Интервью: Специалисты российской компании Cognitive Pilot придумали новый подход, который позволяет нейронной сети автоматически выбирать из видеопотока репрезентативные данные. Это поможет значительно ускорить процесс обучения нейронных сетей, сэкономить время и упростить процесс разработки автопилотов.

Из материала вы узнаете:
– По какому принципу нейронная сеть самостоятельно выбирает репрезентативные изображения из большого потока информации.
– Участвуют ли сельхозпроизводители в процессе обучения техники.

Руководитель департамента разработки беспилотных транспортных средств Cognitive Pilot Юрий Минкин рассказал Аграрной политике о том, как отбирается информация для датасетов по новой технологии.

Умная система понимает ситуацию и передает команду на органы управления машиной, выстраивает траекторию движения с учетом этой ситуации, например, границы между нескошенной частью поля, где нужно продолжить работу и зоной, где уже собран урожай. Комбайн-робот видит, есть ли на пути машины препятствия, и заблаговременно реагирует на них. Таким образом он может решать задачи управления движением и даже отрабатывать нештатные ситуации без участия человека. Для того, чтобы эта система управления работала, у нейросети должны изначально быть данные, с которыми она сравнивает объекты, которые видит. Обучение — это как раз насыщение нейросети необходимой информацией, большими массивами данных, содержащих все возможные ситуации, которые только могут повлиять на процесс управления.

— В чем состоит технология быстрого обучения, разработанная Cognitive Technologies?

— Массивы данных формируют люди. На этот процесс обычно уходит очень много времени. Представьте себе видеопоток из более чем миллиарда кадров, и нужно выбрать только те, которые влияют на работу машины, чтобы их мог запомнить искусственный интеллект. Практикуется частичная выборка, потому что отсмотреть все нереально. Если анализировать «вручную», может быть пропущена какая-либо полезная информация.

Мы разработали подход, который позволяет нейронной сети самостоятельно выбирать значимые, репрезентативные изображения. Принцип следующий. Допустим, отсматривается продвижение того же комбайна по кромке поля. Мы выбираем те кадры, в которых отклонения от среднего — то есть общей картины, которую можно наблюдать в поле, а она довольно однообразна и позволяет вывести среднюю закономерность — больше определенной величины. Например, когда комбайн едет мимо лесополосы, там будет множество объектов — ветки, кусты, деревья, но вся картина однообразная, отклонение от среднего низкое, такие данные не отбираются. А если путь преграждает овраг или на изображении появилась торчащая из земли часть опоры мачты, то по сравнению с общей дисперсией этот элемент дает большой скачок, и система возьмет этот кадр.

Если раньше на обработку видеопотока при обучении нейронных сетей и создании датасетов (пакетов данных) могли уходить годы, то сегодня мы нажимаем на кнопку, и получаем результат.

— Участвуют ли сельхозпроизводители в процессе обучения техники?

— Без участия тех, кто занят в сельхозпроизводстве, этот процесс невозможен. Ведь именно на полях агрохозяйств мы собираем все данные.