خودروهای خودران با کمک مدلهای یادگیری عمیق عمل میکنند؛ اما این مدلها گاهی در شرایط غیرمنتظره دچار خطا میشوند. برای مثال، خودرو ممکن است ناگهان ترمز کند و مسیر خودروی امدادی را مسدود نماید. در چنین لحظاتی، راننده یا سرنشین باید سریع واکنش نشان دهد تا از برخورد جلوگیری کند. به همین دلیل، پیشبینی خطاهای احتمالی از اهمیت ویژهای برخوردار است.

چالش پیشبینی رفتار مدلهای عمیق

مدلهای عمیق به دلیل پیچیدگی داخلی، اغلب بهعنوان جعبه سیاه شناخته میشوند. این مسئله پیشبینی خطا را برای انسان دشوار میسازد. اکنون پژوهشگران دانشگاه MIT به همراه شرکت فناوری خودروی خودران Motional، روش جدیدی به نام CW-Net ارائه کردهاند که فرآیند استدلال سیستم هوش مصنوعی خودرو را به مفاهیم قابل فهم تبدیل میکند.

CW-Net چگونه کار میکند؟

این روش بهجای نمایش خروجی خام مدل، رفتار خودرو را بر اساس مفاهیم قابل درک برای انسان توضیح میدهد. به این ترتیب، کاربران میتوانند بفهمند که چرا خودرو تصمیم خاصی گرفته است و در چه شرایطی ممکن است دچار خطا شود. به گفته یکی از پژوهشگران، بهجای تعجب از توقف خودرو، داشتن داده بلادرنگ بازخوردی فراهم میکند که بتوان سیستم را در زمان استقرار آزمایش کرد.

  • تبدیل استدلال مدل هوش مصنوعی به مفاهیم ساده
  • کمک به پیشبینی خطاها در شرایط واقعی
  • ارائه بازخورد بلادرنگ برای ارزیابی سیستم
  • افزایش ایمنی خودروهای خودران

نقش دادههای بلادرنگ

یکی از مزیتهای CW-Net ارائه اطلاعات لحظهای به کاربران است. این دادهها به شبیهسازی و آزمایش اجازه میدهند تا رفتار خودرو در موقعیتهای مختلف مورد بررسی قرار گیرد. بدین ترتیب، مسافران و رانندگان میتوانند پیش از وقوع حادثه، متوجه خطر شوند و اقدامات پیشگیرانه انجام دهند.

جمعبندی

روش CW-Net گامی مهم در جهت افزایش قابلیت اطمینان خودروهای خودران محسوب میشود. با تبدیل تصمیمهای پیچیده مدلهای یادگیری عمیق به زبان ساده، انسانها میتوانند بهتر با این سیستمها تعامل کنند و خطاهای احتمالی را پیشبینی نمایند. این دستاورد حاصل همکاری MIT و Motional است و میتواند به توسعه خودروهای ایمنتر کمک کند.

پرسش‌های پرتکرار

CW-Net چیست؟

CW-Net روشی است که توسط MIT و Motional توسعه یافته و فرآیند تصمیمگیری هوش مصنوعی خودروهای خودران را به مفاهیم قابل فهم برای انسان تبدیل میکند.

چرا پیشبینی خطاهای خودروی خودران مهم است؟

زیرا مدلهای یادگیری عمیق ممکن است در شرایط غیرمنتظره خطا کنند و پیشبینی این خطاها به انسانها کمک میکند تا واکنش به موقع داشته باشند.