¿Qué hay bajo el "capó" de los coches autónomos?

Encabezado por gigantes tecnológicos como Google y Yandex, el auge de los vehículos automatizados parece inevitable, pero ¿cuáles son los mecanismos intelectuales en funcionamiento?

Por
Este artículo fue traducido de nuestra edición en inglés utilizando tecnologías de IA. Pueden existir errores debido a este proceso. Las opiniones expresadas por los colaboradores de Entrepreneur son personales.

Waymo, una unidad de Alphabet Inc de Google, y Yandex Self-Driving Group, una división de la corporación Yandex con sede en Rusia, se encuentran entre más de una docena de nombres líderes en software y hardware de vehículos automatizados. El primero lanzó recientemente un programa piloto de taxis autónomos en San Francisco, el segundo ha estado probando sus autos automatizados en todo el mundo durante los últimos años y tiene vehículos autónomos en varios campus universitarios en los EE. UU. La compañía Baidu Inc., junto con la startup china de autoconducción respaldada por Toyota, Pony.ai, debutará con una flota de 100 autos de taxis sin conductor pagados en Beijing en 2022, y tiene planes preliminares para lanzar un programa similar en California. en el mismo año (ver enlace a continuación).

Sin embargo, el principal desafío para la aplicabilidad más amplia de estos vehículos es entrenar la IA que impulsa la conducción autónoma hasta el punto de la perfección.

Se trata de datos

Los ingenieros de software y datos entrenan los algoritmos que se encuentran en el núcleo de la inteligencia artificial, y para los autos sin conductor, los datos relacionados con las carreteras y las condiciones de conducción en y alrededor de ellas son clave para la navegación. Para hacerlo, la IA primero debe aprender qué significan estos datos, y aquí es donde el "etiquetado de datos" juega un papel fundamental. Etiquetar los datos (esencialmente dándoles un significado) es el primer paso para crear este tipo de IA en toda regla. Tales etiquetas, o significados, deben ser informativos, discriminatorios e independientes. También deben ser precisos y corresponder a la realidad (la verdad básica), razón por la cual el etiquetado de datos es un proceso basado en humanos, a menudo tedioso y arduo, que requiere que miles de personas examinen y anoten (para etiquetar un vehículo como un camión o un automóvil, por ejemplo, o para distinguir los colores de los semáforos).

Relacionado: la startup china Pony.ai ofrecerá un servicio de robotaxi sin conductor para 2022 en California

Imagínese un automóvil autónomo que detecta un vehículo con una bicicleta encima. Ha detectado un objeto, sí, pero ¿es una bicicleta o un coche? ¿Son ambos? Y lo más importante, ¿cómo debería comportarse el sistema en respuesta a él? Aquí es donde la ayuda humana se vuelve indispensable, ya que solo las personas pueden entrenar modelos de visión por computadora (el "cerebro" del automóvil autónomo) para detectar correctamente objetos complicados. También son los que ajustan las IA para que estos últimos comprendan diferentes paisajes y eviten problemas. Los automóviles autónomos de Yandex, por ejemplo, necesitaban etiquetar imágenes adicionales de las carreteras de Las Vegas, como los semáforos, que podrían parpadear en amarillo, a diferencia de los semáforos de otros países. De esta manera, Yandex ayuda a sus autos a "entender" la ciudad, una que tiene poca semejanza con Moscú, donde originalmente habían sido "entrenados".

Los tipos de etiquetado de datos para vehículos autónomos incluyen segmentación, cuadros delimitadores en 2D, marcación de carriles, anotación de seguimiento de video, anotación de puntos y reconocimiento de objetos en 3D, cada uno de los cuales requiere un tratamiento cuidadoso, ya que juntos enseñan a la IA a comprender lo que sucede en la carretera. Cuanto más a menudo se etiqueten los datos con precisión, más rápido los recogerá la IA, producirá patrones y evitará generar una imagen distorsionada, lo que les impide diferenciar situaciones seguras de inseguras.

Relacionado: Tesla de Elon Musk retrasa el tan esperado Cybertruck hasta 2022

La fiebre del etiquetado

La gran demanda repentina de etiquetado de datos dio lugar a una serie de nuevos servicios de etiquetado. Se estima que alcanzará los $ 8.220 millones para 2028, lo que se conoce como el mercado de "anotación de datos" ofrece una serie de servicios para escalar, con el objetivo de hacer que el proceso sea cada vez más rápido y asequible. Incluyen Toloka, Scale, Mighty AI, Appen, Cloud Factory, Mechanical Turk de Amazon y muchos otros. Yandex Self-Driving Group, por ejemplo, usó Toloka para recopilar datos de manera rápida, ahorrando varios millones de dólares en su anotación. A estas alturas, los coches autónomos de Yandex han recorrido más de 10,5 millones de millas. Otra de estas empresas es Scale, una startup con sede en San Francisco que ha generado un gran revuelo en Silicon Valley. En 2018, la compañía obtuvo $ 18 millones para etiquetar datos sin procesar de clientes como Lyft, General Motors, Zoox, Voyage, nuTonomy y Embark. La misión de Scale es mejorar la inteligencia artificial incorporada mediante la revisión de imágenes, radares y datos LIDAR de automóviles junto con otros datos de sensores para identificar mejor los objetos en la carretera, incluidos peatones y ciclistas.

Relacionado: Formas en las que la inteligencia artificial potenciará las empresas

¿Qué importancia tendrá la conducción autónoma?

Aunque la tecnología de conducción autónoma está dando enormes pasos hacia adelante, es cierto que necesita muchos más datos para generalizarse. A pesar de lanzar taxis sin conductor en San Francisco y plantear la idea de expandirse al transporte por carretera, la logística y los vehículos personales, Waymo todavía está poniendo un conductor al volante, un requisito legal y un reconocimiento de que esta tecnología se encuentra en las primeras etapas de desarrollo. . Mientras tanto, Yandex Self-Driving Group se está preparando para lanzar un programa de taxis no tripulados en Moscú este invierno, lo que permitirá conducir un vehículo robótico en ciertas áreas.

En última instancia, mucho depende de la construcción de sistemas de tuberías estables con control de calidad automatizado. Si se vuelven omnipresentes, esta floreciente industria podría convertirse en algo común en tan solo diez años.

Olga Megorskaya

Escrito por

Entrepreneur Leadership Network Contributor

Olga Megorskaya is the founder and CEO at Toloka AI, a global data labeling platform. Toloka was featured in Gartner’s Hype Cycle Report for Data Science and ML as one of the top data labeling solutions on the market.