kvp#14
A Roska fele megoldast nem egyedul fejleszette hanem Leon Chuaval egyutt. A magyaroszagon ismertebb analog megoldasbol szuletett egy katonai felhasznalas az usaban (megvettek, reszben az altalam anno osszetakolt celkoveto koddal), ennek a fejleszeset amennyire tudom a fia vitte tovabb kulfoldon. Mar anno is voltak probalkozasok a digitalis valtozat iranyaba azt hiszem foleg a veszpremi csapat altal, de gyartasi kapacitas hijan foleg szimulalt kornyezetben. Ebbol a vonalbol lett a CNND technologia, amit a Google is hasznal. (gyakorlatilag mintaillesztesi gyorsitonak, tovabba a map reduce eseten is nagyon jo eredmenyeket hoz) Ezen futnak a Google fele neuralis halozatos kutatasok is. Ha nem kell nagy sebesseg, az emulacioja elerheto nyilt forraskodban is, ami fejleszteshez eleg. Maguk az algoritmusok egyszeruek csak az adatmennyiseg oriasi.
Egy jobb katonai rendszer ma is tobb ezer celt tud kovetni egyszerre, csak a memoria es a szamitasi kapacitas a limit. Ma mar egy atlagos google fele robotauto is tobb adatot tud osszeszedni es tobb folyamatot tud kovetni mint amennyit az autoba befero emberek osszesen. Ha foguk egy 64k processzoros rendszert, akar minden mozgo objektum kaphat sajat processzort. Vagy akar minden szenzor minden adatpontja (voxele).
Az igazi kihivas a hibasan mukodo kornyezet kezeleseben van, azaz az emberekhez es a tobbi nehezen kiszamithato kornyezeti elemhez valo alkalmazkodas. Ennek resze pl. megallapitani, hogy mekkora a meg biztonsagos maximalis sebesseg egy jarda szelen allo ember mellett. Legrosszabb esetet nezve kb. 4 km/h, mivel barmikor elenkugorhat. Ha viszont az auto tudja, hogy csak ott all, akkor ez novelheto, ha viszont azt latja, hogy le akar lepni vagy reszeg es barmikor elenkeshet, akkor fel kell keszulni a megallasra es ilyenkor tenyleg ovatosan kell elhaladni mellette. Na most ezt az elemzest minden mozgo es statikus objektumra, mondjuk New York-ban a Times Square-on a turistaszezon kozepen, nagyfoku bizonyossaggal minden kovetkezteteshez.
Megoldhato, csak nem egyszeru. Viszont szabalyok helyett a legtobb ilyen MI tanithato es ha a neuralis matrixok kimeneteit egy fuzzy logikai rendszerbe etetjuk (ami ugyancsak futhat a neuralis processzoron), akkor egy viszonylag jol tanulo rendszert kapunk, ami gyorsabban tanul mint ahogy kezzel be lehetne programozni. Nem lesz tokeletes, de ha szinte barmilyen emberi vezetonel jobb lesz, akkor mar hasznalhato.
Ehhez adjuk hozza az adatok megosztasat, tehat amikor minden jarmu nem csak a sajat szenzoraival lat, hanem a konyezeteben levo osszes tobbi jarmu es statikus szenor szemevel is, akkor ugraszeru minosegjavulast kapunk es nagymertekben csokken a holtter, mialtal a csokken a bizonytalansag es javul a becslesek minosege, azaz kevesbe kell ovatosnak lennie a jarmunek, mert kevesebb vagy 0 az ismeretlen terulet. Raadasul ha minden jarmu azonos algoritmust futtat, akkor nem a szenzoradatokat, hanem a feldolgozott terkepeket kell csak megosztani, ami csokkenti a szamitasi es savszelesseg igenyeket. Van egy pont ahol az egesz osszeall, csak azt el kell erni vagy szepen lassan fokozatosan vagy egy nagy valtoztatas kereteben. A technologia adott, csak ra kellene jonni hogyan vezessuk be.