چگونه اینترنت اشیا هواپیمای بدون سرنشین مایکروسافت و دستیاران دیجیتال را بهبود می بخشد
محققان مایکروسافت یک هواپیمای بدون سرنشین خود را برای پاسخ به یک سوال علمی که برای ساختن دستیاران دیجیتال قوی، دستگاههای اینترنت اشیا و وسایل نقلیه خودکار استفاده می شود، ساخته است.
یک پروژه یادگیری ماشین برای ساخت یک هواپیمای بدون سرنشین خود که در جریان حرارتی باقی میماند، به اندازه کافی چشمگیر است. اما کار انجام شده توسط محققان مایکروسافت Andrey Kolobov و Iain Guilliard همچنین تصمیم گیری و اعتماد دستگاههای اینترنت اشیا، دستیار شخصی و خودروهای خودکار را بهبود خواهد بخشید.
محدودیت های محدود کردن محاسبات منابع وزن و فضا که توسط سیستم عامل هواپیما تحمیل می شود، مرتبط با بسیاری از پیشرفتهای جدید در محاسبات رایج است. هواپیمای بدون سرنشین را با یک 160MHz Arm Cortex M4 با 256KB RAM و60KB فلش در حال اجرا بر روی باتری هایی که بر حسگرها، اجرای خلبان اتوماتیک و موتورهای سروو نظارت میکند را کنترل میکنند، که محققان یک مدل یادگیری ماشین اضافه کرده اند که به طور مداوم یاد می گیرد که چگونه به طور مستقل از جریان های حرارتی سوار می شوند.
همچنین در شبکه جهانی: لینک پیوسته بین اینترنت اشیا و یادگیری ماشین
در این روزهای اولیه از سیستم های مانند دستیاران دیجیتال، اینترنت اشیا و وسایل نقلیه خودکار، صدها مشکل باز وجود دارد که به چند سوال علمی که باید به آنها پاسخ داده شود برای ساختن محصولاتی که دیدگاههای عمومی آنها را مطابقت میدهد. هنگامی که سوالات علمی شروع به ظهور می کنند، آینده سیستم عامل قابل پیش بینی است، شاید نه دقیق یک ماه ، بلکه در عرض یک یا سه سال.
اینترنت اشیا در مسیر مشابه با Web 2.0 دنبال می شود
پلت فرم وب 2.0 یک دوره مشابه را دنبال کرد. در ابتدا در سال 1999 صحبت کرد و در سال 2004 برای O’Reilly Media و MediaLive به اندازه کافی علاقه مند شد تا اولین کنفرانس Web 2.0 را در سال 2004 برگزار کند. اما در دهه گذشته، شرکت هایی مانند Salesforce و Google وب 2.0 را اجرا نکردند. . این تکامل ده ساله اولین دیدگاه بود، مجموعه ای از مسائل باز که به سوالات علمی محققان دانشگاه ها و صنایع به سوالات علمی پاسخ دادند.
همانطور که تغییرات تکنولوژی از تحقیق به توسعه تغییر می کند، توسعه دهندگان محصولات پاسخ هایی را به سوالات علمی در کار محققان میرسانند که آنها را قادر می سازد تا یک محصول تولید کنند. دستیاران دیجیتال، اینترنت اشیا و وسایل نقلیه خودکار- در مقیاس زمانبندی Web 2.0 – بسیار نزدیک تر از سالهای قبل نسبت به بخش بعد دهه اول این هزاره است، زمانی که تحقیقات کافی برای پیشرفت ترجمه شده بود که محصولات بتوانند در مقیاس ساخته شوند.
اهداف پروژه هواپیمای بدون سرنشین مایکروسافت
در یک جلسه کاملا دستی که توسط یک داستان در اکونومیست در مورد 20 هواپیمای خودکار طراحی شده است، گروهی از محققان مایکروسافت اهداف این پروژه را برای پاسخ به دو سوال علمی تعیین کرده اند: چگونه برای ایجاد سیستم های قابل اعتماد AI و نحوه معماری سیستم با AI و یادگیری ماشین به عنوان یک سیستم طراحی اساسی است. Kolobov گفت:
“وضعیت هنر در توسعه AI در سطحی نیست که عاملان AI بتوانند به طور کامل مستقل عمل کنند، به همین دلیل است که بسیاری از سیستم های هوش مصنوعی که در جهان فیزیکی با استقلال کامل عمل می کنند را نمی بینیم. MSR در حال تلاش برای ایجاد سیستم های AI است که قوی هستند و می توانند اعتماد کنند که به طور کامل بر روی خود عمل کنند، بهتر از انسان عمل کنند. پیامدهای این تحقیق به دستیار شخصی، ماشین خودکار و اینترنت اشیا مربوط می شود.
“ما می خواستیم تجربه ای در طراحی سیستم هایی داشته باشیم که AI و یادگیری ماشین ها شهروندان درجه اول هستند، بنابراین ما نیازی به اصلاح معماری سیستم های پس از آن نداریم.”
Kolobov و Guillard بخشی از یک تیم چند رشته ای با مهارت های مکمل هستند. Kolobov AI و یادگیری ماشین را به محصولات تجاری مانند Windows و Bing اعمال کرده است. Guillard، پس از گذشت بیش از یک دهه کار بر روی سیستم های کنترل در ایرباس 350 و A4 Skyhawk، یک رشته علوم کامپیوتر Ph.D.کاندیدای دانشگاه ملی استرالیا و کارشناس مایکروسافت شاید جفت زوج عجیب و غریب باشد، مگر آنکه سؤالی که آنها سعی در پاسخ دادن دارند، درک می شود.
بسیاری از مشکلات یادگیری ماشین وجود دارد که حقیقت زمین را ندارند. حقیقت زمین یک داده دقیق برای طبقه بندی آموزش و یادگیری ماشین است. مدل های یادگیری ماشین برنامه ریزی شده اند (آموزش داده شده با داده ها، خطوط کد نیستند، مدلها آموزش داد میشود تا پاسخ صحیح دادهها را پیش بینی کنند. اگر یک مدل برای گربه ها تشخیص داده شود، تصاویر برچسب شده از گربه ها حقیقت زمین هستند. این روش آموزش تحت نظارت دارای دو مرحله است: آموزش، معمولا مبتنی بر GPU های خجالتی – یادگیری از تصاویر گربه ها و نه گربه ها – و نتیجه گیری، و یا پیش بینی پاسخ مناسب – گربه یا نه گربه.
از آنجا که دنیای فیزیکی که در آن مدل یادگیری ماشین در تعامل است، غیرقابل پیش بینی است، حقیقت زمین را نمی توان به راحتی با رایانه شبیه سازی کرد – و اطلاعات آموزش طبقه بندی شده وجود ندارد. چگونه هر مانور دفاعی یک وسیله نقلیه خودکار در واکنش به وسیله نقلیه دیگر پیش بینی می شود؟ یا چگونه هر ربات مراقبت کننده سالخورده به بیمار دچار پریشانی می تواند پیش بینی کند؟
این سیستم های ناپایدار را نمی توان پیش بینی کرد. مدل ها باید با تعامل با سیستم های بی نظیر و ناپایدار یاد بگیرند. وسایل نقلیه در بزرگراه ها و بیماران سالمند برای AI یاد نمیگیرند که به راحتی و با خیال راحت کار کنند. با این حال، یک بالگرد سیلندر است.
چگونه هواپیمای بدون سرنشین کار می کند
حقیقت زمین برای یک هواپیمای بدون سرنشین خودکار محدود است زیرا غیرممکن است که شرایط آشفته را اندازه گیری کنید، جایی که ستون حرارتی در حال افزایش هوا شروع و پایان می یابد و در داخل اتفاق می افتد. یک لپ تاپ روی زمین برنامه ریزی سطح هوا برای هواپیما را بر اساس اطلاعات پروازی توسط هواپیماهای بدون از داده های پرواز از طریق هواپیماهای با بدون سرنشین کنترل شده با استفاده از شرایط زمین و بادهای محلی برای پیش بینی گرمایشی که از طریق تله متری به سامانه ی اتوبوس اختصاصی ارائه می شود، انجام می دهد.
این هواپیما با استفاده از مشاهداتی که از سنسورها به دست می آید، از الگوریتم یادگیری تقویت بیزی استفاده می کند. یادگیری تقویت بیزی به دلیل توانایی مدل برای برنامه ریزی اقدامات خود برای یادگیری و بهره برداری از دانش به شیوه ای مطلوب انتخاب شد. این رویکرد، تصمیم گیری را که عامل ایجاد می کند و به همین دلیل، آسان تر درک می کند.
این مدل از جستجو درخت مونت کارلو برای انتخاب مناطق ناشناخته بالایی استفاده میکند که میتواند برای بالا بردن ارتفاع جهت آموزش خودکار دستی برای تنظیم آسانسورها که سطوح کنترل افقی دم است باعث می شود که هواپیما با صاعقه یا صعود برای حفظ انعکاس هواپیما همچنین از جستجو درخت مونت کارلو برای بهره برداری از جریان های حرارتی، ارسال دستورالعمل به خلبان خودکار استفاده میکند. جستجوی درخت مونت کارلو برای پیروزی در بازی های قطعی، مانند پروژه Go و پوکر اعمال شده است. به تدریج یک درخت بازی جزئی از حرکت ایجاد می شود و سپس از استراتژیهای پیشرفته برای یافتن توازنی بین کشف شاخههای تصمیم جدید و بهره برداری از شاخه های امیدوار کننده استفاده می کند.
الگوریتمهای تقویت بیزی در یک هواپیمای بدون سرنشین دریایی چالش های مهمی را در مقایسه با Go و پوکر نشان می دهد. محدودیتهای محاسباتی و باتریرا به یاد داشته باشید؟ این هواپیما با استفاده از خلبان خودکار با منبع باز در زمان واقعی بر روی سخت افزار Pixhawk Arm Cortex M4 با منبع باز کنترل می شود. اجرای الگوریتم تقویت بیزی با زمان واقعی خلبان خودکاردر OR، کمتر از 100 فاصله است، به طوری که کنترل سنسور هواپیما و موتورهای سروو از سقوط ویدیو اجتناب شود.
جفت شدن Kolobov و Guillard یکی از کارشناسان یادگیری ماشین دقیق ملاقات با یک متخصص دامنه سیستمهای کنترل هواپیما است که همچنین نامزد Ph.D. رشته علوم کامپیوتر اما جفت شدن آنها تنها ترکیب هوشمندانه نیست. این جستجو برای درک عمیق تر با هواپیماهای هواپیما، سنسورها، موتورهای سروو، منبع سخت افزاری منبع و یک موتور جست وجو با منبع باز به همراه کولوبوف و گیلارد توانستند به منظور اجرای و تنظیم آموزش یادگیری بیزی به کار گرفته شوند. به سرعت طرح های خود را تکرار می کنند، نتایجشان را بهبود می بخشند.
در طی این روزهای پیشگام دستیاران دیجیتال، اینترنت اشیا و وسایل نقلیه خودکار، توسعه دهندگان محصولات برخی از پاسخ های مناسب را به سوالات علمی میرسانند که میتواند به زمینههای محصولات خود مانند واحدهای هواپیمائی که ممکن است در ابتدا به صورت مستطیلی و غیر مرتبط با آن ظاهر شوند، پیدا کند.
این ممکن است 5 تا 10 سال دیگر برای دستیاران دیجیتال، اینترنت اشیا و وسایل نقلیه خودکار به عنوان قابل اعتماد به عنوان انسان تبدیل شود. تحقیقات مایکروسافت در حال کار بر روی یکی از سوالات علمی است که ابتدا باید پاسخ داده شود تا این دیدگاه های محصول پیشگام به این نکته برسند.
