Con anterioridad en Webirix hemos hablado sobre la carrera para mandar autos autónomos al mercado por parte de Uber, con el agridulce experimento de los camiones Otto, y Google por medio de su división Waymo.
En medio de demandas por robo de propiedad intelectual (el principal científico de Waymo se fugó a Otto) y la lentitud de la industria automotriz convencional, pareciera que los avances no son tantos pero en realidad hay una historia interesante acerca de cómo la inteligencia artificial va evolucionando.
Leemos en el Technology Review:
os coches autónomos de Waymo ahora tienen algo en común con los cerebros de los vehículos normales: su inteligencia proviene, en parte, del poder de la evolución. Los ingenieros de Waymo, propiedad de Alphabet (la empresa matriz de Google), se han unido con los investigadores de DeepMind, otra división de Alphabet dedicada a la inteligencia artificial (IA), con el fin de encontrar un proceso más eficiente para entrenar sus algoritmos de conducción autónoma.
Para ello, usaron una técnica llamada entrenamiento basado en la población (PBT por sus siglas en inglés), previamente desarrollada por DeepMind para perfeccionar los algoritmos de videojuegos. PBT, que se inspira en la evolución biológica, acelera la selección de algoritmos y parámetros de aprendizaje automático para una tarea en particular haciendo que el código adecuado se extraiga de los especímenes «más aptos» (aquellos que realizan la tarea determinada de la forma más eficiente) en una población algorítmica.
Refinar los algoritmos de IA de esta manera también puede contribuir a dar una ventaja a Waymo. Los algoritmos que guían a los coches autónomos deben volver a entrenarse y recalibrarse a medida que los vehículos recopilan más datos y se usan en nuevas ubicaciones. Decenas de compañías están compitiendo para conseguir la mejor tecnología de conducción autónoma en carreteras reales. Waymo está explorando otras formas de automatizar y acelerar el desarrollo de sus algoritmos de aprendizaje automático.
De hecho, los métodos más eficientes para volver a entrenar el código de aprendizaje automático deberían permitir que la IA sea flexible y útil en diferentes contextos. «Uno de los principales desafíos para cualquier persona que se dedica al aprendizaje automático en un sistema industrial es poder reconstruir el sistema para aprovechar el nuevo código», explica el director de infraestructura de aprendizaje automático de Waymo, Matthieu Devin. «Debemos volver a entrenar la red constantemente y reescribir nuestro código. Y cuando volvemos a entrenarla, es posible que tengamos que modificar los parámetros».
Los coches autónomos modernos están controlados por una combinación de algoritmos y técnicas muy sofisticados. Numerosos algoritmos de aprendizaje automático se utilizan para detectar las líneas de carril, señales, otros vehículos y peatones con los datos de los sensores. Además, trabajan conjuntamente con un código convencional, o escrito a mano, para controlar el vehículo y responder a diferentes circunstancias. Cada nueva iteración de un sistema de conducción autónoma se debe probar minuciosamente en una simulación.
En particular, los vehículos autónomos de hoy en día dependen en gran medida del aprendizaje profundo. Sin embargo, configurar una red neuronal profunda con las propiedades y los parámetros correctos (los valores que se programan al inicio) es bastante complicado. La mayoría de las redes y parámetros adecuados se seleccionan manualmente, algo que requiere mucho tiempo, o se modifican aleatoriamente por un ordenador, lo que requiere una gran potencia de procesamiento.
«En Waymo entrenamos muchísimas redes neuronales diferentes y los investigadores dedican mucho tiempo a encontrar la mejor manera de hacerlo«, afirma la ingeniera de infraestructura de aprendizaje automático en Waymo Yu-hsin (Joyce) Chen. «Había una demanda y simplemente aprovechamos la oportunidad»
***
PARA LEER: La técnica que acelera la AI de coches y videojuegos
Sin comentarios