Wetenschap
Met behulp van bewerkte afbeeldingen, algoritmen leren de echte omgeving voor autonoom rijden te herkennen. Krediet:begrijp.ai
Autonome auto's moeten hun omgeving waarheidsgetrouw waarnemen. De bijbehorende algoritmen worden getraind met behulp van een groot aantal beeld- en video-opnames. Om ervoor te zorgen dat het algoritme afzonderlijke afbeeldingselementen herkent, zoals een boom, een voetganger of een verkeersbord, deze zijn gelabeld. Etikettering is verbeterd en versneld door begrijpelijk.ai, een startup opgericht door computerwetenschapper Philip Kessler, die studeerde aan het Karlsruhe Institute of Technology (KIT), en zijn mede-oprichter Marc Mengler.
"Een algoritme leert door voorbeelden en hoe meer voorbeelden er zijn, hoe beter het leert, " zegt Philip Kessler. Om deze reden, auto-industrie heeft een grote hoeveelheid video- en beeldmateriaal nodig in machine learning voor autonoom rijden. Tot dusver, objecten op de afbeeldingen zijn handmatig gelabeld door menselijke medewerkers. "Grote bedrijven, zoals Tesla, voor dit doel duizenden werknemers in Nigeria of India in dienst hebben. Het proces is lastig en tijdrovend, " legt Kessler uit. "Wij bij begrijpen.ai gebruiken kunstmatige intelligentie om het labelen tot tien keer sneller en nauwkeuriger te maken, " voegt hij eraan toe. Hoewel beeldverwerking in grote delen sterk geautomatiseerd is, de uiteindelijke kwaliteitscontrole wordt gedaan door mensen. De combinatie van technologie en menselijke zorg is vooral belangrijk voor veiligheidskritieke activiteiten, zoals autonoom rijden, " zegt de oprichter van begrijpelijk.ai. De etikettering, ook wel annotaties genoemd, in de afbeelding en videobestanden moeten met pixelnauwkeurigheid overeenkomen met de echte omgeving. Hoe beter de kwaliteit van de verwerkte beeldgegevens, des te beter is het algoritme dat deze gegevens gebruikt voor training.
"Omdat niet voor alle situaties trainingsbeelden kunnen worden aangeleverd, zoals ongelukken, we bieden nu ook simulaties aan op basis van echte data, ", zegt Kessler. Hoewel de startup zich richt op autonoom rijden, het is ook van plan om in de toekomst beeldgegevens te verwerken voor trainingsalgoritmen om tumoren te detecteren of om luchtfoto's te evalueren. Toonaangevende autofabrikanten en leveranciers in Duitsland en de VS behoren tot de klanten van de startup die in 2017 door Kessler en Marc Mengler is opgericht. Het hoofdkantoor van het bedrijf is gevestigd in Karlsruhe. Een deel van de meer dan 50 medewerkers werkt op kantoren in Berlijn en San Francisco. in 2018, de startup kreeg van een groep particuliere investeerders een startup-financiering van 2,8 miljoen dollar.
In 2012, Kessler, geboren in Braunschweig, begon informatica te studeren aan het KIT, waar hij geïnteresseerd raakte in kunstmatige intelligentie en autonoom rijden bij het ontwikkelen van een autonoom modelauto in de KITCar-studentengroep. Hij overwoog werk in de PionierGarage universiteitsgroep voor studentondernemers en zijn eenjarige verblijf bij Mercedes Research in Silicon Valley, waar hij zich richtte op machine learning en data-analyse, "zeer motiverend" voor het opzetten van zijn eigen bedrijf.
“Nergens anders leer je in een kort tijdsbestek meer dan in een startup. de interesse van grote bedrijven om samen te werken met startups aanzienlijk toegenomen, zegt de 26-jarige oprichter. Hij denkt dat Duitsland slaapwandelde door de eerste golf van kunstmatige intelligentie, waarin het voornamelijk werd gebruikt in entertainmentapparaten en consumentenproducten. "In de tweede golf waarin kunstmatige intelligentie wordt toegepast in industrie en technologie, Duitsland zal zijn potentieel kunnen benutten, ' zegt Kessler.
Wetenschap © https://nl.scienceaq.com