Kā mākslīgais intelekts māca bezpilota auto braukt? Intervija ar pētnieku Oliveru Čangu
Iedomājieties auto, kas ne tikai spēj patstāvīgi novirzīties no šķēršļa, bet arī ir iemācījies šo manevru veikt tā, it kā tam būtu gadiem ilga braukšanas pieredze. Tas nav tālā nākotnes skats, bet tiešs darbības princips, ko savos pētījumos izmanto doktorants Olivers Čangs. Viņa darbam AAAI/SIGAI Doctoral Consortium ietvaros ir viena galvenā mērķa līnija: izmantot pastiprinošo mācīšanos (reinforcement learning), lai radītu gudrākas, drošākas un saprotamākas autonomās braukšanas sistēmas. Šajā intervijā mēs iegrimstam viņa pētījumu pasaulē un uzzinām, kā AI ne tikai “redz”, bet arī “domā” uz ceļa.
Kas ir pastiprinošā mācīšanās un kā tā māca auto “iztikt”?
Pastiprinošā mācīšanās ir tāds mašīnmācīšanās veids, kurā aģents – šajā gadījumā autonomā automašīnas vadības sistēma – mācās, mijiedarbojoties ar vidi, tieši tāpat kā cilvēks. Iedomājieties videospēli: spēlētājs saņem atlīdzību par labiem gājieniem un sodu par sliktiem, lēnām apgūstot optimālo stratēģiju. Olivers Čangs to skaidro šādi: “Autonomajai sistēmai tiek noteikts mērķis, piemēram, droši un efektīvi nokļūt no punkta A uz punktu B. Katru reizi, kad tā veic pareizu darbību – notur drošu distanci, veic gludu apdzīšanu – tā saņem pozitīvu signālu. Kļūdas, piemēram, pārāk agra bremzēšana vai nepamatota virziena maiņa, tiek ‘sodītas’. Laika gaitā sistēma, izmantojot dziļos neironu tīklus, pati atrod absolūti optimālāko ceļu, kā rīkoties jebkurā, arī neparedzētā, situācijā.”
Projekts: no simulācijas līdz realitātei
Viens no Olivera apskatītajiem projektiem ir saistīts ar pāreju no simulācijas uz reālo pasauli. “Mēs varam milzīgā ātrumā apmācīt modeli miljoniem braukšanas stundu hiperreālistiskās simulācijās, kur tas saskaras ar tūkstošiem retu un bīstamu situāciju. Taču lielākais izaicinājums ir pārnesamību,” atzīst pētnieks. Viņa darbs pie šīs problēmas ietver domēnus adaptācijas metožu izstrādi, kas ļauj modelim, kas apgūts “digitālajā pasaulē”, pielāgoties niansēm reālajā pasaulē – mainīgam apgaismojumam, neparedzētiem ceļa virsmas defektiem vai īpatnējiem citiem braucējiem.
Izskaidrojamais AI: kā pārliecināties, ka auto pieņem pareizo lēmumu?
Vēl viens kritisks Olivera pētījumu aspekts ir izskaidrojamais mākslīgais intelekts (Explainable AI – XAI). “Mēs nevaram vienkārši uzticēties melnai kastei,” viņš uzsver. “Ja autonomā automašīna pieņem lēmumu, piemēram, pēkšņi mainot joslu, mums ir jāsaprot, kāpēc tā to izdarīja. Vai tā ieraudzīja kaut ko, ko sensors nenočipa? Vai tā interpretēja kāda cita auto uzvedību kā bīstamu?”
Uzticēšanās caur caurredzamību
Viņa darba ietvaros tiek meklēti veidi, kā padarīt pastiprinošās mācīšanās modeļu lēmumus interpretējamus. Tas varētu izpausties kā sistēma, kas var verbāli vai vizuāli paskaidrot: “Es nomainīju joslu, jo priekšā esošais transports sāka nestabilu kustību, un es uztvēru to kā iespējamu avārijas risku.” Šāda caurredzamība ir būtiska ne tikai inženieru uzticībai, bet arī regulatoriem un galu galā sabiedrības pieņemšanai.
Kādi ir lielākie izaicinājumi nākotnē?
Autonomās braukšanas attīstībā, izmantojot pastiprinošo mācīšanos, nav trūkums izaicinājumiem. Olivers kā galvenos min šādus:
1. Ētiskās dilemmas un sarežģīti lēmumi
Kā sistēmai iemācīt rīkoties situācijās, kur jebkura izvēle rada negatīvas sekas? “Mūsu uzdevums ir definēt atlīdzības funkcijas, kas atspoguļo sabiedrības vērtības un drošības prioritātes. Tas nav tīri tehnisks jautājums, bet dziļi filozofisks un sociāls,” komentē Čangs.
2. Neparedzama cilvēku uzvedība
Lielākais izaicinājums nav tehnoloģija, bet cilvēki. “Cilvēku uzvedība satiksmē ir netoši prognozējama, emocionāla un dažreiz pretrunīga. Mūsu modeļiem jāspēj pielāgoties ne tikai noteikumiem, bet arī šai sarežģītajai sociālajai videi,” viņš piebilst.
3. Aprēķinu jauda un enerģijas patēriņš
Dziļās pastiprinošās mācīšanās modeļu apmācība prasa milzīgus resursus. Nākotnes izaicinājums ir radīt efektīvākas apmācības metodes un aparatūru, kas spētu darboties automašīnās reālā laikā, neiztērējot pārāk daudz enerģijas.
Nākotnes perspektīvas: ko sagaidīt?
Olivera Čanga pētījumi ir vērsti uz tuvāko nākotni, kur autonomās sistēmas kļūs ne tikai kompetentākas, bet arī saprotamākas un uzticamākas. Viņš uzskata, ka pastiprinošā mācīšanās ļaus radīt automašīnas, kas varēs pielāgoties individuālajam braukšanas stilam, mainīgiem laikapstākļiem un unikāliem pilsētas satiksmes rakstiem daudz elastīgāk nekā tradicionāli programmētas sistēmas.
“Gala mērķis nav automašīna, kas vienmēr rīkojas perfekti pēc grāmatas,” noslēdz viņš. “Mēs vēlamies radīt palīgu, kas spēj saprast satiksmes plūsmas haosu, pielāgoties tam un droši nogādāt pasažierus galamērķī, mācoties no katras piedzīvotās situācijas. Tas ir solis ne tikai uz pilnīgāku automatizāciju, bet uz patiesi inteliģentu transportu.”
Šie pētījumi, kādi veikti AAAI/SIGAI Doctoral Consortium ietvaros, ir akmens pamatāklis nākotnes drošākai un saprotamākai autonomajai braukšanai, kur AI darbojas nevis kā noslēpumains algoritms, bet kā apmācīts un uzticams “digitālais šoferis”.