स्वायत्त ट्रकिंग का क्षण
Raquel Urtasun, जो टोरंटो के पूर्व AI प्रोफेसर हैं और स्वायत्त ट्रकिंग स्टार्टअप Waabi की स्थापना की, वह अत्यधिक दावों के लिए जानी नहीं जाती हैं। उनका करियर मशीन लर्निंग में मौलिक अनुसंधान के वर्षों, Uber की Advanced Technologies Group के नेतृत्व, और दुनिया के सबसे तकनीकी रूप से महत्वाभिलाषी स्वचालित ट्रक कार्यक्रमों में से एक के निर्माण से भरा है। जब वह कहती हैं कि Level-4 स्वायत्त ट्रक व्यावसायिक व्यवहार्यता के करीब पहुंच रहे हैं, तो यह कथन स्वायत्त वाहन क्षेत्र में अधिक सट्टा दावों की तुलना में कहीं अधिक वजनदार होता है।
IEEE Spectrum के साथ एक विस्तारित साक्षात्कार में, Urtasun ने Waabi के तकनीकी दृष्टिकोण, व्यावसायिक तैनाती की दिशा में इसकी प्रगति, और इस बात के अपने दृष्टिकोण की रूपरेखा दी कि कैसे जेनरेटिव AI ने मजबूत, सामान्यकृत स्वायत्तता को प्राप्त करने की समयसीमा को मौलिक रूप से बदल दिया है जो लंबी दूरी की ट्रकिंग को पूर्ण स्वचालित ड्राइविंग प्रौद्योगिकी के लिए एक व्यवहार्य अनुप्रयोग बनाता है। उनका तर्क यह नहीं है कि समस्या आसान हो गई है, बल्कि यह है कि इसे हल करने के लिए उपलब्ध उपकरण नाटकीय रूप से सुधार गए हैं।
Level-4 स्वायत्तता — किसी परिभाषित परिचालन डिजाइन डोमेन के भीतर किसी भी मानव हस्तक्षेप के बिना सभी ड्राइविंग कार्यों को संभालने की क्षमता — वह सीमा है जो प्रदर्शन तकनीक को व्यावसायिक उत्पाद से अलग करती है। ट्रकिंग अनुप्रयोगों के लिए, प्रासंगिक डोमेन मुख्य रूप से परिभाषित मार्गों पर राजमार्ग ड्राइविंग है, जो यात्री वाहन स्वायत्तता कार्यक्रमों को वर्षों से चुनौती देने वाली जटिल शहरी सेटिंग्स की तुलना में काफी अधिक सीमित वातावरण है।
जेनरेटिव AI का लाभ
Urtasun का मूल तर्क यह है कि स्वचालित ड्राइविंग के लिए जेनरेटिव AI दृष्टिकोण — जो ड्राइविंग डेटा की विशाल मात्रा पर प्रशिक्षित बड़े मॉडल का उपयोग करके सामान्यकृत ड्राइविंग व्यवहार सीखने के लिए — स्वायत्त प्रणालियों की मजबूती में गुणात्मक सुधार लाए हैं ऐसे तरीकों से जो पिछले दृष्टिकोण संघर्ष कर रहे थे। वही स्केलिंग गतिविधि जो GPT-4 और इसके उत्तराधिकारियों को बनाई है वह अब ड्राइविंग समस्या पर लागू की जा रही है, तुलनीय चरण-परिवर्तन क्षमता परिणामों के साथ।
Waabi की वास्तुकला इस पर केंद्रित है जिसे कंपनी एक जेनरेटिव वर्ल्ड मॉडल कहती है — एक सीखा हुआ अनुकरण वातावरण जो यथार्थवादी ड्राइविंग परिदृश्य उत्पन्न कर सकता है जिसमें दुर्लभ और खतरनाक किनारे के मामले शामिल हैं जो वास्तविक दुनिया के डेटा संग्रह में सामना करने और रिकॉर्ड करने के लिए बहुत खतरनाक या महंगे होंगे। यह अनुकरण क्षमता स्वायत्त वाहन विकास में सबसे मौलिक बाधाओं में से एक को संबोधित करती है: तैनाती में सिस्टम के सामने आने वाली परिस्थितियों के पूर्ण वितरण को कवर करने वाले प्रशिक्षण डेटा की आवश्यकता, जिसमें कम-संभाव्यता वाली घटनाएं भी शामिल हैं जिनके असमान सुरक्षा निहितार्थ हैं।
सीखे गए अनुकरण का उपयोग करके स्वायत्त प्रणालियों को उत्पन्न परिदृश्यों की लगभग असीमित विविधता के विरुद्ध तनाव-परीक्षण करने की क्षमता का मतलब है कि Waabi और समान-आर्किटेक्चर प्रोग्राम दर्ज की गई वास्तविक दुनिया के डेटा पर निर्भर प्रोग्रामों की तुलना में पूंछ जोखिम वितरण के कहीं अधिक हिस्से को कवर कर सकते हैं। सुरक्षा प्रमाणपत्र और नियामक अनुमोदन के लिए, यह केवल एक विकास दक्षता लाभ नहीं है — यह यह प्रदर्शित करने का एक मौलिक रूप से अलग दृष्टिकोण है कि एक प्रणाली तैनाती के लिए तैयार है।
