Otonom Araçlarda Yapay Zekada Son Adım 
(Son Km.'de Yapay Zeka) 


Adrian Pennington
12 Mayıs 2022 

 

Toplumlarımızın dijital dönüşümü, yeni otonom ulaşım biçimlerine yol açıyor, ancak hala bazı teknoloji zorluklarının üstesinden gelinmesi gerekiyor.
 

Öngörülemeyen olaylarda algoritmaların ustalaşması zordur.

Almanya'dan Suudi Arabistan'a kadar otomobil üreticileri ve yasa koyucular, otonom araçların (AVs) bu on yıl içinde kamuya açık yollara çıkması için hazırlanıyor, ancak şüpheciler tamamen otomatik sürüş için gereken teknolojinin hazır olmaktan uzak olduğunu savunuyor.

Aracın içindeki ve dışındaki sensörlerden toplanan verilerle eğitilen yapay zeka (AI) algoritmalarındaki dev sıçramalara  rağmen, bugüne kadarki görülen hızlı ilerlemeler sadece kolayca tamamlanan iş olabilir.. Son kilometreyi aşmak daha zor olacak ve çok daha uzun sürecektir.

Motorlu taşıt sigortası endüstrisi tarafından finanse edilen araştırmacı Thatcham Research'ün Araştırma Direktörü Matthew Avery, Guardian'da şöyle konuştu: "Gelişmede bir darboğaz olduğunu kanıtlayan, vakaların ve durumların son %10'udur."

AVs'ler için yol çizgisini takip etmek, belirli bir tarafa bağlı kalmak ve diğer araçlara çarpmaktan kaçınmak gibi kuralların büyük bir kısmı yapay zeka algoritmaları tarafından ele alınabilir.

Kendi kendine giden araçlar, otonom olarak çalışmak için gereken verileri toplamak üzere sensörler, kameralar, radarlar ve bazı durumlarda lazer görüntüleme, algılama ve menzil belirleme (LIDAR) teknolojisi kullanmaktadır. Otonom taşımacılığa yardımcı olabilecek çeşitli standartlar geliştirilmiştir. IEC TC 47, otomotiv araç sensörleri için güç arayüzlerinin genel gereksinimlerini belirleyen IEC 62969'u yayınlamaktadır.

IEC TC 100, otomobillerdeki multimedya sistemleriyle ilgili çeşitli standartlar yayınlamaktadır. Yayınlarından biri, harici kameralardan kompozit bir 360° görüntü oluşturan sürüş izleme sisteminin çevresindeki görsel görüntüyü oluşturmak için bir model belirleyen IEC teknik şartnamesi (TS) 63033'tür. Bu, park yardımı için bir dikiz monitörünün yanı sıra kör köşe ve kuş bakışı monitörlerinden gelen girdileri kullanarak bir aracın çevresine göre doğru konumlandırılmasını sağlar.

Ancak algoritmaların Avery'nin "uç durumlar" olarak adlandırdığı, sürücüsüz bir aracın daha önce karşılaşmadığı nadir ve olağan dışı olayları ele alması çok daha zordur. Örneğin yola fırlayan bir köpek ya da hava koşullarıyla ilgili beklenmedik bir kaza buna örnek olarak verilebilir.

Son Adımı Aşmak

ABD merkezli Otomotiv Mühendisleri Topluluğu (SAE) tarafından sınıflandırılan beş sınıf otomatik araç sistemi bulunmaktadır. Bunlar mesafe kontrolünü otomatikleştiren işlevlerden tamamen otonom araçlara kadar uzanmaktadır; yani direksiyon başında bir sürücünün bulunmasına bile gerek yoktur. Seviye 5 AV'lerde direksiyon simidinin yanı sıra gaz ve fren pedalları bile bulunmayabilir. Yolcular bir konum seçmek ya da seyir halindeyken izlemek istedikleri TV programını kontrol etmek için sesli komutları kullanabilir. Daha da önemlisi, 5. seviye araçların sadece belirli alanlarda değil, her yerde yollarda çalışabilmesi amaçlanıyor.

İsveç Linköping Üniversitesi Bilgisayarla Görme Laboratuvarı Başkanı Profesör Michael Felsberg, böyle bir hedefe ulaşmanın önünde çeşitli sorunlar olduğunu söylüyor. Bunlardan biri görüntü sınıflandırması. "Her görüntü için bunun bir bisiklet, bunun bir köpek ve bunun bir araba olduğunu biliyoruz" diye açıklıyor. "Görüntüler insanlar tarafından elle etiketleniyor ve açıklamalı görüntüler görüntü tanıma sistemlerini eğitmek için kullanılıyor."

Felsberg, yapay zeka algoritmalarının bir sistemin kullanılabilmesi için önce bir denetimli öğrenme sürecine ihtiyaç duyduğunu belirtiyor. Bu aşamaya hazırlık olarak, belirli bir uygulama için görüntüleri etiketlemek üzere bir açıklama ordusuna ihtiyaç duyuluyor. Görüntülere yalnızca algoritmanın araması gereken nesne sınıfının adı değil, aynı zamanda nesnenin görüntü içindeki konumu da eklenir. 

Felsberg, yapay zekanın büyük ölçekli endüstriyel kullanımı için bu miktarda ek açıklamanın pratik olmadığını söylüyor. "Otonom araçların büyük ölçekte çalışabilmesi için, algoritmaların yeni nesne sınıflarını başka bir denetimli eğitim turundan geçmek zorunda kalmadan tanıyabilmesi gerekir. Büyük hacimli verileri yeniden etiketlemek çok fazla zaman ve çaba gerektiriyor. Algoritmanın yeni sınıfı, kullanılmaya başlandıktan sonra tanımayı öğrenebilmesi çok daha iyi olacaktır."

Araştırmacılar, 'sınıf artırımlı öğrenme' olarak adlandırılan bu süreç için henüz sağlam ve etkili bir yöntem bulabilmiş değil.

Büyük Veri Kümelerini  Anlamlandırmak

Büyük bir Amerikan çip üreticisinin sahibi olduğu bilgisayarla görme uzmanı bir şirket, sorunu kabul ediyor ancak yapay zekayı eğitmek için yeterli veri verildiğinde bunun üstesinden gelinebileceğine inanıyor. Sorun, birçok AV geliştiricisinin "büyük veri kümelerini  etkili bir şekilde anlamlandıracak araçlara sahip olmamasıdır."

Şirket, popüler bir harici bulut çözümü ile şirket içi sistemler arasında depolanan 200 petabaytlık (PB) sürüş verisi üzerinde duruyor. Şirketin Başkanı ve CEO'su Amnon Shashua, "Veri ve onu kullanacak altyapı, otonom sürüşün gizli karmaşıklığıdır" diyor. "Şirketimiz, gerçek dünya ve simüle edilmiş sürüş deneyimine ilişkin sektörün önde gelen veritabanı olduğuna inandığımız verileri toplamak ve analiz etmek için 25 yıl harcadı."

Şirketin ekibi, algoritmalarına beslenen "karla kaplı traktör"den "güneşin alçalttığı trafik ışıklarına" kadar milyonlarca resim, video klip ve senaryo içeren şirket içi bir arama motoru veritabanını kullanıyor. Bilgisayarla görme teknolojisi ve doğal dil anlama (NLU) modelleri ile birleştirildiğinde veri seti, nadir ve beklenmedik koşullar ve senaryolar kategorisine giren olaylar için bile saniyeler içinde binlerce sonuç sunabilir. Şirket, 2024 yılında Asya ülkesinde Çinli bir EV üreticisiyle işbirliği yaparak "Dünyanın ilk Seviye 4 otonom özelliğine sahip tüketici AV'sini" piyasaya sürmeyi planlıyor.

Yapay Zeka Sistemlerine "Sağduyu" Kazandırmak

Uç durumlarla ilgili bir diğer husus da bunların o kadar da nadir olmamasıdır; bu da sürücüsüz araçların bir noktada gerçekten yollara çıkması için yapay zeka ile bunları tanımak için bir anahtar bulmanın vazgeçilmez olduğu anlamına gelmektedir. Santa Fe Enstitüsü'nde bilgisayar bilimcisi ve Karmaşıklık Profesörü olan Melanie Mitchell, The Guardian'a verdiği demeçte, "Tek bir sürücü için seyrek olabilirler, ancak dünyadaki tüm sürücülerin ortalamasını alırsanız, bu tür uç durumlar birilerinin başına çok sık geliyor" diyor.

İnsanlar bir senaryodan diğerine genelleme yapabilirler, ancak bir sürücüsüz sistem belirli bir durumda "ustalaşmış" gibi görünse de, bu biraz farklı koşullar altında bunu tekrarlayabileceği anlamına gelmez. Mitchell, "Yapay zeka sistemlerine sağduyu kazandırmaya çalışmak çok zor, çünkü kendi içimizde nasıl çalıştığını bile bilmiyoruz" diyor.

AV üreticilerinin belirtilen amacı, insan tarafından sürülen araçlardan daha güvenli otomobiller yaratmaktır. Çünkü insanlar hata yapabilir ve örneğin alkollü araç kullanmak çok sayıda ölümcül kazaya neden olmaktadır. Yine de AV'lerin sınırlı geçmişinde şimdiden ölümler yaşandı. 49 yaşındaki Elaine Herzberg'e 2018 yılında Arizona Tempe'de bisikletiyle yolun karşısına geçerken sürücüsüz bir araç çarptı.

Mitchell, "Bence her araba sürücüsüz olsaydı, yollar mükemmel bir şekilde haritalanmış olsaydı ve etrafta hiç yaya olmasaydı, otonom araçlar çok güvenilir ve emniyetli olurdu," diyor. "Sadece insanlardan ve insanlar tarafından sürülen diğer arabalardan oluşan bir ekosistem var ve yapay zeka henüz bunlarla başa çıkacak zekaya sahip değil."

Kaynak: https://etech.iec.ch/issue/2022-03/ai-for-the-last-mile