Gracias al rápido desarrollo de la inteligencia artificial, el aprendizaje profundo de redes neuronales y el big data, la traducción automática ha podido imitar al cerebro humano para "comprender el lenguaje y generar traducciones". La precisión y la fluidez han mejorado enormemente, e incluso ha alcanzado el estado de "traducción fluida, cumplimiento gramatical y fácil de entender".
Atman, con inversión de Northern Lights, es una de las pocas startups en China que se centra en la traducción automática y persigue la automatización. Ha estado comprometida con esto y siempre ha estado muy por delante en los indicadores profesionales de la traducción automática. . Mejor dicho que hecho. Con el espíritu de búsqueda de la verdad, el fundador de otra empresa de inteligencia artificial (Drive.AI), que coincide con nuestra inversión, publicó recientemente un artículo sobre aprendizaje profundo para la conducción autónoma en "MIT Technology Review" "Deep Driving". Traducimos el siguiente artículo a través de Atman en solo unos segundos. El texto completo no ha sido modificado por humanos y está "desnudo" por máquina. Bienvenidos a disfrutar, comentar y quejarse. También creemos que la lectura será aún más placentera en el futuro.
Conducción profunda Una revolucionaria tecnología de inteligencia artificial está a punto de transformar los coches autónomos. Una revolucionaria tecnología de inteligencia artificial transformará los coches autónomos. 18 de octubre de 2016 18 de octubre de 2016
Cuando el proyecto de vehículos autónomos de Google comenzó hace casi una década, la compañía tomó la decisión estratégica de basar la tecnología en costosos mapas lidar y detallados. Incluso hoy en día, el auto-? 0?2 La tecnología de conducción todavía se basa en estos dos pilares. Si bien este enfoque es bueno hasta cierto punto (tenemos excelentes algoritmos para localizar automóviles en mapas utilizando datos LIDAR y de cámaras), todavía no es lo suficientemente bueno. Conducir por calles complejas y en constante cambio implica percepción y habilidades de toma de decisiones que son inherentemente inciertas (consulte “Tu coche autónomo se acerca”).
Cuando Google lanzó su proyecto de automóvil autónomo hace 10 años, la compañía tomó una decisión estratégica de desarrollar su tecnología en un costoso lidar y mapeo detallado. Incluso hoy en día, la tecnología de conducción autónoma de Google todavía se basa en estos dos pilares. Si bien este enfoque es bueno, tenemos un excelente algoritmo que utiliza datos LIDAR y de cámara para ubicar automóviles en un mapa. Pero todavía no es lo suficientemente bueno. Conducir por calles complejas y cambiantes implica un concepto inherente de incertidumbre y capacidad de toma de decisiones.
Ahora, se está utilizando una tecnología de inteligencia artificial llamada aprendizaje profundo para resolver este problema. En lugar de utilizar viejos algoritmos codificados a mano, ahora podemos utilizar sistemas de programación automatizados aprendiendo ejemplos de cómo el sistema debería responder a las entradas. El aprendizaje profundo es ahora el mejor método para la mayoría de las tareas de percepción y también el mejor método para muchas tareas de control de bajo nivel.
Ahora, se está utilizando una tecnología de inteligencia artificial llamada aprendizaje profundo para resolver este problema. Ahora podemos aprender con algunos ejemplos cómo debería responder el sistema a la entrada, en lugar de utilizar los antiguos algoritmos codificados a mano. El aprendizaje profundo es ahora la mejor manera de percibir tareas y controlar muchas tareas subyacentes.
Los coches autónomos requieren un sistema de percepción para detectar cosas en movimiento (coches, personas) y cosas que no se mueven (farolas, bordillos). Los vehículos autónomos utilizan sensores como cámaras, escáneres láser y radares para detectar objetos dinámicos. De las tres, las cámaras son las más baratas pero también las menos utilizadas porque resulta difícil convertir imágenes en objetos detectables. Al utilizar el aprendizaje profundo, estamos viendo mejoras significativas en la capacidad de los automóviles para comprender y utilizar estas imágenes.
Los coches autónomos requieren un sistema de detección que permita a las personas detectar objetos en movimiento y objetos que no cambian. Los vehículos autónomos utilizan sensores como cámaras, escáneres láser y radares para detectar objetos dinámicos. De las tres, las cámaras son las más baratas, pero también las menos utilizadas porque resulta difícil convertir imágenes en objetos de detección. Utilizando el aprendizaje profundo, vemos mejoras significativas en la capacidad del automóvil para comprender y utilizar esta imagen.
También estamos viendo avances significativos en algo llamado "aprendizaje profundo multitarea", en el que un sistema entrenado simultáneamente para detectar señales de carril, automóviles y peatones funciona mejor que tres sistemas separados. - porque una sola red puede compartir información entre tareas separadas.
También estamos viendo beneficios considerables del llamado aprendizaje profundo multitarea, en el que los sistemas se entrenan simultáneamente para detectar marcas de carril, automóviles y peatones. Debido a que una sola red puede disfrutar de información en diferentes tareas, será mejor que tres sistemas independientes entrenados por separado.
El automóvil puede utilizar el mapa como uno de muchos flujos de datos, combinado con entradas de sensores para ayudarlo a tomar decisiones, en lugar de depender completamente de mapas precalculados. (Por ejemplo, una red neuronal que sabe dónde está un cruce de peatones a partir de datos de mapas puede detectar peatones que intentan cruzar con mayor precisión que una red neuronal que se basa únicamente en imágenes).
Los automóviles pueden usar mapas como parte de muchos flujos de datos Uno que, en lugar de depender únicamente de mapas precalculados, combina los mapas con entradas de sensores para ayudarlo a tomar decisiones. Por ejemplo, una red neuronal que aprenda las aceras a partir de datos de mapas podría detectar con mayor precisión a los peatones que intentan cruzar en lugar de depender únicamente de las imágenes.
El aprendizaje profundo también puede aliviar uno de los mayores problemas identificados por muchas personas que viajan en vehículos autónomos: una sensación de "nerviosismo" en el estilo de conducción que a veces puede provocar mareos. Pero los automóviles entrenados utilizando ejemplos de conducción humana pueden proporcionar una conducción que se sienta más natural.
Una investigación más profunda también podría aliviar uno de los mayores problemas identificados por muchas personas que viajan en automóviles autónomos: un viaje lleno de baches que a veces puede provocar mareos. Pero un automóvil entrenado con datos de conducción humana se sentirá más natural.
Aún es temprano. Pero tal como lo ha hecho el aprendizaje profundo con la búsqueda de imágenes y el reconocimiento de voz, bien podría cambiar el rumbo de los vehículos autónomos para siempre.
Aún es pronto. Sin embargo, como lo ha hecho el aprendizaje profundo con la búsqueda de imágenes y el reconocimiento de voz, podría cambiar el proceso de los vehículos autónomos para siempre.