স্বায়ত্তশাসিত ট্রাকিংয়ের মুহূর্ত
Raquel Urtasun, প্রাক্তন টরন্টো AI অধ্যাপক যিনি স্বায়ত্তশাসিত ট্রাক স্টার্টআপ Waabi প্রতিষ্ঠা করেছেন, তিনি হাইপের প্রবণতা রাখেন না। তার কর্মজীবন বছরের ভিত্তিগত মেশিন লার্নিং গবেষণা, Uber এর অ্যাডভান্সড টেকনোলজিস গ্রুপের নেতৃত্ব এবং এখন বিশ্বের সবচেয়ে প্রযুক্তিগতভাবে উচ্চাভিলাষী স্বচালিত ট্রাক প্রোগ্রামগুলির একটি তৈরি করার সময় ব্যাপৃত। যখন তিনি বলেন লেভেল-৪ স্বায়ত্তশাসিত ট্রাক বাণিজ্যিক কার্যকারিতার কাছাকাছি পৌঁছাচ্ছে, এই বিবৃতিটি একটি ওজন বহন করে যা স্বায়ত্তশাসিত যানবাহনের স্থানে আরও অনুমানমূলক দাবিগুলি করেনি।
IEEE Spectrum এর সাথে একটি বর্ধিত সাক্ষাৎকারে, Urtasun Waabi এর প্রযুক্তিগত পদ্ধতি, বাণিজ্যিক স্থাপনার দিকে এর অগ্রগতি এবং কীভাবে জেনারেটিভ AI সম্পূর্ণ স্বচালিত প্রযুক্তি দীর্ঘ-দূরত্ব ট্রাকিং একটি কার্যকর প্রয়োগ করে তোলে এমন শক্তিশালী, সাধারণযোগ্য স্বায়ত্তশাসন অর্জনের সময়রেখা মৌলিকভাবে পরিবর্তন করেছে তার দৃষ্টিভঙ্গি রূপরেখা করেছেন। তার যুক্তি এমন নয় যে সমস্যাটি সহজ হয়ে উঠেছে, বরং এটি সমাধান করার জন্য উপলব্ধ সরঞ্জামগুলি নাটকীয়ভাবে উন্নত হয়েছে।
লেভেল-৪ স্বায়ত্তশাসন — সংজ্ঞায়িত অপারেশনাল ডিজাইন ডোমেইনের মধ্যে কোনও মানব হস্তক্ষেপ ছাড়াই সমস্ত ড্রাইভিং কাজ পরিচালনা করার ক্ষমতা — প্রদর্শন প্রযুক্তি থেকে বাণিজ্যিক পণ্যকে আলাদা করে এমন থ্রেশোল্ড। ট্রাকিং অ্যাপ্লিকেশনগুলির জন্য, প্রাসঙ্গিক ডোমেইন প্রাথমিকভাবে সংজ্ঞায়িত রুটগুলিতে হাইওয়ে চালনা, যা যাত্রী যানবাহন স্বায়ত্তশাসন প্রোগ্রামগুলিকে বছরের পর বছর চ্যালেঞ্জ করেছে এমন জটিল শহুরে সেটিংসের চেয়ে উল্লেখযোগ্যভাবে আরও সীমাবদ্ধ পরিবেশ।
জেনারেটিভ AI এর সুবিধা
Urtasun এর মূল যুক্তি হল যে স্বচালনে জেনারেটিভ AI পদ্ধতিগুলি — যা ড্রাইভিং ডেটার বিশাল পরিমাণে প্রশিক্ষিত বড় মডেলগুলি ব্যবহার করে সাধারণযোগ্য ড্রাইভিং আচরণ শিখার জন্য স্পষ্ট নিয়মগুলি এনকোড করার পরিবর্তে — স্বায়ত্তশাসিত সিস্টেমের স্থিতিস্থাপকতায় গুণগত উন্নতি তৈরি করেছে এমনভাবে যা পূর্ববর্তী পদ্ধতিগুলি অর্জন করতে সংগ্রাম করেছে। একই স্কেলিং গতিশীলতা যা GPT-4 এবং এর উত্তরসূরীদের উত্পাদিত করেছে এখন ড্রাইভিং সমস্যায় প্রয়োগ করা হচ্ছে, সক্ষমতায় তুলনীয় পদক্ষেপ-পরিবর্তন ফলাফল সহ।
Waabi এর স্থাপত্য যা কোম্পানি একটি জেনারেটিভ ওয়ার্ল্ড মডেল বলে তার উপর কেন্দ্র করে — একটি শেখা সিমুলেশন পরিবেশ যা বাস্তব ডেটা সংগ্রহে খুব বিপজ্জনক বা ব্যয়বহুল হতে পারে এমন বিরল এবং বিপজ্জনক প্রান্ত ক্ষেত্রগুলি সহ বাস্তবসম্মত ড্রাইভিং পরিস্থিতি তৈরি করতে পারে। এই সিমুলেশন ক্ষমতা স্বায়ত্তশাসিত যানবাহন উন্নয়নে সবচেয়ে মৌলিক বাধাগুলির মধ্যে একটিকে সম্বোধন করে: স্থাপনায় সিস্টেমটি সম্মুখীন হতে পারে এমন পরিস্থিতির সম্পূর্ণ বিতরণ কভার করার জন্য প্রশিক্ষণ ডেটার প্রয়োজন, নিম্ন-সম্ভাবনা ইভেন্টগুলি সহ যার অসম সুরক্ষা প্রভাব রয়েছে।
শেখা সিমুলেশন ব্যবহার করে স্বায়ত্তশাসিত সিস্টেমগুলিকে প্রায় সীমাহীন বৈচিত্র্যময় উত্পন্ন পরিস্থিতির বিরুদ্ধে চাপ পরীক্ষা করার ক্ষমতা মানে যে Waabi এবং একইভাবে-স্থাপত্যিত প্রোগ্রামগুলি রেকর্ডকৃত বাস্তব-বিশ্ব ডেটার উপর নির্ভরশীল প্রোগ্রামগুলির চেয়ে লেজ ঝুঁকি বিতরণের অনেক বেশি অংশ কভার করতে পারে। নিরাপত্তা শংসাপত্র এবং নিয়ন্ত্রক অনুমোদনের জন্য, এটি কেবল একটি উন্নয়ন দক্ষতা সুবিধা নয় — এটি একটি সিস্টেম স্থাপনার জন্য প্রস্তুত তা প্রদর্শনের জন্য মৌলিকভাবে আলাদা পদ্ধতি।
