Автоутопия. Будущее машин

В автомобилях будущего будет решена проблема со звуком: в каждое кресло встроят устройства подавления шума и усиления голоса, что позволит спокойно общаться с попутчиками. Более того, салон машины станет просторнее и его можно будет изменять по своему вкусу, настраивая экраны, приборную панель и графику. Экраны дополненной реальности будут выводить подсказки GPS-навигатора и полезные указания прямо на лобовое стекло.

Если в двух словах, то автомобиль находит шаблон в базе данных и реагирует на него. Такую же технологию используют для прогнозирования многих ситуаций – от землетрясений до сердечных заболеваний. Со временем стало возможным анализировать результаты исследований на наличие раковых клеток, распознавать болезни глаз и повреждение мышц. Компьютер справляется с задачей быстрее и точнее врача. Эта же технология оказалась полезной при распознавании лиц (от этого в какой-то степени даже некомфортно). Были случаи, когда записывали биометрическую информацию посетителей концерта, решивших сделать фото в будке, или когда людей по ошибке задерживали за магазинное воровство просто из-за того, что их черты лица схожи с чертами преступников. Из-за этого распознавание лиц приобрело дурную славу. Эти ситуации показали, насколько глубокое обучение может не оправдать ожидания.

Распознавание шаблонов на дороге заметно сложнее, ведь нужно учитывать множество факторов в сжатые сроки. Разработка программного обеспечения, которое поможет реагировать на сигналы из окружающей среды, – крайне сложная задача. Наиболее очевидный способ научить автомобиль правильным действиям – так называемое поведенческое клонирование (источником информации выступает опытный водитель). На следующем этапе система практикуется и учится принимать решения самостоятельно, повышая свой уровень вождения. При этом процесс контролирует человек и вмешивается, если что-то идет не так (а это случается часто).

На базовом уровне система способна определить, что дорога свободна, на основе большого объема подобных фотографий. Сопоставив данные, система увеличивает скорость до предустановленного предела. Задача становится сложнее, если на дороге много легковых автомобилей, фур, пешеходов и велосипедистов, а в базе нет готовых действий для этой ситуации. Системе придется угадывать, как поведет себя каждый из участников движения, и реагировать соответственно.

Себастьян Трун считает точное восприятие наиболее сложным аспектом. Он отмечает, что в начале работы над проектом Google по разработке автономных автомобилей модуль восприятия не мог отличить пакет от сбитого ребенка. Как уже было сказано, прогресс есть. На конференции Google I/O в 2018 году беспилотник Waymo продемонстрировал взаимодействие с пешеходом, несшим доску размером с дверь, рабочим, наполовину вылезшим из люка, и даже людьми, одетыми в надувные костюмы динозавров. В каждом случае очертания пешеходов были неясны, но Waymo верно их распознавал.

Существуют проблемы и с системой глубокого обучения. По сути, каждая ситуация, с которой сталкивается система, должна быть ей знакома. В противном случае у нее нет варианта действий. Одна из проблем называется «переобучение». Система начинает устанавливать связь между показателями, которые друг к другу никак не относятся. Это все равно что пытаться угадать число, которое выпадет на кубике, основываясь на его цвете или времени суток. Программа искусственного интеллекта будет продолжать строить гипотезы по поводу выпадающих чисел на базе всех параметров, которые ей доступны.

Проблема усугубляется, когда рассматривается больше факторов. Представим, что я повернул налево. Система может решить, что я поступил так из-за велосипедиста в 200 метрах от меня. К тому же я уже несколько раз делал так в этом районе в это время суток. Я описываю очень схематично, но эти примеры позволят понять сложность обучения ИИ вождению, так как там множество переменных.

Недообучение – обратная проблема. Система ИИ не всегда улавливает нужные связи. К примеру, она может не распознать обочину дороги или не понять, пешеход перед ней или велосипедист, неверно истолковав данные с камеры и лидара. Обычно для борьбы с недообучением в систему загружают новые данные или больше практической информации о взаимосвязи между системой ИИ и реальным миром. В компаниях, занимающихся разработкой беспилотных автомобилей, тысячи сотрудников вручную снабжают изображения тегами с полезной информацией. Такое дополнение нейронных сетей фактическими данными позволяет устранить недообучение.