Το thread της Tesla

[Ather]

35 λεπτά πριν, pirmen56 είπε

Αυτά εδώ από άνθρωπο που κάνει καριέρα στο AI και δίνει συμπληρωματικές πηγές σου φτάνουν; :

Για τη δήθεν πρόοδο των αυτόνομων οχημάτων:

https://blog.piekniewski.info/2018/02/09/a-v-safety-2018-update/

https://blog.piekniewski.info/2019/02/16/a-v-safety-2018-update-2/

https://blog.piekniewski.info/2017/01/19/what-would-an-autonomous-car-do/

Για τις επικίνδυνες και απαράδεκτες(σε πρακτικό επέπεδο) δυσλειτουργίες/περιορισμούς του deep learning:

https://blog.piekniewski.info/2019/04/07/deep-learning-and-shallow-data/

https://blog.piekniewski.info/2016/12/29/can-a-deep-net-see-a-cat/

Για τις παπάντζες του Έλον:

https://blog.piekniewski.info/2018/12/28/elon-and-the-collective/

Για την ποιότητα των περισσότερων deep learning papers που προσπαθούν μέσα από το τυφλό tweaking να εξαπατήσουν άλλους ερευνητές:

https://blog.piekniewski.info/2018/07/14/autopsy-dl-paper/

Θα κάνω το συνήγορο του διαβόλου https://singularityhub.com/2016/02/06/how-googles-ai-beat-a-human-at-go-a-decade-earlier-than-expected/

[pirmen56]

1 λεπτό πριν, Ather είπε

Θα κάνω το συνήγορο του διαβόλου https://singularityhub.com/2016/02/06/how-googles-ai-beat-a-human-at-go-a-decade-earlier-than-expected/

Μόνο σε επιτραπέζια έχουν επιτυχία. Είναι γνωστά αυτά. Υπάρχουν γενετικοί αλγόριθμοι, χωρίς ίχνος νοημοσύνης, που τα πάνε περίφημα σε τέτοια παιχνίδια, εδώ και δεκαετίες. 

Ακόμα και εκεί πρέπει ο άνθρωπος να εφοδιάσει το σύστημα με κάποιες βασικές γνώσεις για το παιχνίδι. Επίσης την  εμπειρία που αποκτά το δίκτυο στο κάθε παιχνίδι δεν μπορεί να τη μεταφέρει αλλού. Δεν μπορεί να κάνει παραλληλισμούς και συνειρμούς. Ακόμα και αν αλλάξεις ελαφρώς το παιχνίδι τότε "μπλοκάρουν" και θέλουν εκπαίδευση από την αρχή.

[Ather]

1 ώρα πριν, pirmen56 είπε

Μόνο σε επιτραπέζια έχουν επιτυχία. Είναι γνωστά αυτά. Υπάρχουν γενετικοί αλγόριθμοι, χωρίς ίχνος νοημοσύνης, που τα πάνε περίφημα σε τέτοια παιχνίδια, εδώ και δεκαετίες. 

Ακόμα και εκεί πρέπει ο άνθρωπος να εφοδιάσει το σύστημα με κάποιες βασικές γνώσεις για το παιχνίδι. Επίσης την  εμπειρία που αποκτά το δίκτυο στο κάθε παιχνίδι δεν μπορεί να τη μεταφέρει αλλού. Δεν μπορεί να κάνει παραλληλισμούς και συνειρμούς. Ακόμα και αν αλλάξεις ελαφρώς το παιχνίδι τότε "μπλοκάρουν" και θέλουν εκπαίδευση από την αρχή.

Νομίζω είναι  απαξιωτικό να λες ότι το παιχνίδι-ορόσημο go που κατακτήθηκε από τον υπολογιστή μία 10ετία νωρίτερα από ό,τι υπολόγιζαν είναι απλά μια περίπτωση σαν όλες τις άλλες. Για να σου δώσω ένα μέτρο σύγκρισης έβαλαν την τεχνολογία  AlphaGo (btw χρησιμοποιεί reinforcement learning) να μάθει σκάκι (χωρίς ανοίγματα και τεχνικές από τον άνθρωπο, μόνο τους κανόνες). Αφού έμαθε σκάκι σε 4 ώρες διέλυσε τη μηχανή stockfish που την προγραμματίζουν άνθρωποι εδώ και χρόνια και θεωρούνταν σημείο αναφοράς.

Για το τι είναι νοημοσύνη δεν έχουμε δώσει κάποια απάντηση, διαφορετικά θα την είχε υλοποιήσει η Google σε λογισμικό. Καταλαβαίνω όμως τι λες και σίγουρα απέχουμε από αυτό που διαισθητικά ονομάζουμε νοημοσύνη. Οι εφαρμογές δεν περιορίζονται σε επιτραπέζια, πχ η απόδοση που δίνει το youtube καθώς και η μετάφραση σε άλλη γλώσσα δεν έχει καμία σχέση με το επίπεδο προ 10 ετών, ενώ πρόσφατα έκαναν ένα διαγωνισμό (μηχανής-νομικού) στην ανάλυση νομικού κειμένου όπου κέρδισε ο υπολογιστής. Αυτά είναι μερικά μόνο παραδείγματα.

Άποψή μου, η ΤΝ με το χρήμα και την έρευνα που δέχεται δε θα αργήσει να φτάσει σε επίπεδο αυτόνομης οδήγησης (στα επόμενα 5 χρόνια). Έχει ξεκινήσει και ένας αγώνας για το πώς λειτουργεί ο εγκέφαλος ώστε να τον αντιγράψουμε και ξέρεις ο άνθρωπος έχει πλέον τα μέσα (fMRI, CRISPR, ML ).

Για το θέμα Tesla τώρα, μπαίνουμε σε μία ύφεση που θα τα πάρει όλα σβάρνα. Άρα αναμονή, ή μήπως αγώνας, για να αλλάξει το σύστημα;

Καλό βράδυ.

[primeragt]

Δεν ειναι απαξιωτικο. Ειναι λογικο με βαση το ποσο εχουμε προχωρησει σε αυτες τις τεχνολογιες σε σχεση με παλιοτερα αλλα οσο χαωτικο και αν μας φαινεται το Go δεν παυει να ειναι ενα παιχνιδι με στενα ορια. Το ιδιο και το σκακι. Εχει στενους κανονες. Κανενας δεν λεει οτι οι υπολογιστες (ειτε μιλαμε για απλα προγραμματα ειτε δυναμικα οπως τα AI) δεν ειναι καλυτερα μας στους υπολογισμους μεσα σε πολυ περιορισμενες παραμετρους. Οχι μονο ειναι πιο γρηγορα αλλα και πιο σταθερα στα αποτελεσματα τους σε σχεση με μας. Το προβλημα ερχετε στα χαωτικα και δυναμικα περιβαλλοντα με τους χιλιαδες απροβλεπτους παραγωντες οπου η βιολογικη νοημοσυνη παρατηρει αμεσα αγνωστα μοτιβα και τα μεταφραζει αναλωγος. Εκει ειναι το προβλημα στις AI δεν μπορουν να ανταπεξελθουν σε χαωτικα και απροβλεπτα περιβαλλοντα γιατι δεν μπορουν να κανουν συσχετισμους με αγνωστες μεταβλητες. Εκει ειναι που σκαλωνει η AI ακομα. Αν δεν κατανοησουμε το πως ακριβως λειτουργει αυτο που θελουμε να αντιγραψουμε πως διαολο θα το αντιγραψουμε στο 100%. Το οτι τα ΑΙ καποτε θα φτασουν και θα ξεπερασουν τους ανθρωπους οχι μονο στην οδηγηση αλλα και σε αλλα πραγματα ειναι δεδομενο απλα δεν ειναι η ωρα της ακομα. Εχει μελλον. Κανεναν δεν ειδα σε αυτο το thread να ειναι κατα της αυτονομης οδηγησης παρα μονο στο οτι δεν ειναι ετοιμη ακομα.

[Ather]

Από περιέργεια είπα να κοιτάξω τι συμβαίνει με το starcraft, παιχνίδι όπου δεν υπάρχει πλήρης πληροφόρηση (σε αντίθεση με σκάκι και γκο) για τον αντίπαλο και έπεσα επάνω στο AlphaStar. 

[haHa]

15 ώρες πριν, pirmen56 είπε

Αυτά εδώ από άνθρωπο που κάνει καριέρα στο AI και δίνει συμπληρωματικές πηγές σου φτάνουν; :

Για τη δήθεν πρόοδο των αυτόνομων οχημάτων:

https://blog.piekniewski.info/2018/02/09/a-v-safety-2018-update/

https://blog.piekniewski.info/2019/02/16/a-v-safety-2018-update-2/

https://blog.piekniewski.info/2017/01/19/what-would-an-autonomous-car-do/

Για τις επικίνδυνες και απαράδεκτες(σε πρακτικό επέπεδο) δυσλειτουργίες/περιορισμούς του deep learning:

https://blog.piekniewski.info/2019/04/07/deep-learning-and-shallow-data/

https://blog.piekniewski.info/2016/12/29/can-a-deep-net-see-a-cat/

Για τις παπάντζες του Έλον:

https://blog.piekniewski.info/2018/12/28/elon-and-the-collective/

Για την ποιότητα των περισσότερων deep learning papers που προσπαθούν μέσα από το τυφλό tweaking να εξαπατήσουν άλλους ερευνητές:

https://blog.piekniewski.info/2018/07/14/autopsy-dl-paper/

 

Για πολλοστη φορα, κανενα λινκ που να επιβεβαιωνει την ανακριβεια που εγραψες. Εδω ξανα τι εγραψες:

Στις 4/5/2019 στις 4:54 ΜΜ, pirmen56 είπε

Σημειωτέον ότι τα νευρωνικά δίκτυα είναι βασισμένα στο V1 τμήμα του οπτικού φλοιού του εγκεφάλου. Μια πρόχειρη αντιγραφή για την ακρίβεια. Καμία ουσιαστική εξέλιξη στο ΑΙ δεν υπήρξε 100% προϊόν ανθρώπινης έμπνευσης. Μιλάμε για τροματικά δύσκολο πρόβλημα. Η εξέλιξη του κλάδου εξαρτάται σχεδόν αποκλειστικά από τη νευροπειστήμη που βαδίζει με ρυθμό χελώνας.

Εχει κανεις 2 ισχυρισμους ουσιαστικα:

α) η εξελιξη του AI εξαρτάται σχεδόν αποκλειστικά από τη νευροεπιστήμη που βαδίζει με ρυθμό χελώνας.

β) ως εκ τουτου, η εξελιξη του AI ηταν με ρυθμό χελώνας.

 

Ζητησαμε να παραθεσεις 3-4 πηγες για αυτους τους 2 ισχυρισμους. Εσυ παρεθεσες ασχετα πραγματα σε σχεση με τους παραπανω ισχυρισμους. Ουτε μια πηγη που να λεει οτι η εξελιξη του ΑI εξαρταται σχεδον αποκλειστικα απο την νευροεπιστημη και ουτε μια πηγη που να λεει οτι η εξελιξη του AI ηταν με ρυθμο χελωνας.

---------------
Το ενδιαφερον μαλιστα ειναι οτι ακομα και οι ερευνητες που παραθετεις γραφουν ξεκαθαρα οτι εχει υπαρξει μεγαλη προοδος τα τελευταια χρονια στον χωρο(γεγονος βεβαια που ειναι ασχετο με το οτι εχουμε ακομα δρομο μπροστα μας και οτι θα χρειαστουν νεοι τροποι/προσεγγισεις για να συνεχιστει η εξελιξη). Ενδεικτικα, απο τον Geoffrey Hinton που παρεθεσες προηγουμενως:
https://www.cio.co.nz/article/565622/ai-getting-smarter/
 

Αναφορά σε κείμενο

That's the word from artificial intelligence researchers and industry analysts attending the AAAI-15 conference last week in Austin.

"I think big leaps have been made in the last few years," said Geoffrey Hinton, a distinguished researcher at Google and professor at the University of Toronto. "AI is undergoing a growth spurt. We're beginning to solve problems that a few years ago we couldn't solve, like recognizing images."

 

--------------------

To ιδιο ακριβως ισχυει και για την αυτονομη οδηγηση:
τεραστια προοδος τα τελευταια χρονια(πχ σε σχεση με το 2014), αλλα εχουμε ακομα δρομο. Αλλο λοιπον να λεμε οτι εχουμε ακομα δρομο και αλλο να λεμε οτι η εξελιξη του ΑΙ γινεται με ρυθμους χελωνας γιατι εξαρτάται σχεδόν αποκλειστικά από τη νευροεπιστήμη.

Ενδεικτικο της προοδου(disclaimer ξανα: εχει ακομα δρομο, αλλα απλα βλεπουμε οτι εχει υπαρξει μεγαλη προοδος), ειναι οτι χθες η Google(Waymo) ανακοινωσε οτι θα βγαλει 10 αυτονομα οχηματα(παντα με πραγματικο οδηγο για backup) στο δρομο:
Waymo expands Phoenix self-driving service by putting 10 cars on Lyft

Disclaimer ξανα: Ναι, ειναι πολυ μικρος αριθμος, ναι ειναι για συγκεκριμενη περιοχη, ναι υπαρχει οδηγος για backup αν παει να γινει η στραβη.
Την προοδο βλεπουμε εδω, οχι αν ειναι σημερα ετοιμα τα αυτονομα οχηματα.

--------------

 

Και κατι σημερινο και καπως σχετικο:

MIT AI model is 'significantly' better at predicting breast cancer
 

Αναφορά σε κείμενο

MIT researchers have invented a new AI-driven way of looking at mammograms that can help detect breast cancer in women up to five years in advance. A deep learning model created by a team of researchers from MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) and Massachusetts General Hospital can predict -- based on just a mammogram -- whether a woman will develop breast cancer in the future. And unlike older methods, it works just as well on black patients as it does on white patients.

Μεγαλη προοδος και συνεισφορα στην ιατρικη λογω AI, πραγματα που πριν 5-10 χρονια δεν ηταν δυνατα.

Επεξ/σία 8 Μαΐου 2019 από haHa

[Ather]

AI και νευροεπιστήμη είναι αλληλένδετα. Για το επόμενο βήμα στην ΤΝ θελουμε νευροεπιστήμη, αλλά η πρόοδος στην ΤΝ συντελεί στην πρόοδο της νευροεπιστήμης. Τάδε έφη Χασσάμπης.

[Emaros]

Όσα βλέπει το Autopilot βράδυ με έντονη βροχή. Έχει βελτιωθεί, αλλά εμφανίζονται θέματα (πχ όταν το φορτηγό από μπροστά φρενάρει) στο Vision λογικά. Αλλά δεν φαίνεται να προβληματίζουν ή να θέτουν σε κίνδυνο το Tesla, γιατί παρά το μπέρδεμα του Vision, το ραντάρ λογικά γνωρίζει πως υπάρχει όχημα μπροστά οπότε ρίχνει ταχύτητα και καταφέρνει να κρατήσει απόσταση.

στο electrek έχει και part2 για όποιον θέλει

 

@pirmen56 Πραγματικά δεν καταλαβαίνω τί συζητάμε εδώ πέρα.
Ο Piekniewski που παρέθεσες, παρά τα όσα αρνητικά λέει, πιστεύει κι αυτός πως τα Αυτόνομα Οχήματα προοδεύουν και στο μέλλον θα είναι πιο ασφαλή από τον άνθρωπο.
Ο Geoffrey Hinton που ανέφερες πριν, εμφανίζεται ακόμα πιο σίγουρος για το ότι τα αυτόνομα θα είναι πολύ πιο ασφαλή από τον άνθρωπο στο μέλλον.
Όλοι με τους οποίους διαφωνείς, έχουμε γράψει το ίδιο ακριβώς, πως τα αυτόνομα οχήματα δεν είναι ακόμη έτοιμα, αλλά προοδεύουν και στο μέλλον θα είναι πιο ασφαλή από τον άνθρωπο.

Οπότε....δεν έχει πολύ νόημα η κουβέντα.

Αν έχει κάτι νόημα να συζητήσουμε είναι ποιοί παράγοντες, νομίζουμε πως, θα επισπεύσουν το να φτάσουμε εκεί. Και οι εκτιμήσεις για το πότε θα φτάσουμε "εκεί" είναι καθαρά υποκειμενικές γιατί κανείς μας δεν ξέρει τα σχέδια ή τεχνολογικά μυστικά/προόδους που καταγράφουν οι εταιρείες αυτές.

Προσωπικά πιστεύω ότι η βελτίωση του AI είναι συναρτήσει των χιλιομέτρων τα οποία οδηγεί, και όχι του χρόνου. Γι' αυτό δίνω περισσότερες πιθανότητες στην Tesla, γιατί έχει ήδη δισ. χιλιομέτρων σε αυτόματο, των οποίων ο ρυθμός αυξάνεται ραγδαία όσο αυξάνονται τα οχήματα και βελτιώνεται το AP. Και η βελτίωση αυτή, φαίνεται τώρα στην Tesla. Το AP όσο περνάει ο καιρός τα πηγαίνει όλο και καλύτερα με βασικά πράγματα όπως καιρικές συνθήκες και φανάρια, αλλά εννοείται πως έχει αρκετό δρόμο ακόμα σε ότι αφορά εμπόδια κάθε είδους που μπορεί να προκύψουν στον δρόμο.

*αναφορικά με τη φωτογραφία με το σχολικό, χωρίς να είμαι ειδικός, φαντάζομαι πως κάποιες λύσεις θα ήταν να ληφθεί μία απόφαση για το εάν είναι πραγματική πινακίδα, συνυπολογίζοντας παράγοντες όπως τη θέση του στοπ σε σχέση με τα οχήματα, εάν κινείται, το ύψος στο οποίο βρίσκεται το στοπ σε σχέση με τον δρόμο, την κλίση με την οποία φαίνεται η πινακίδα, κτλ. Αλλά σίγουρα όσοι εργάζονται πάνω σε αυτό, ξέρω ότι θα έχουν πολύ καλύτερες ιδέες ώστε να λύσουν τέτοια προβλήματα γιατί, ξαναλέω, σε τέτοια θέματα εμπιστεύομαι πολύ περισσότερο αυτούς που έχουν δημιουργήσει και εξελίσσουν κάτι πολύπλοκο όπως η Tesla ή η Waymo, παρά εσένα ή εμένα. Το ίδιο ισχύει και για άλλα παρόμοια προβλήματα, τα οποία όντως θα είναι ατελείωτα, αλλά όπως έχει φανεί στην εξέλιξή μας, όχι άλυτα.

Επεξ/σία 8 Μαΐου 2019 από Emaros

[primeragt]

Μαλλον καποιον αλλον ηθελες να quotaρεις μιας και εγω προσωπικα δεν ανεφερα ουτε παρεθεσα κανεναν. Το μονο που ειπα ειναι οτι σε κλειστα μη δυναμικα περιβαλλοντα η ΑΙ εχει κανει αλματα ενω σε αναξελεγκτα δυναμικα περιβαλλοντα εχει ακομα πολυ δρομο να διανυσει μεχρι να φερει σταθερα και καλυτερα αποτελεσματα απο τη βιολογικη νοημοσυνη.

[Whargoul]

27 λεπτά πριν, Emaros είπε

Προσωπικά πιστεύω ότι η βελτίωση του AI είναι συναρτήσει των χιλιομέτρων τα οποία οδηγεί, και όχι του χρόνου. [...]

Όσα χιλιόμετρα και να μαζέψεις στο Autobahn, δεν θα καταφέρεις ποτέ να βρεις λύση για να οδηγάς στους δρόμους του Περού!

Δεν είναι ούτε συναρτήσει των χιλιομέτρων, ούτε και του χρόνου έτσι σαν γενικές έννοιες... Είναι συνάρτηση του όγκου των χρησίμων δεδομένων που έχεις, και της ικανότητας να τα επεξεργαστείς σωστά για να λύσεις ένα συγκεκριμένο πρόβλημα. Το ότι μαζεύει έτσι γενικά δεδομένα από χιλιάδες αμάξια, δεν σημαίνει ότι έχει καλύτερη ποιότητα δεδομένων από την Waymo που κάνει συγκεκριμένες δοκιμές και μαζεύει περιορισμένα αλλά συγκεκριμένα δεδομένα και χτίζει πάνω στα αποτελέσματα.

Κάλλιστα όλα αυτά τα δεδομένα μπορεί να είναι τελείως άκυρα και να δημιουργεί περισσότερα προβλήματα από όσα θα λύσει όλος αυτό ο όγκος. Κανείς δεν μαθαίνει να διαβάζει με μια βιβλιοθήκη εγκυκλοπαίδειες. Με το "Μαρία να ένα μήλο" αρχίζει να μαθαίνει να διαβάζει ο κόσμος.

 

 

 

[Droulas13]

46 λεπτά πριν, Whargoul είπε

Κάλλιστα όλα αυτά τα δεδομένα μπορεί να είναι τελείως άκυρα και να δημιουργεί περισσότερα προβλήματα από όσα θα λύσει όλος αυτό ο όγκος. Κανείς δεν μαθαίνει να διαβάζει με μια βιβλιοθήκη εγκυκλοπαίδειες. Με το "Μαρία να ένα μήλο" αρχίζει να μαθαίνει να διαβάζει ο κόσμος.

Είδες την παρουσίαση του Karpathy που εξηγεί που χρησιμεύουν τα δεδομένα;

Περιληπτικά. Θέλουν να λύσουν πχ το θέμα που ένα αυτοκίνητο μεταφέρει στο πίσω μέρος ποδήλατα και να εκπαιδεύσουν το σύστημα για να αναγνωρίζει το σύνολο ως ένα αυτοκίνητο που μεταφέρει απλώς ένα ποδήλατο και όχι ως ένα αυτοκίνητο και ένα ποδήλατο ξεχωριστά. Του δίνουν μερικές φωτογραφίες αυτοκινήτων που δείχνουν στο πίσω μέρος ποδήλατα και μετά ζητάνε από το δίκτυο των αυτοκινήτων tesla "αναγνωρίστε και στείλτε μας χιλιάδες παρόμοιες περιπτώσεις που θα συναντήσετε". Και με αυτό το τρόπο το ίδιο το σύστημα τελειοποιείται από μόνο του βρίσκοντας όλων των ειδών τις περιπτώσεις που στο πίσω μέρος του αυτοκινήτου υπάρχει ποδήλατο.

Κάθε φορά που γίνεται ένα disengagement το συμβάν αναλύεται για να δουν αν υπάρχει κάποια ιδιαίτερη κατάσταση στην οποία το σύστημα χρειάζεται εκπαίδευση και όταν την κατηγοριοποιήσουν στην συνέχεια ζητάνε από το δίκτυο χιλιάδες παρόμοιες περιπτώσεις, μέσα από τις οποίες το σύστημα τελειοποιείται. Όπως όταν μαθαίνεις στο σχολείο ένα μαθηματικό τύπο και στη συνέχεια ο καθηγητής σου δίνει να λύνεις με αυτό δεκάδες ασκήσεις για να τελειοποιηθείς.

Όσα περισσότερα είναι τα οχήματα στο δρόμο, τόσες περισσότερες περιπτώσεις θα αντιμετωπίζουν και τόσο γρηγορότερα και με μεγαλύτερη ακρίβεια θα τελειοποιείται το σύστημα.

Επεξ/σία 8 Μαΐου 2019 από Droulas13

[Whargoul]

43 λεπτά πριν, Droulas13 είπε

Περιληπτικά. Θέλουν να λύσουν πχ το θέμα που ένα αυτοκίνητο μεταφέρει στο πίσω μέρος ποδήλατα και να εκπαιδεύσουν το σύστημα για να αναγνωρίζει το σύνολο ως ένα αυτοκίνητο που μεταφέρει απλώς ένα ποδήλατο και όχι ως ένα αυτοκίνητο και ένα ποδήλατο ξεχωριστά. Του δίνουν μερικές φωτογραφίες αυτοκινήτων που δείχνουν στο πίσω μέρος ποδήλατα και μετά ζητάνε από το δίκτυο των αυτοκινήτων tesla "αναγνωρίστε και στείλτε μας χιλιάδες παρόμοιες περιπτώσεις που θα συναντήσετε". Και με αυτό το τρόπο το ίδιο το σύστημα τελειοποιείται από μόνο του βρίσκοντας όλων των ειδών τις περιπτώσεις που στο πίσω μέρος του αυτοκινήτου υπάρχει ποδήλατο.

 

Εδώ είναι το πρόβλημα. Το θέμα δεν είναι πόσα μπορείς να αναγνωρίσεις ή νομίζεις ότι αναγνώρισες (false positive), αλλά και πόσα δεν κατάφερες (false negative), πράγμα που δεν μπορούν να ξέρουν με αυτές τις δοκιμές! Τα ατυχήματα γίνονται από αυτά που δεν "είδες". Ο τρόπος αυτός μάθησης είναι στην καλύτερη λειψός. + Ποιος ελέγχει ότι όλες αυτές οι φωτό που στέλνει πίσω είναι ή δεν είναι "ποδήλατα"? Υπάρχουν υπάλληλοι που να ελέγχουν μια προς μια όλες αυτές τις φωτό/πληροφορίες? Προφανώς όχι οπότε είτε τα δεδομένα στοιβάζονται κάπου, είτε τροφοδοτούν την AI και "τελειοποιείται" με γκρίζα (non-confirmed) δεδομένα.

+ H google μπορεί να μην έχει χιλιάδες αμάξια στου δρόμους, αλλά έχει εκατομμύρια άτομα να της δίνουν  χιλιο-ελεγμένες εικόνες μέσω του ReCaptcha εδώ και χρόνια! Έχει φωτός από όλους του δρόμους της Γης και άπειρες σκηνές που μάζεψαν τα αμάξια της. Εάν η οπτική αναγνώριση ήταν η λύση, η Google θα ήταν έτη φωτός μπροστά.

 

Επεξ/σία 8 Μαΐου 2019 από Whargoul

[Droulas13]

23 λεπτά πριν, Whargoul είπε

Εδώ είναι το πρόβλημα. Το θέμα δεν είναι πόσα μπορείς να αναγνωρίσεις ή νομίζεις ότι αναγνώρισες (false positive), αλλά και πόσα δεν κατάφερες (false negative), πράγμα που δεν μπορούν να ξέρουν με αυτές τις δοκιμές! Τα ατυχήματα γίνονται από αυτά που δεν "είδες".

Αυτά που αναφέρεις ως "δεν είδε" είναι ακριβώς όσα και τα disengagements. Κάθε δε disengagements αναλύεται από κάποιον που "είδε".

Αναφορά σε κείμενο

Ο τρόπος αυτός μάθησης είναι στην καλύτερη λειψός. + Ποιος ελέγχει ότι όλες αυτές οι φωτό που στέλνει πίσω είναι ή δεν είναι "ποδήλατα"? Υπάρχουν υπάλληλοι που να ελέγχουν μια προς μια όλες αυτές τις φωτό/πληροφορίες? Προφανώς όχι οπότε είτε τα δεδομένα στοιβάζονται κάπου, είτε τροφοδοτούν την AI και "τελειοποιείται" με γκρίζα (non-confirmed) δεδομένα.

Αν μπορούσα να σου εξηγήσω όλα αυτά τότε θα είχα εξαψήφιο ετήσιο εισόδημα. Τι υποθέτω ότι γίνεται. Μια ομάδα εργαζομένων ξεσκαρτάρουν τα disengagements σε ουσιώδη και μη. Μια ομάδα άλλων εργαζομένων κατηγοριοποιούν τις καταστάσεις. Μια άλλη ομάδα εργαζομένων, προφανώς δειγματοληπτικά, αναλύουν τα δεδομένα μέσα από τα οποία τελειοποιείται η κατηγορία, για να ξεσκαρτάρουν τα άσχετα.

 

Παρακολουθώ στενά σε reddit, twitter, youtube κλπ την εξέλιξη του autopilot από χρήστες του που σχολιάζουν διαχρονικά τις εμπειρίες τους και έχω καταλήξει στο συμπέρασμα ότι όσο περνάει ο καιρός τόσο πιο γρήγορη είναι η εξέλιξή του.

Επεξ/σία 8 Μαΐου 2019 από Droulas13

[Whargoul]

58 λεπτά πριν, Droulas13 είπε

Αυτά που αναφέρεις ως "δεν είδε" είναι ακριβώς όσα και τα disengagements. Κάθε δε disengagements αναλύεται από κάποιον που "είδε".

Δεν είναι κατ ανάγκη όσα και τα disengagement. Μπορεί ο μπροστά σου να έχει "ποδήλατο", να μην το αναγνώρισε, να το θεώρησε ότι είναι είναι κάτι άλλο και να συνέχισε κανονικά. Η μπορεί να μην έπεσε disengagment επειδή αυτό το κάτι δεν θεωρήθηκε εμπόδιο. Δεν γνωρίζεις πως αντιδρά στο κάθε τι γιατί απλά δεν υπάρχει επαλήθευση. Γνωρίζεις πως αντιδρά όταν αυτό θεωρήσει ότι υπάρχει πρόβλημα (με την προϋπόθεση ότι όντως θα αναλύσει κάποιος κάθε disengagment, το οποίο θεωρώ μη ρεαλιστικό). Δεν υπάρχει τρόπος να αναγνωρίσεις τα false negative σε μη ελεγχόμενο περιβάλλον.

+ όλα αυτά είναι πως η Τεσλα λέει ότι δουλεύει. I practise? who knows.

+ Εάν όντως ήταν τόσο μπροστά ώστε του χρόνου να κατεβάσει πλήρως αυτόνομο σύστημα, σήμερα θα ήταν σε θέση να κάνει πανηγύρια. Κάθε 3 και λίγο θα έπεφτε tweet, ο δοκιμαστικός μας στόλος έκανε 1000km χωρίς disengagement. Έκανε 10 000, έκανε 50 000. Χθες κάναμε Miami - Alaska, χωρίς να αγκίξουμε πουθενά. Σήμερα δείτε σε live-streaming το California - New York, και η μετοχή της θα ήταν στα ουράνια. Αντιθέτως αντί η ίδια να επιλέγει να δείχνει αυτά τα στατιστικά (πχ στην καλιφόρνια) για να βάζει και επισήμως στους άλλους γυαλιά (χωρίς να σημαίνει ότι αυτά δείχνουν ετοιμότητα αλλά anw), πλέον κάνει δοκιμές αλλού για να τα κρύβει.

[Droulas13]

Για να μην υπάρχουν παρεξηγήσεις disengagement = ο χρήστης σταματάει το autopilot και αναλαμβάνει αυτός την οδήγηση.