Yapay zeka modeli, gözlemlenmesi zor alanlara gitmek için hava ve yer verilerini kullanıyor

Yapay zeka modelleri, daha önce hiç eğitim almadıkları veya yeterli eğitim verisinin verilmediği alanlarda (sokaklarda) gezinmeye yardımcı olabilir mi? DeepMind yapay zeka geliştirme ekibindeki bilim adamlarının endişe duyduğu şey bu. Uzun yıllar süren bir kuluçka sürecinin ardından bilim insanları, yakın zamanda Arxiv.org'da yayınlanan bir makalede açıklanan "Sokak Navigasyonu için Çapraz Görünüm Politikası Öğrenimi" adlı bir araştırma projesinde nihayet başarıya ulaştı.

Bu araştırmada DeepMind bilim insanları, daha optimum gözlem verimliliği için şehrin farklı bölgelerini hedef alan, birçok açıdan (çoğunlukla yukarıdan aşağıya alınan görüntüler) zengin bir veri ambarından eğitilen bir yapay zeka politikasının gelişimini anlatıyor. Araştırmacılar böyle bir yaklaşımın daha iyi genelleme sonuçlarına yol açacağına inanıyor.

• AI (Yapay Zeka) ve Bilişsel Hesaplama (Bilişsel Hesaplama) arasındaki fark

Özünde bu araştırma, insanların yeni bir şehrin haritasını defalarca dikkatle inceleyerek, yeni bir şehrin düzenine ve temel yapısına hızlı bir şekilde uyum sağlayabilmelerinden ilham almıştır.

"Alışılmadık ortamlardaki görsel gözlemlerden yola çıkma yeteneği, yapay zeka modellerinin navigasyonu öğrenme yeteneğinin incelenmesinde temel bir bileşendir. Yapay zeka modellerinin, eğitim verisi eksikliğinin olduğu durumlarda sokaklarda gezinme kabiliyeti şu ana kadar nispeten sınırlıydı ve simülasyon modellerine güvenmek uzun vadede etkili olabilecek bir çözüm değil. Temel fikrimiz kara görüşünü hava görüşüyle ​​eşleştirmek ve görüşler arasında geçiş yapmayı mümkün kılacak ortak politikaları keşfetmek” dedi araştırma ekibinden bir temsilci.

• Google, dünya çapında 200.000 önemli noktaya ait 5 milyondan fazla fotoğrafın yer aldığı devasa bir AI eğitim veri ambarını kullanıma sunuyor

Daha spesifik olarak, araştırmacıların yapması gereken ilk adım, gezinmeyi düşündükleri alanın havadan haritalarını toplamaktır (coğrafi koordinatlara dayalı sokak gözlem modlarıyla birlikte). Daha sonra, veriler üzerinde eğitim almak ve bölgenin havadan gözlemlerini kullanarak kaynak alanını ayarlamakla başlayan ve yer gözlemlerini kullanarak hedeflenen alana hareketle biten üç bölümlü bir ışınlanma görevine başladılar.

Araştırma ekibinin makine öğrenimi sistemi, aşağıdakileri içeren 3 ayrı modülden oluşur:

• Görsel algıdan sorumlu evrişimsel modül.
• Uzun kısa süreli bellek (LSTM) modülü, konuma özgü özelliklerin alınmasından sorumludur.
• Politika yinelenen sinir modülü, eylemler aracılığıyla bölünmeler oluşturmaya yardımcı olur.

Bu makine öğrenimi modeli, StreetLearn'in üzerine inşa edilen çok perspektifli bir dış mekan sokak ortamı olan StreetAir'de kullanıldı. (StreetLearn, Google Street View ve Google Haritalar'dan alınan panoramik fotoğrafların ilk etkileşimli koleksiyonudur).

• Yapay zeka, araştırmacıların sel durumlarını analiz etmelerine yardımcı olmak için tweet'leri kullanıyor

StreetAir ve StreetLearn'de, New York şehrinin (Downtown NYC ve Midtown NYC dahil) ve Pittsburgh'un (Allegheny College ve Carnegie Mellon Üniversitesi kampüsleri) panoramik manzaralarını içeren hava görüntüleri, her enlem koordinat derece ve boylamında ortam havadan görüntü verecek şekilde düzenlenmiştir. 84 x 84 boyutunda, yerden alınan görüntülerle aynı boyutta görüntüler.

AI sistemi, eğitimden geçtikten sonra, hedefin enlem ve boylam koordinatlarıyla panoramik bir Street View görüntü grafiğinin nasıl yerelleştirileceğini ve gezinileceğini öğrenmekle görevlendirilecek.

Panoramalar yan tarafta 2-5 kilometrelik, yaklaşık 10 metre aralıklı alanları kapsıyor ve (AI kontrollü) araçların dönüş başına 5 eylemden birini gerçekleştirmesine izin verilecek: ileri gitme, 22,5 derece sola veya sağa dönme veya 67,5 derece sola veya sağa dönme derece.

Bu araçlar, hedef konuma 100-200 metre yaklaştığında, kavşakları hızlı ve doğru bir şekilde tespit edip geçmeyi teşvik edecek "ödüller" alacak.

• MIT'in yapay zeka modeli, minimum eğitim verisiyle kendi başına nesneler arasındaki ilişkileri yakalayabilir

Deneylerde, yeni ortamlara uyum sağlamak için hava görüntülerinden yararlanan araçlar, 100 milyon adımda 190 ve 200 milyon adımda 280 ödül metriğine ulaştı; bunların her ikisi de yalnızca yer gözlem verilerini kullanan araçlarla karşılaştırıldığında önemli ölçüde daha yüksekti (100 milyon adımda 50 ve 200 milyon adımda 200). milyon adım). Araştırmacılara göre sonuçlar, yöntemlerinin araçların hedef şehrin birden fazla alanı hakkında daha etkili bir şekilde bilgi edinme yeteneğini önemli ölçüde geliştirdiğini gösterdi.