Waymo e DeepMind collaborano per migliorare l'intelligenza artificiale usata nei veicoli a guida autonoma

Lo sviluppo degli algoritmi di intelligenza artificiale per i veicoli a guida autonoma richiedono una lunghissima serie di prove e attività di messa a punto oltre a una potenza di calcolo importante.
Waymo e DeepMind, società entrambe facenti capo ad Alphabet (Google), hanno deciso di unire le forze per migliorare l’efficacia e l’efficienza delle soluzioni basate sull’intelligenza artificiale che saranno adottate nei veicoli con guida senza conducente.
Come spiegato in questo post, gli ingegneri delle due società si stanno concentrando su alcune tecniche ispirate alla biologia evolutiva.

Come spiega Waymo, gli algoritmi migliorano autonomamente il loro comportamento attraverso prove ed errori. I vari modelli vengono approntati sviluppando un compito che essi imparano a svolgere tentando continuamente e adeguandosi in base al feedback ricevuto.

DeepMind ha messo a punto un approccio chiamato PBT (Population Based Training) che risulta meno laborioso rispetto ad altri approcci e che inizia con modelli multipli di machine learning avviati con variabili casuali (iperparametri). I modelli sono valutati periodicamente e competono tra loro in modo evolutivo.
Il PBT non richiede di ricominciare ogni volta l’attività di addestramento da zero perché ogni discendente eredita lo stato della propria rete madre, e gli iperparametri vengono aggiornati dinamicamente durante l’addestramento.

PBT non è perfetto – tende ad ottimizzare le attività relative al presente e non riesce a considerare i risultati a lungo termine – ma gli sviluppatori di DeepMind hanno comunque utilizzato diversi espedienti per ottimizzare il comportamento di modelli e algoritmi.

I portavoce di Waymo hanno spiegato che la soluzione approntata da DeepMind ha già evidenziato risultati impressionanti. Durante i test sulle strade statunitensi, gli algoritmi PBT sono riusciti a offrire una maggiore precisione nell’analisi di ciò che avviene in tempo reale sulla carreggiata riducendo i falsi positivi del 24% rispetto ai loro equivalenti ottimizzati in modo manuale con gli interventi di operatori in carne ed ossa.