Voyage - это недавно запущенный стартап Self-Driving Taxi, возглавляемый Оливером Кэмероном, с миссией представить миру сверхдешевые автономные такси. Сегодня на канале Udacity Self-Driving Car Slack мы провели сеанс Спроси меня о чем угодно с Тарином Зияи, директором по искусственному интеллекту в Voyage и бывшим исследователем Deep Learning в Apple.

Вот подборка всех ответов, которые Тарин и Оливер давали на протяжении всего сеанса!

В: Если бы вы взяли кого-нибудь и обучили его с нуля в течение следующих нескольких месяцев, чтобы он стал инженером по машинному обучению? Насколько это будет сосредоточено на математике по сравнению с компьютерными системами и программированием?

Тарин: Хороший вопрос! Безусловно, самый важный фактор, который я ищу, - это хорошее понимание основ. Это действительно важно, когда нужно проявить творческий подход при разработке алгоритмов. Если нет сильной интуиции в основах, творчество может пострадать. В конце концов, разработчик / исследователь алгоритмов - это художник! :)

В: Что вы посоветуете тем, кто только начинает заниматься глубоким обучением?

Тарин: Страсть Страсть Страсть! О сыром песке, безусловно, есть что сказать. Не расстраивайтесь, если вы не понимаете концепцию. Всегда всегда протискивайтесь, учитесь и задавайте вопросы. Некоторых людей может расстраивать то, что делают «все остальные», но не думайте так. Сосредоточьтесь на себе! :)

Точно так же я бы также рекомендовал не отвлекаться на кучу статей, блогов и т. Д. Определенно отслеживайте их, но сосредоточьтесь на основах и интуиции: думайте об этом, как об изучении языка. Сделайте бэкпроп на бумаге. Затем закодируйте это. Затем сделайте это для CNN, закодируйте и т. Д. И т. Д.

Некоторых людей может расстраивать то, что делают «все остальные», но не думайте так. Сосредоточьтесь на себе!

В: Я работаю в автомобильной сфере, в области тестирования. Как вы думаете, можно ли проверить надежность системы, в которой есть функции искусственного интеллекта? Особенно, когда это должно доказать, что производитель не несет ответственности за конкретную аварию? Нужно ли это вообще доказывать, когда дело касается искусственного интеллекта? Актуальны ли такие стандарты, как ISO26262, для систем с искусственным интеллектом?

Тарин: Вы затронули этот очень важный момент: современные стандарты могли исходить из предположений о человеке за рулем. Честно говоря, нет простых ответов на эти вопросы как таковые - я думаю, что нам придется быть более детализированными по мере развития технологий и обновлять наши правила по мере продвижения. По-прежнему нет ясности в отношении того, какая форма ИИ будет в конечном итоге развернута для SDC.

В: Вы бы предпочли драться со 100 лошадьми размером с утку или с 1 уткой размером с лошадь? (Признаюсь, это был мой вопрос)

Тарин: Я бы предпочел разработать алгоритмы, которые смогут обнаруживать и отслеживать 100 лошадей размером с утку! Вот на самом деле пример того, как классический «обучить классификатор для x» терпит неудачу, и нам нужно подумать о создании общих детекторов препятствий.

В: Существуют ли какие-либо типы нейронных сетей (например, рекуррентные или сверточные), которые, по вашему мнению, должны изучать студенты, изучающие глубокое обучение?

Тарин: Я всегда рекомендую следующее: глубоко понимать полностью подключенное, затем идут CNN, затем RNN, а затем GAN, RL. Однако вы можете действительно очень далеко продвинуться и с одними CNN.

В: Будет ли Voyage использовать глубокое обучение для таких вещей, как планирование пути / принятие решений / поведение, а не просто глубокое обучение для восприятия?

Тарин: Мы, конечно, не будем уклоняться от любых технологий. В Voyage мы стараемся не придерживаться идеологии в отношении технологий, которые нам нужны.

В: Что вы думаете о том, как далеко мы можем продвинуться с доступными сегодня на рынке датчиками с точки зрения функций автономного вождения? Не обращайте внимания на датчики от Luminaries или любые новые датчики от стартапов. Мой вопрос сосредоточен на следующем: насколько ИИ может улучшить существующие системы?

Тарин: Это действительно БОЛЬШОЙ вопрос. Датчики могут ограничивать алгоритмы, которые могут ограничивать восприятие, что может ограничивать планирование пути и т.д. Частично проблема с SDC на самом деле состоит в том, чтобы справиться с текущими ограничениями датчиков, которые у нас есть. Есть также много некрасивых деталей, связанных с тем, как синхронизировать по времени разные датчики друг с другом, если это даже необходимо, и угловые случаи в этом. Как я уже сказал - отличный вопрос.

В: Какие фреймворки наиболее часто используются для глубокого обучения? Очевидно, что существует Tensorflow, но какие другие широко используются в отрасли? Кроме того, действительно ли важна структура или концепции важнее?

Тарин: Да, определенно существует множество фреймворков, и сообщество пока еще не остановилось на том или ином. В конце концов, важно то, с чем разработчик чувствует себя наиболее комфортно, и насколько быстро он может кодировать и обучаться на этом. В конце концов, модель остается моделью. Если разработчик может запустить свою модель на машине с минимальными усилиями, то следует использовать именно этот метод. Ключевым моментом является быстрое прототипирование.

В: Планируете ли вы маркировать свои собственные данные тренировки или у вас есть какие-нибудь хитрые стратегии для получения помеченных данных изображений?

Оливер: Мы действительно планируем создать инструмент с открытым исходным кодом для эффективного аннотирования карт облаков точек, смотрите это пространство!

В: Каково соотношение реальных необработанных обучающих данных (изображений / радаров), собранных с транспортных средств, по сравнению с смоделированными / дополненными данными, на которых обучаются модели? Как это изменилось со временем?

Тарин: Конечно, при моделировании данные почти «бесконечны», хотя могут возникнуть вопросы относительно их разнообразия. Противоположное можно сказать о настоящих свиданиях (очень разнообразных, но их сложно приобрести / маркировать). Тем не менее, когда дело доходит до обучения DNN, есть интересные работы по использованию гибридных подходов.

В: Вы предполагаете наличие комплекта для преобразования традиционного автомобиля в беспилотный автомобиль?

Оливер: Будет дешевле / лучше просто вызвать Путешествие!

В: Что вы думаете о DL по сравнению с традиционной классической теорией управления автомобильным автопилотом? Считаете ли вы, что непрерывный автопилот DL жизнеспособен, или это будет смесь между модулем восприятия DL и классическими подходами?

Тарин: Сквозной ход может иметь большое значение для разных людей, поэтому позвольте мне сказать следующее: можно ли изучить статистическое сопоставление между последовательностями изображений и углами поворота? да. Это полезно? Это безопасно? - Здесь становится очень серым. Как наложить ограничения глобального планирования на такое отображение? В конечном итоге все методы должны быть оценены в зависимости от того, как мы используем транспортное средство и где оно используется.

В: Что вы думаете о возможности использования «прямого сопоставления изображений с углами поворота» наряду с традиционными подходами? Или тогда это просто пустая трата времени?

Тарин: Это не столько пустая трата времени, сколько потенциально некорректное положение: например, пользователь, едущий по средней полосе с автомобилем перед ним, может выбрать поворот направо, или поверните налево. Какой из них правильный? В совокупности по всем данным эти две возможности разумны. Так что я рассматриваю это как потенциально полезное использование в качестве лица, принимающего тактические решения, возможно, для руководства планами / контролем пути.

Чтобы узнать больше о Voyage, подписывайтесь на Oliver Cameron и Tarin Ziyaee в Twitter!

Чтобы узнать больше об AMA, анализах и публикациях, связанных с машинным обучением, подписывайтесь на Взрывающиеся градиенты на Medium!