Каждый раз, когда вы решаете изображение reCaptcha, подобное приведенному ниже, вы невольно очищаете данные, которые обучают алгоритмы машинного обучения, развернутые в беспилотных автомобилях.

Когда вы разгадываете капчу, вы теперь делаете больше, чем просто доказываете, что вы не робот. Вы активно обучаете (будущий) самоуправляемый автомобиль видеть вещи и идентифицировать их.

Это похоже на то, как учить ребенка определять вещи, показывая им одни и те же вещи снова и снова, пока они не учатся на своих ошибках и не начинают правильно определять свои вещи. Эта петля обратной связи обучения-тестирования-оценки-переобучения лежит в основе всего этого.

Чтобы иметь возможность управлять автомобилем самостоятельно, ваш ИИ должен научиться обрабатывать, оценивать и затем воздействовать на свое окружение. Один из способов «изучить» «окружение» — увидеть кучу изображений объектов, с которыми он потенциально может столкнуться в дорожной среде, и научиться правильно их классифицировать.

Компании, занимающиеся производством беспилотных автомобилей, разрабатывают алгоритмы машинного обучения, которые автоматически классифицируют эти изображения (один, например, классифицирует, присутствует ли в поле зрения пешеходный переход или нет).

Затем эти алгоритмы классификатора загружаются или «обучаются» на десятках миллионов изображений, пока их точность не превысит определенный минимальный порог. Тем не менее, простое получение большего количества правильных прогнозов, чем ошибочных, не решает проблему беспилотного вождения. На карту поставлены буквально жизни.

Даже 80% недостаточно. (Представьте, что во время движения по дороге вы неправильно идентифицируете вещи в 20% случаев.) Изображения должны быть достаточно исчерпывающими для возможных сценариев И нуждаются в том, чтобы классификатор почти не делал на них ошибок.

И поэтому, поскольку крайне важно искоренить почти ВСЕ неверные прогнозы, сделанные этими алгоритмами, их необходимо проверить. Вот где вы — как человек, который гораздо более надежен в идентификации вещей, чем алгоритм — входите в картину. Эти мягкие классифицированные изображения представлены вам в виде изображений улиц, светофоров, пешеходных переходов, животных, пешеходных дорожек, других транспортных средств и т. д.

Когда ваш выбор капчи согласуется с прогнозом классификатора («аннотацией»), доверие к этому прогнозу возрастает. Когда есть несоответствие, уверенность падает. Если достоверность падает ниже определенного порога, прогноз заменяется на «правильный».

Эта задача аннотирования и маркировки миллиардов изображений, фиксирующих бесконечное количество дорожных ситуаций/окружения, практически невозможна для любой компании с ограниченным штатом сотрудников. Итак, кто-то очень умный придумал этот метод, чтобы обманом заставить нас всех работать на них, не заплатив нам ни копейки. Теперь все ваши удачные капчи используются для тонкой настройки данных, которые тренируют мозги этих автомобилей.

В следующий раз, когда вы увидите автономный автомобиль, вы поймете, что сделали его таким, какой он есть сегодня.

Это очень упрощенное объяснение самостоятельного вождения, первоначально опубликованное как тема в Твиттере в моем аккаунте. В посте не говорится о том, как действия взаимодействуют с системами принятия решений или даже о том, как принимаются сами решения. Самостоятельное вождение – гораздо более сложная проблема, чем может показаться из этой короткой статьи.

Вы можете посетить мою страницу здесь. Вы можете следить за моим твиттером здесь.