På senare tid har intresset för Deep Neural Networks (DNN) blommat upp inom forskning kring självkörande fordon. Utmaningen med självkörande fordon är att de måste kunna hantera oförutsedda situationer och därför kan inte kod av typen ”if-then-else” skrivas för att hantera alla situationer som dessa fordon kommer ställas inför. DNN möjliggör för maskiner att själva läsa sig och klassificera nya oförutsedda objekt och händelser och på så sätt skapa en databas med objekt och relevanta åtgärder för respektive händelse. Denna inlärning kan ske genom att analysera hur människor beter sig. Genom att låta datorer analysera beteendet kan nya händelser lättare identifieras, sparas och delas så fler fordon kan lära sig dessa händelser.
DNN är (extremt) bra på att känna igen bilder och näten är uppbyggda på liknande sätt som traditionella Neural Networks (NN). Utmaningen med DNN är att de har många neuroner som måste tränas och bilderna som används för att beskriva trafiksituationer är också många. Detta gör att det tar lång tid att träna näten. Därför har Nvidia nyligen börjat intressera sig för att parallellisera DNN för att på så sätt snabba upp inlärningen med hjälp av sina grafikkort (GPU) [1].
I december publicerade Elektroniktidnignen en artikel om ”Artificiella neuronnät lika effektiva som riktiga” där DNN diskuterades och att GPUer är på väg att bli AI-forskarnas nya favoritverktyg [2].
Egen kommentar
DNN verkar ha stor potential men det finns fler intressanta forskningsfrågor kring deras förmåga. T.ex. ibland kan man variera träningsdata med hjälp av slumpmässigt brus för att göra modeller mer robusta. Men, i [3] diskuterar författarna risker med detta eftersom det visat sig att bilder med brus (trots att det var omöjligt att se för mänskliga ögon) skapar motsatt effekt inom DNN, med 100% felklassificering jämfört med 100% rätt klassificering på originalbilden!
Källor
[1] SAE International, Deep learning could help safely automate cars Länk
[2] Artificiella neuronnät lika effektiva som riktiga , Elektroniktidning 19 december 2014 Länk
[3]Shixiang Gu, Luca Rigazio Towards Deep Neural Network Architectures Robust to Adversarial Examples, ICLR 2015, Länk