Поделиться
Cognitive Pilot усовершенствовала архитектуру нейронной сети
Разработчик систем автопилотирования на основе ИИ компания Cognitive Pilot выпустила обновление систем автопилотирования для сельхозтехники и рельсового транспорта в котором усовершенствована структура нейронной сети.
«В последнее время ряд известных разработчиков систем автопилотирования, таких как Tesla, Google и другие, объявил об усовершенствовании архитектуры нейронных сетей, используемых в своих решениях. Cognitive Pilot на основе наработанного опыта работы предложила собственный подход к совершенствованию архитектуры, который нам представляется более эффективным и который позволил в короткие сроки достичь значимых результатов», – сказал ведущий разработчик Cognitive Pilot Геннадий Савицкий.
В отличие от традиционного формата совершенствования нейронных сетей, основанного в том числе на сборе огромных массивов информации, специалисты Cognitive Pilot применили свой инновационный подход, сделав акцент на умном и рациональном отборе данных. В своем решении компания использовала актуальные аналитические методы анализа, такие как TSNE (t-distributed Stochastic Neighbor Embedding) и OOD (Out-of-Distribution Detection). Данный подход позволяет строить сбалансированные обучающие выборки, исключая избыточность и добиваясь максимальной эффективности при минимальном количестве данных
Использование современной многозадачной трансформерной архитектуры позволило компании достичь качественно иного результата в задачах автопилотирования сельхозтехники и рельсового транспорта. Новая архитектура сети включает в себя несколько выходов (голов), каждый из которых отвечает за решение различных задач, например, определение кромки поля, детектирование препятствий, обнаружение зон, где вождение возможно или невозможно и т. д. Ключевым преимуществом предложенного подхода стало достижение согласованности в процедуре обучения сети, что в совокупности с правильной стратегией насыщения обучающей выборки обеспечило заметный рост качества распознавания по сравнению с обучением каждой задачи отдельно. Совместное обучение также позволило адаптировать задачи сети к новым функциональным сценариям, которые не были изначально заложены в целевую постановку (эмерджентность). Взаимодействие между выходами способствовало к более глубокому, качественному извлечению признаков и устойчивому обобщению, что указывает на формирование новых системных свойств нейросети – таких как эмерджентность и синергия в процессе совместного обучения. Новая архитектура получила название CognitiveNet.
В итоге новые качества сети дали возможность комплексно анализировать окружающую среду, увеличить более чем в 2 раза число типов распознаваемых объектов, включая объекты дорожной инфраструктуры, транспортных средств, животных, включая собак и кошек, а также птиц.
«Можно сказать, что мы достигли уровня распознавания объектов, который превышает возможности человека. То есть, если дать группе экспертов неограниченное время на анализ окружающей сцены с входного сигнала камеры, то они смогут определить существенно меньше объектов, чем наша нейросеть, но самое главное, что нейросеть это сделает за доли секунды. Сейчас мы сможем распознать даже воробья, сидящего в пшенице или другой культуре в задачах автопилотирования сельхозтехники или теннисный мячик, выкатившийся на рельсы перед умным трамваем», – сказал Савицкий.
Новый детектор объектов, применяемый в CognitiveNet, использует продвинутые методы уточнения границ для снижения ошибок локализации и более точного обнаружения. Благодаря более точной локализации объектов и улучшенному процессу классификации снизилось количество ошибок распознавания. Улучшенная структура сети теперь позволяет точнее определять границы распознаваемых объектов, а также минимизировать случаи, когда система ошибочно распознает элементы, которые не являются объектами (например, фон или мелкие детали).
Инновационный подход к обучению позволил также передавать знания о расположении объектов между слоями модели, улучшая предсказания без увеличения вычислительных затрат. Кроме того, это позволило существенно снизить требования к вычислительным ресурсам. Производительность системы выросла более чем на 40%.
«Усовершенствованная архитектура нейросети – это огромный шаг вперед. В CognitiveNet реализованы наши последние достижения в этой области. Они не только позволяют разработчикам экономить десятки человеко-лет при создании автопилотов и увеличивать производительность системы, главное, что они обеспечивают максимальный уровень безопасности и наивысшее качество работы техники, на которой работают наши ИИ-автопилоты. Мы очередной раз подтверждаем, что российские решения являются законодателями мод в этом важнейшем направлении мирового рынка высоких технологий», – сказала генеральный директор Cognitive Pilot Ольга Ускова.
Еще одно важное преимущество новой архитектуры – способность самодиагностики и оценки надежности своих предсказаний, что крайне необходимо в системах автопилотирования, где критически важно понимать уровень уверенности модели в каждом решении. В случаях, когда сеть дает предсказания с низкой надежностью, система способна оперативно сигнализировать о необходимости дополнительной обработки или привлечения внешнего вмешательства.
«Такой подход представляется более прозрачным и сбалансированным в отличие от полностью сквозных (end-to-end) решений, которые зачастую исключают использование программных алгоритмов, поскольку позволяет избегать проблем с интерпретируемостью решений и вносить необходимые коррективы для обеспечения надежности», – сказал Савицкий.
Короткая ссылка
