TL;DR
- بازار تحرک دائماً در حال تحول است،.
- زیرا کاربران جادهای و وسایل نقلیه جدید مانند اسکوترهای لگد،.
- وسایل نقلیه نسل بعدی،.
چه اتفاقی افتاد
بازار تحرک دائماً در حال تحول است،. زیرا کاربران جادهای و وسایل نقلیه جدید مانند اسکوترهای لگد،.
وسایل نقلیه نسل بعدی،. دوچرخههای برقی و سیستمهای Mobility as a Service (MaaS) بهطور مرتب معرفی میشوند و رانندگان و خودروها باید.
مطابق با آن سازگار شوند. به گفته مهندس ML،.
ایوان کوشینگ،. این وضعیت ثابت تکامل چیزی است که پروژههایی را که او و تیمش در Woven کار میکنند -.
یک شرکت تابعه فناوری تحرک تویوتا موتور که بر تحول نرمافزار رانندگی در گروه تویوتا متمرکز است -. بسیار جذاب میکند.
کوشینگ گفت:. "ما روی مسائل بسیار جالب و چالش برانگیز در مقیاسی کار میکنیم که واقعاً در هیچ فضا.
یا شرکت دیگری نمیتوانید پیدا کنید. " "آنچه که رانندگی خودران را به یک مشکل جالب ML تبدیل میکند که به ابزارهایی مانند.
Weights & Biases نیاز دارد این است که یک مشکل بسیار ابعادی است. یکی از این چالشها نیاز به یک سیستم ML یادگیری مداوم است.
" را ماموریت تیم ارائه راهحلهای رانندگی مستقل، هوشمند و انسان محور است. عدم شناسایی خطرات ایمنی بزرگی را برای مسافران و جامعه اطراف آنها نشان میدهد و فشار زیادی.
را بر شرکت و تیم Evan's ML برای ارائه مدلها و راهحلهای پیشرفته وارد می. کند.
چالشها با گردش کار "Autonomy 1. 0".
کوشینگ و تیمش چندین نقطه درد را با فرآیند "1. 0" و گردش کار سنتی ML برای رانندگی خودکار، از جمعآوری دادهها تا آموزش و استقرار، تشخیص دادند.
اینها عبارت بودند از:. روشی برای جمعآوری دادهها - با استفاده از وسایل نقلیه آزمایشی که مسیرهای ثابت را بدون ثبت کامل.
توزیع دادههای غنی و متنوع سناریوهای رانندگی در دنیای واقعی - که مقیاسپذیر نبود. باید به صورت دستی دادهها را از خودروهای آزمایشی تنظیم کنید تا بخشی از مجموعه آزمایشی مورد استفاده.
برای معیار قرار بگیرند. اعضای تیم ویدئو را مرور میکنند تا صحنههای مناسب برای تمرین،.
سناریوهای کایزن را که ممکن است برای مدلهای ML یا سیستمهای هوش مصنوعی،. مانند حیوانات در جاده چالشبرانگیز باشد،.
بیابند و انتخاب کنند. این نیز مقیاس پذیر نبود.
فرآیند برچسبگذاری داده آهسته و زمانبر که با یک سرویس حاشیهنویسی داده شخص ثالث کار میکند،. که میتواند تا یک ماه طول بکشد.
کل فرآیند از جمعآوری دادهها تا حاشیهنویسی دادهها،. و سپس آموزش مجدد و آزمایش مدلها و استقرار تا تولید،.
از ابتدا تا انتها بیش از یک سال طول کشید. ایوان و تیمش احساس میکردند که باید 10 برابر این فرآیند را از نظر سرعت و مقیاس.
انجام دهند تا بتوانند یادگیری واقعاً مستمر و رانندگی مستقل ایمن را برای تویوتا ارائه دهند. 10 برابر بهبود با استفاده از اصول کایزن کایزن یک اصطلاح ژاپنی است که به معنای "بهبود مستمر".
یا به معنای واقعیتر "تغییر برای بهتر" است. در هسته خود،.
بر فلسفه ایجاد بهبودهای کوچک و تدریجی بهطور مداوم در طول زمان برای دستیابی به پیشرفت قابل توجه. و در عین حال حذف ضایعات و ناکارآمدی در فرآیندها تأکید دارد.
کوشینگ این فرآیند فکری را کلیدی برای مقابله با چالشهای خود میدید و به دنبال حوزههایی برای پیادهسازی. کایزن در سراسر گردش کار بود.
بزرگترین پیشرفت آنها دور شدن از وسایل نقلیه آزمایشی برای جمعآوری دادهها،. برای استفاده از ناوگان بزرگ خودروهای مشتری خود با سنسورهای جمعآوری داده بود که منجر به حجم قابل.
ملاحظهای از دادههای جمعآوریشده در زمان بسیار کوتاهتری شد. این حسگرها همچنین از محرکهای خودکار برای یافتن سناریوهای کایزن استفاده میکردند،.
بهعنوان مثال اگر افزایش شدیدی در نیروی g ناگهانی احساس میشد. این ممکن است بهطور بالقوه یک موقعیت ناامن و صحنه ارزشمندی برای آموزش مدلها باشد.
برچسبگذاری خودکار و پرسوجوهای مجموعه داده در جریان کار تنظیم دادهها نیز منجر به بهبودی عظیم در صرفهجویی. در زمان شد،.
از 20 ماه به تنها 2 ماه. این تیم حاشیه نویسی دادهها را با یادگیری ماشینی خودکار کرد و بهطور خودکار را به داده.
ها اختصاص داد به جای اینکه انسانها به صورت دستی صحنهها را برای آموزش انتخاب و. حاشیه نویسی کنند.
این تیم اکنون میتواند از مجموعه داده پرس و جو کند تا صحنههایی را که ممکن. است سناریوهای کایزن باشند،.
مانند "گوزنها" جستجو کنند. عبور از یک جاده» یا «کودک روی دوچرخه» برای جمعآوری تمام نمونههای این سناریوی خاص.
پشتیبانی از همه این تلاشها در کل گردش کار،. بهترین چارچوب ML در کلاس بود که شامل استفاده از Weights & Biases بهعنوان سیستم مرکزی ثبت،.
PyTorch بهعنوان چارچوب اصلی،. Hydra برای مدیریت پیکربندیها،.
و زیرساختهای on-prem (AWGXMaker) و (AWGSMaker) و (D) و زیرساختهای ابری (AWGSMaker) و (D) تاثیر وزنها و. سوگیریها به ویژه Weights & Biases به ابزاری ضروری برای Woven by Toyota برای توسعه،.
برقراری ارتباط و همکاری در پروژههای ML در ها و برنامههای کاربردی محصول تبدیل شده است. کوشینگ میگوید:.
«ردیابی آزمایشی به ما سرعت ۱۰ برابری داده است و ما را قادر میسازد تا نتایج را بسیار. سریعتر،.
با قابلیت ردیابی و ردیابی،. با یکدیگر به اشتراک بگذاریم.
Sweeps به ما کمک کرده تا فرآیندهای خسته کننده قبلی را خودکار کنیم و Reports به ارتقای استاندارد. ML خوب در تویوتا کمک کرده است.
این تیم همچنین راههای منحصربهفردی برای استفاده از وزنها و سوگیریها ارائه کرده است،. و کوشینگ آن را بهعنوان «نکته واقعاً سرگرمکننده کایزن» توصیف کرده است:.
استفاده از جدولها برای ارائه بهعنوان تابلوی برتر مدلهای واقعی. این تیم مدلها را در بین تیمها و توابع به اشتراک میگذارد و مدلهای اجرا شده را که.
روی همان نسخه مجموعه داده آموزش دیدهاند،. جمعبندی میکند.
سپس از جداول استفاده میکنند تا آنها را بر اساس معیارهای ارزیابی مرتب کنند تا ببینند چه. کسی چه کاری را انجام میدهد نسخههای مدل پیشرو هستند و چه کسی در تیم رهبری.
بسته را بر عهده دارد. کوشینگ گفت: "این تیم را در راستای توسعه پروژه حفظ میکند.
" تابلوی امتیازات به ما دید متقابل عملکردی نسبت به دادهها،. تکنیکها و تیمهایی میدهد که نتایج عالی ارائه میدهند.
و تیم هم با استفاده از Weights & Biases و هم با گردش کار کلی Autonomy 2. 0 که برای رسیدن به آن تلاش میکنند، روی موفقیتهای خود تکیه نمیکنند.
کوشینگ قصد دارد بیشتر در پلتفرم Weights & Biases،. به ویژه با Launch (برای اتصال یکپارچه برای محاسبه برای اجرای کارهای آموزشی و استنتاج در مقیاس بزرگتر).
و Model Registry (برای متمرکز کردن و دهی تمام مدیریت و استقرار مدل) ادغام شود. در همین حال، Autonomy 2.
0 از مجموعه دادههای رفتاری بزرگ،. شبیهسازی آفلاین بهتر برای اعتبارسنجی و هزینههای سختافزاری مقرونبهصرفهتر برای ارتقای مقیاس بزرگتر،.
به بهبود خود ادامه خواهد داد. آینده نزدیک رانندگی خودکار یک آینده هیجان انگیز است که توسط افرادی مانند کوشینگ و تیمش در Woven.
by Toyota رهبری میشود.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.