Un algoritmo que evolucionó a los bots de Starcraft también está entrenando autos sin conductor

vehículo waymo Waymo

Los autos sin conductor de Waymo ahora tienen algo en común con los cerebros que guían los vehículos regulares: su inteligencia proviene en parte del poder de la evolución.

Los ingenieros de Waymo, propiedad de Alphabet, se asociaron con investigadores de DeepMind, otra división de Alphabet dedicada a la IA, para encontrar un proceso más eficiente para entrenar y ajustar los algoritmos de conducción autónoma de la empresa.

Usaron una técnica llamada entrenamiento basado en la población (PBT), previamente desarrollado por DeepMind para perfeccionar algoritmos de videojuegos. PBT, que se inspira en la evolución biológica, acelera la selección de algoritmos y parámetros de aprendizaje automático para una tarea en particular al hacer que el código candidato se extraiga de los especímenes más aptos (los que realizan una tarea determinada de manera más eficiente) en una población algorítmica.

Refinar los algoritmos de IA de esta manera también puede ayudar a dar una ventaja a Waymo. Los algoritmos que guían a los automóviles autónomos deben volver a entrenarse y calibrarse a medida que los vehículos recopilan más datos y se implementan en nuevas ubicaciones. Docenas de empresas compiten para demostrar la mejor tecnología de conducción autónoma en carreteras reales. Waymo está explorando varias otras formas de automatizar y acelerar el desarrollo de sus algoritmos de aprendizaje automático.

De hecho, los métodos más eficientes para volver a entrenar el código de aprendizaje automático deberían permitir que la IA sea flexible y útil en diferentes contextos.

Uno de los desafíos clave para cualquier persona que realice aprendizaje automático en un sistema industrial es poder reconstruir el sistema para aprovechar el nuevo código, dice Matthieu Devin, director de infraestructura de aprendizaje automático en Waymo. Necesitamos volver a entrenar constantemente la red y reescribir nuestro código. Y cuando vuelva a entrenar, es posible que deba modificar sus parámetros.

Los automóviles autónomos modernos están controlados por una combinación de algoritmos y técnicas casi Rube Goldberg. Se utilizan numerosos algoritmos de aprendizaje automático para detectar líneas de carreteras, señales, otros vehículos y peatones en los datos de los sensores. Estos funcionan en conjunto con el código convencional o escrito a mano para controlar el vehículo y responder a diferentes eventualidades. Cada nueva iteración de un sistema de conducción autónoma debe probarse rigurosamente en simulación.

Los vehículos autónomos de hoy en día dependen en gran medida del aprendizaje profundo, en particular. Pero configurar una red neuronal profunda con las propiedades y parámetros correctos (los valores que están codificados al principio) es un arte complicado. Las redes y los parámetros candidatos se seleccionan en su mayoría manualmente, lo que requiere mucho tiempo, o se modifican al azar por una computadora, lo que requiere mucha potencia de procesamiento.

En Waymo entrenamos toneladas de redes neuronales diferentes, y los investigadores dedican mucho tiempo a descubrir cómo entrenar mejor estas redes neuronales, dice Yu-hsin (Joyce) Chen, ingeniero de infraestructura de aprendizaje automático en Waymo. Lo necesitábamos y simplemente aprovechamos la oportunidad.

Chen dice que su equipo ahora está usando PBT para mejorar el desarrollo del código de aprendizaje profundo que se usa para detectar marcas de carriles, vehículos y peatones, y para verificar la precisión de los datos etiquetados que se alimentan a otros algoritmos de aprendizaje automático. Ella dice que PBT ha reducido la potencia de la computadora requerida para volver a entrenar una red neuronal a la mitad y ha duplicado o triplicado la velocidad del ciclo de desarrollo.

Google está desarrollando una variedad de técnicas para ayudar a automatizar el proceso de entrenamiento de modelos de aprendizaje automático y ya ofrece algunas de ellas a los clientes a través de un proyecto conocido como ML automático en la nube . Sin duda, hacer que la capacitación en IA sea más eficiente y automatizada resultará crucial para los esfuerzos por comercializar y beneficiarse de la tecnología.

Oriol Vinyals, científico investigador principal de DeepMind y uno de los inventores de PBT, dice que la idea de usar PBT en Waymo surgió cuando estaba visitando Devin. DeepMind desarrolló la técnica por primera vez en 2017 como una forma de acelerar el entrenamiento de las redes neuronales, luego la usó para ayudar a una computadora a jugar StarCraft II, un videojuego de combate que es especialmente desafiante para las máquinas (ver Innovadores menores de 35, 2016). La colaboración de DeepMind con Waymo comenzó antes de que publicara su investigación de StarCraft en enero de 2019.

El proceso similar a la evolución empleado en PBT también facilita la comprensión de cómo se ha ajustado y optimizado un algoritmo de aprendizaje profundo, con algo que se asemeja a un árbol genealógico. Una de las cosas interesantes es que puedes visualizar la evolución de los parámetros, dice Vinyals. Es una buena manera de verificar que lo que sucede realmente tiene sentido para ti.

Actualizado el 29 de julio para reflejar el hecho de que PBT se desarrolló antes de que DeepMind comenzara a trabajar en StarCraft II.

esconder