritmi di guida autonoma dell'azienda.
Hanno usato una tecnica chiamata formazione basata sulla popolazione (PBT), precedentemente sviluppato di DeepMind per perfezionare gli algoritmi dei videogiochi. PBT, che prende ispirazione dall'evoluzione biologica, accelera la selezione di algoritmi e parametri di apprendimento automatico per un compito particolare facendo disegnare il codice candidato dai campioni più adatti (quelli che eseguono un determinato compito in modo più efficiente) in una popolazione algoritmica.
Perfezionare gli algoritmi di intelligenza artificiale in questo modo può anche aiutare a dare un vantaggio a Waymo. Gli algoritmi che guidano le auto a guida autonoma devono essere riqualificati e ricalibrati man mano che i veicoli raccolgono più dati e vengono distribuiti in nuove posizioni. Decine di aziende stanno gareggiando per dimostrare la migliore tecnologia di guida autonoma su strade reali. Waymo sta esplorando vari altri modi di automatizzare e accelerare lo sviluppo dei suoi algoritmi di apprendimento automatico.
In effetti, metodi più efficienti per riqualificare il codice di apprendimento automatico dovrebbero consentire all'IA di essere flessibile e utile in diversi contesti.
Una delle sfide principali per chiunque si occupi di machine learning in un sistema industriale è essere in grado di ricostruire il sistema per sfruttare il nuovo codice, afferma Matthieu Devin, direttore dell'infrastruttura di machine learning di Waymo. Abbiamo bisogno di riqualificare costantemente la rete e riscrivere il nostro codice. E quando ti riqualifica, potrebbe essere necessario modificare i parametri.
Le moderne auto a guida autonoma sono controllate da una combinazione quasi Rube Goldberg di algoritmi e tecniche. Numerosi algoritmi di apprendimento automatico vengono utilizzati per individuare linee stradali, segnaletica, altri veicoli e pedoni nei dati dei sensori. Questi funzionano di concerto con il codice convenzionale o scritto a mano per controllare il veicolo e rispondere a diverse eventualità. Ogni nuova iterazione di un sistema di guida autonoma deve essere testata rigorosamente in simulazione.
I veicoli a guida autonoma di oggi fanno molto affidamento sul deep learning, in particolare. Ma configurare una rete neurale profonda con le giuste proprietà e parametri (i valori che sono codificati all'inizio) è un'arte complicata. Le reti e i parametri candidati vengono per lo più selezionati manualmente, il che richiede tempo, o modificati a caso da un computer, che richiede molta potenza di elaborazione.
In Waymo alleniamo tonnellate di diverse reti neurali e i ricercatori trascorrono molto tempo a capire come addestrare al meglio queste reti neurali, afferma Yu-hsin (Joyce) Chen, un ingegnere di infrastrutture di apprendimento automatico presso Waymo. Ne avevamo bisogno e abbiamo colto al volo l'opportunità.
Chen afferma che il suo team sta ora utilizzando PBT per migliorare lo sviluppo del codice di apprendimento profondo utilizzato per rilevare la segnaletica orizzontale, i veicoli e i pedoni e per verificare l'accuratezza dei dati etichettati che vengono forniti ad altri algoritmi di apprendimento automatico. Dice che il PBT ha ridotto di circa la metà la potenza del computer necessaria per riqualificare una rete neurale e ha raddoppiato o triplicato la velocità del ciclo di sviluppo.
Google sta sviluppando una serie di tecniche per automatizzare il processo di addestramento dei modelli di apprendimento automatico e ne offre già alcune ai clienti attraverso un progetto noto come Cloud Auto-ML . Rendere la formazione sull'IA più efficiente e automatizzata si rivelerà senza dubbio fondamentale per gli sforzi per commercializzare e trarre profitto dalla tecnologia.
Oriol Vinyals, uno dei principali ricercatori di DeepMind e uno degli inventori di PBT, afferma che l'idea di utilizzare PBT a Waymo è nata quando stava visitando Devin. DeepMind ha sviluppato la tecnica per la prima volta nel 2017 come un modo per velocizzare l'addestramento delle reti neurali, per poi utilizzarla per aiutare un computer a giocare a StarCraft II, un videogioco di combattimento particolarmente impegnativo per le macchine (vedi Innovators Under 35, 2016). La collaborazione di DeepMind con Waymo è iniziata prima che pubblicasse la sua ricerca su StarCraft nel gennaio del 2019.
Il processo simile all'evoluzione impiegato in PBT rende anche più facile capire come un algoritmo di apprendimento profondo è stato ottimizzato e ottimizzato, con qualcosa che assomiglia a un albero genealogico. Una delle cose interessanti è che puoi visualizzare l'evoluzione dei parametri, afferma Vinyals. È un bel modo per verificare che ciò che accade abbia davvero senso per te.
Aggiornato il 29 luglio per riflettere il fatto che PBT è stato sviluppato prima che DeepMind iniziasse a lavorare su StarCraft II.