Trajnimi i inteligjencës artificiale (AI) për të funksionuar në botën fizike kërkon sasi të mëdha të dhënash, por shumë situata që sistemet autonome duhet të njohin janë të rralla, të rrezikshme ose të vështira për t’u kapur në botën reale.
Startupi hungarez DiffuseDrive po përpiqet të zgjidhe këtë mungesë të dhënash duke krijuar dhëna trajnimi sintetike për sistemet fizike të AI, duke ndihmuar kompanitë të ekspozojnë modelet e tyre ndaj skenarëve që datasetet ekzistuese nuk përfshijnë.
Për të mësuar më shumë, intervistova anëtarët e ekipit, Gabor Vecsei, Zëvendës Drejtor i Inxhinierisë së AI, dhe Daniel Schmid, Drejtor i Kërkimit të AI.
Vecsei udhëheq inxhinierinë e sistemeve të AI të kompanisë dhe tranzicionin e kërkimit në teknologji të prodhimit të skalueshme. Para se të bashkohej me DiffuseDrive, Vecsei ka punuar disa vite në mësimin e makinave dhe inxhinierinë e AI, duke udhëhequr një organizatë të kërkimit dhe zhvillimit (R&D) që u rrit nga një ekip i vogël në një departament me më shumë se 30 persona. Ai ka studiuar në Universitetin e Teknologjisë dhe Ekonomisë të Budapestit, duke u specializuar në shkencën e kompjuterit të aplikuar.
Schmid është Drejtor i Kërkimit të AI në DiffuseDrive, duke punuar në kryqëzimin e kërkimit dhe inxhinierisë së prodhimit të kompanisë. Origjinar nga Gjermania, ai është specializuar në mësimin e makinave që nga viti 2020. Para se të bashkohej me DiffuseDrive, ai ka punuar në disa projekte akademike, përfshirë një eksperiencë kërkimore në Kore dhe një bashkëpunim me Universitetin e Oksfordit. Ai ka përfunduar studimet e diplomës në Universitetin Teknik të Mynchenit.
DiffuseDrive synon të zgjidhë problemin e mungesës së dhënash në AI fizike në një gamë të gjerë aplikimesh, përfshirë mbrojtjen, ajrorësinë, minierat dhe automjetet autonome. Sipas Schmid, tre gjëra janë jashtëzakonisht të rëndësishme për AI: dhënat, dhënat dhe dhënat.
“Me modelet e gjuhës, ekziston një korpus i madh i dhënash tekstuale në internet. AI fizike është shumë e ndryshme. Dhënat janë të pakësuara dhe të vështira për t’u mbledhur, dhe skenarët që ju interesojnë mund të jenë jashtëzakonisht të vështirë – ose të rrezikshëm – për t’u riprodhuar, veçanërisht në mjedise të mbrojtjes.”
DiffuseDrive ka krijuar një sistem që mund të gjenerojë këto pika të dhënash që mungojnë dhe t’i injektojë drejtpërdrejt në datasetet e klientëve, duke ndihmuar përmirësimin e aplikacioneve të mëtejshme, siç janë dronët autonomë, automjetet dhe sistemet e minierave.
Merrni një kompani e mbrojtjes me një sistem perceptimi që monitoron një vijë bregdeti. Dhënat dhe modelet e saj janë pashmangshmërisht të paplotë, sepse thjesht vendosja e një kamere në vijën bregdeti nuk do të ekspozojë sistemin ndaj çdo skenari që duhet të njohë.
Sipas Schmid, këto skenare të rralla janë shpesh pikërisht ato për të cilat organizatat e mbrojtjes duhet të jenë të përgatitura. Platforma e DiffuseDrive analizon zgjidhjen ekzistuese të një kompanie dhe identifikon mungesat në dhëna. Pastaj mund të gjenerojë dhëna për të plotësuar këto mungesa.
“Një nga fushat ku kemi parë suksesin më të madh nuk është vetëm gjenerimi i dhënave të munguar, por edhe ndihma për klientët të identifikojnë se cilat mungesa ekzistojnë në të vërtetë”, shpjegoi Schmid.
Për të siguruar që një rast i veçantë i dhënash përfaqëson në mënyrë të saktë diçka që mund të ndodhë në botën reale, kompania zakonisht fillon me klientin.
“Ata mund të kenë 100 imazhe ose pika të dhënash, ose ndoshta disa mijë, dhe zakonisht kanë tashmë një rrjet neural të trajnuar që e kanë vlerësuar. Kjo do të thotë që ata tashmë e dinë disa nga mungesat themelore të sistemit të tyre.”
DiffuseDrive punon me ta për të kuptuar se si u trajnua sistemi dhe cilat dhëna kanë. Ai analizon pjesën ose të gjithë datasetin, identifikon se çfarë ekziston aty dhe ekstrapolon se çfarë mund të
Burimi: Tech.eu
