ఆస్టిన్లోని స్కూల్-బస్ సంఘటనలు స్వయంచాలక నేర్చుకోవడం అనే দাবులకు పరీక్షగా మారాయి
Waymo దీర్ఘకాలంగా స్వయం-డ్రైవింగ్ యొక్క ప్రధాన హామీలలో ఒకదాన్ని ప్రోత్సహిస్తోంది: స్వయంచాలక వాహనాల ఫ్లీట్ సమూహ అనుభవం నుంచి నేర్చుకుని, ప్రతి ఎడ్జ్ కేస్ లేదా లోపం తర్వాత మెరుగవుతుందని. కానీ టెక్సాస్లోని ఆస్టిన్లో జరిగిన సంఘటనల శ్రేణి, ఆ హామీని ప్రాక్టికల్గా ఎలా అర్థం చేసుకోవాలో ప్రశ్నిస్తోంది.
పబ్లిక్ రికార్డులు మరియు ఫెడరల్ దర్యాప్తుల ఆధారంగా వచ్చిన రిపోర్టింగ్ ప్రకారం, ఆస్టిన్లో Waymo వాహనాలు ఎరుపు లైట్లు మెరుస్తూ, స్టాప్ ఆర్ములు బయటకు వచ్చినప్పుడు స్కూల్ బస్సులకు నిలవడంలో నెలల పాటు ఇబ్బంది పడ్డాయి. Austin Independent School District అధికారులు, విద్యార్థులను ఎక్కించడం మరియు దించడం జరుగుతున్న సమయంలో కనీసం 19 కేసుల్లో వాహనాలు అక్రమంగా మరియు ప్రమాదకరంగా బస్సులను దాటి వెళ్లాయని ఆరోపించారు.
ఈ సమస్య అంత తీవ్రంగా ఉండడంతో, National Highway Traffic Safety Administrationకు నివేదించబడిన కనీసం 12 సంఘటనలతో సంబంధించి Waymo డిసెంబర్ ప్రారంభంలో ఫెడరల్ రీకాల్ జారీ చేసింది. ఆ ప్రవర్తనను ఎదుర్కొనేందుకు సాఫ్ట్వేర్ మార్పులను ఇప్పటికే అభివృద్ధి చేసినట్లు సంస్థ నియంత్రణాధికారులకు తెలిపింది. అయినప్పటికీ సమస్య వెంటనే అదృశ్యమ కాలేదు.
రీకాల్ తర్వాత కూడా సంఘటనలు కొనసాగినట్లు నివేదించబడింది
రిపోర్టులో పేర్కొన్న రికార్డులు, ఆస్టిన్ పాఠశాల అధికారులు మరియు Waymo సాధారణ ట్రబుల్షూటింగ్కు మించి వెళ్లినట్లు చూపుతున్నాయి. డిసెంబర్ మధ్యలో, స్కూల్ జిల్లా ఒక పార్కింగ్ లాట్లో అర్ధదిన డేటా-సేకరణ కార్యక్రమాన్ని నిర్వహించి, బస్సులు మరియు స్టాప్-ఆర్మ్ పరికరాలను సమీకరించింది, తద్వారా మెరుస్తున్న హెచ్చరిక వ్యవస్థల చుట్టూ వాహన ప్రవర్తనపై Waymo అదనపు సమాచారం సేకరించగలిగింది.
అలాంటి సమన్వయం, ఈ సమస్యను ఇరుపక్షాలూ సాంకేతికంగా పరిష్కరించదగినదిగా మరియు అత్యవసరమైనదిగా చూశాయని సూచిస్తుంది. పిల్లలు అనూహ్యంగా వీధి దాటే అవకాశం ఉన్నందున స్కూల్ బస్సులు కఠినమైన భద్రతా విధానాల కింద నడుస్తాయి, కాబట్టి స్టాప్ సంకేతాలను పాటించడం చర్చించదగినది కాదు. ఆ సందర్భంలో పదేపదే విఫలమయ్యే డ్రైవర్లేని వ్యవస్థ కేవలం అసంపూర్ణం మాత్రమే కాదు. అది చట్టపరమైన మరియు ప్రజా భద్రతా ప్రమాణానికి దిగువన పనిచేస్తోంది.
ఈ ఘటనను ప్రత్యేకంగా గమనార్హంగా 만드는 విషయం ఏమిటంటే, రీకాల్ తర్వాత మరియు ఈ లక్ష్యిత సమాచార-సేకరణ ప్రయత్నం తర్వాత కూడా సంఘటనలు కొనసాగినట్లు నివేదించబడింది. జనవరి మధ్య నాటికి, స్కూల్ జిల్లా కనీసం నాలుగు అదనపు స్కూల్-బస్-దాటి వెళ్లిన సంఘటనలను నివేదించింది. జిల్లాలోని పోలీస్ విభాగాధికారి, మానవ ఉల్లంఘకులు తరచుగా ఒకే citation తర్వాత నేర్చుకుంటారని, కానీ సాఫ్ట్వేర్ అప్డేట్లు లేదా రీకాల్ చర్యల ద్వారా ఆటోమేటెడ్ డ్రైవింగ్ సిస్టమ్ అదే విధంగా నేర్చుకుంటున్నట్లు కనిపించలేదని స్పష్టంగా చెప్పారు.
మూల ప్రశ్న “నేర్చుకోవడం” నిజంగా ఏమిటి అన్నదే
స్వయంచాలక వాహన కంపెనీలు తరచుగా ఫ్లీట్-స్థాయి నేర్చుకోవడాన్ని మానవ డ్రైవర్లపై ఒక ప్రధాన ప్రయోజనంగా వివరిస్తాయి. ఆ భావన ఆకర్షణీయమైనది: ఒక వాహనపు తప్పు సిద్ధాంతపరంగా ప్రతి వాహనానికీ పాఠమవుతుంది. కానీ ఆస్టిన్ అనుభవం చూపిస్తున్నది ఏమిటంటే, ఈ ప్రక్రియ మార్కెటింగ్లో చెప్పే సరళీకరణ కంటే నెమ్మదిగా, పరిమితంగా లేదా మరింత బలహీనంగా ఉండవచ్చు.
వాస్తవ ప్రపంచ ట్రాఫిక్లో అరుదైన సంకేతాలు, వాతావరణాలు, వెలుతురు పరిస్థితులు, స్థానిక పరికరాల మార్పులు, మరియు ప్రవర్తనా అంచనాల అసాధారణ కలయికలు అనేకం ఉంటాయి. స్కూల్ బస్సులు ప్రత్యేకంగా సున్నితమైన ఉదాహరణ, ఎందుకంటే అవి చట్టపరమైన సంకేతాలు, అసాధారణ వాహన ఆకృతి, మరియు అధిక ప్రమాదం ఉన్న రోడ్డుకట్టు పరిస్థితులను కలిపి ఉంటాయి. ఒక స్వయంచాలక వ్యవస్థకు కేవలం మరిన్ని ఉదాహరణలే కాకుండా, సరైన రకాల ఉదాహరణలు, సరైన లేబుళ్లు, మరియు సమస్య మొత్తం ఫ్లీట్లో అర్థవంతంగా పరిష్కారమయ్యేంత బలమైన మోడల్ అప్డేట్లు అవసరమవచ్చు.
సిద్ధాంతపరమైన నేర్చుకోవడం మరియు ఆపరేషనల్ అనుకూలత మధ్య ఉన్న ఈ అంతరం ఇప్పుడు ఆస్టిన్ కేసు కేంద్రంలో ఉంది. ఒక సంస్థ సమస్యను గుర్తించి, రీకాల్ జారీ చేసి, ప్రత్యేక స్థానిక డేటాను సేకరించినప్పటికీ, ఇంకా సంఘటనలు కొనసాగితే, నియంత్రణాధికారులు మరియు ప్రజలు స్వయంచాలక నేర్చుకోవడం అనే దావాలను ఎలా కొలవాలి, ఎలా ఆడిట్ చేయాలి అని ప్రశ్నించే అవకాశం ఉంది.
ఆస్టిన్కి మాత్రమే కాకుండా ఇది ఎందుకు ముఖ్యం
ఆస్టిన్ సంఘటనలు విస్తృత స్వయంచాలక వాహన రంగానికి అసౌకర్యకరమైన సమయంలో చోటు చేసుకున్నాయి. రోబోటాక్సీ అభివృద్ధికర్తలు వాణిజ్యపరంగా విస్తరిస్తున్నారు మరియు తమ వ్యవస్థలు చివరికి భద్రతలో మనుషుల కంటే మెరుగ్గా పనిచేయగలవని రాజకీయంగా వాదిస్తున్నారు. కానీ ఆ వాదనలు సగటు పనితీరుపై మాత్రమే కాదు, అరుదైన, అధిక ప్రభావం ఉన్న సందర్భాలను ఎలా నిర్వహిస్తారో దానిపై ఆధారపడి ఉంటాయి.
స్కూల్-బస్ అనుసరణ అలాంటి సందర్భాల్లో ఒకటి. ఇది ప్రజలకు సులభంగా అర్థమయ్యేది, కఠినంగా నియంత్రించబడేది, మరియు పిల్లలు ఇందులో ఉండటం వల్ల భావోద్వేగంగా కూడా బలంగా అనిపిస్తుంది. అందుకే పదేపదే విఫలమవడం నమ్మకానికి ప్రత్యేకంగా హానికరం. ఇటువంటి కేసులు మొత్తం డ్రైవ్ చేసిన మైళ్లలో చిన్న భాగాన్ని సూచించినా, సిద్ధతపై ప్రజా తీర్పులో అవి అనుపాతానికి మించిన ప్రభావాన్ని కలిగి ఉంటాయి.
ఈ ఘటన, సాఫ్ట్వేర్ ఫిక్స్ నుంచి వాస్తవ ప్రపంచ పరిష్కారానికి వెళ్లే మార్గం బయటి వారు భావించినంత తక్షణం కాకపోవచ్చని కూడా సూచిస్తోంది. మషీన్ లెర్నింగ్ వ్యవస్థలు మనుషులు అర్థం చేసుకునే విధంగా “నేర్చుకోవు”. అవి ఇంజనీరింగ్ పైప్లైన్లు, వాలిడేషన్ పని, సిమ్యులేషన్, డిప్లాయ్మెంట్ షెడ్యూల్లు, మరియు భద్రతా గేట్లపై ఆధారపడతాయి. అంటే డేటా ఉండడం మరియు మెరుగుదల ఉండడం ఒకటే కాదు.
Waymo కోసం, ఆస్టిన్ సమస్య కేవలం స్థానిక ఆపరేషనల్ సమస్య కాదు. పదే పదే జరిగే ఎడ్జ్-కేస్ వైఫల్యాలు పబ్లిక్గా కొనసాగుతున్నప్పుడు, స్కేలబుల్ లెర్నింగ్పై ఆధారపడిన స్వయంచాలక డ్రైవింగ్ కేంద్ర కథనం పరిశీలనను తట్టుకోగలదా అనే పరీక్ష ఇది. నియంత్రణాధికారుల కోసం, రీకాల్ భాష మరియు లెర్నింగ్ క్లెయిమ్స్ను సాధారణ సాఫ్ట్వేర్ అప్డేట్ హామీల కంటే మరింత దగ్గరగా పరిశీలించాల్సి ఉంటుందని ఇది గుర్తు చేస్తుంది.
విస్తృత స్వయంచాలక వాహన మార్కెట్ దీన్ని దగ్గరగా గమనిస్తుంది. స్వయంచాలక డ్రైవింగ్ వ్యవస్థలు నిలకడైన ప్రజా నమ్మకాన్ని సంపాదించాలంటే, తప్పుల తర్వాత డేటాను సేకరిస్తామని మాత్రమే కాదు, ఆ డేటాను భద్రత అత్యంత ముఖ్యమైన చోట్ల సమయానుకూలమైన, ధృవీకరించగల ప్రవర్తనా మార్పుగా మార్చగలమని కూడా చూపించాలి.
ఈ వ్యాసం Wired నివేదిక ఆధారంగా ఉంది. అసలు వ్యాసాన్ని చదవండి.
