தன்னியக்க கார்களின் முடிவுகளை விளக்கும் புதிய AI கருவி: CW-Net

தன்னியக்க கார்கள் பெரும்பாலும் ஆழ்ந்த கற்றல் மாதிரிகளால் கட்டுப்படுத்தப்படுகின்றன. எதிர்பாராத சூழல்களில் இவை சில நேரங்களில் தோல்வியடையும். எடுத்துக்காட்டாக, ஒரு கார் காரணமின்றி பிரேக் போட்டு, வரும் அவசர வாகனத்தின் பாதையை அடைக்கலாம். எம்ஐடி மற்றும் தன்னியக்க வாகனத் தொழில்நுட்ப நிறுவனமான மோஷனல் ஆராய்ச்சியாளர்கள், கான்செப்ட்-ராப்பர் நெட்வொர்க் (CW-Net) எனும் ஒரு முறையை உருவாக்கியுள்ளனர். இது வாகனத்தின் ஓட்டும் திறனை மாற்றாமல், அதன் முடிவுகளை மனிதர்கள் புரிந்துகொள்ளக்கூடிய கருத்துகள் மூலம் விளக்குகிறது. முன்னாள் எம்ஐடி பின்தொடர் ஆராய்ச்சியாளரும் தற்போது ஜேபி மோர்கன் சேஸ் நிறுவனத்தில் பணிபுரிபவருமான ஈயோய்ன் கென்னி, எம்ஐடி பேராசிரியர் ஜூலி ஷா ஆகியோர் இந்த ஆய்வுக்குத் தலைமை தாங்கினர். இது நேச்சர் இதழில் வெளியிடப்பட்டுள்ளது.

CW-Net ஒரு "கருத்து வகைப்படுத்தி" ஆகும். தன்னியக்க வாகனத்தின் ஏற்கெனவே உள்ள இயந்திரக் கற்றல் திட்ட அமைப்பின் நடுவில் இது பொருத்தப்படுகிறது. மாடலின் உள் தர்க்கத்தை, "நிறுத்தப்பட்ட வாகனத்தை நெருங்குதல்" அல்லது "சைக்கிள் ஓட்டுநருக்கு அருகில்" போன்ற கருத்துகளாக இது மொழிபெயர்க்கிறது. அடுத்து என்ன செய்ய வேண்டும் என்பதை முடிவு செய்யும்போது, திட்ட அமைப்பின் இறுதிக் கட்டத்தை இந்தக் கருத்துகளையே பயன்படுத்தும்படி இது கட்டாயப்படுத்துகிறது. "தன்னியக்க கார்கள் போன்ற உயர் ஆபத்துள்ள சூழல்களில், விளக்கங்கள் தவறாக வழிநடத்தாமல் இருப்பது முக்கியம்" என்று கென்னி தெரிவித்தார். "CW-Net தன் முடிவுகளை எடுக்கும் விதத்தில் காரண-நேர்மையானதாக இருப்பதால், விளக்கங்கள் பற்றிய சில உத்தரவாதங்களை இது தருகிறது" என்றும் அவர் கூறினார்.

130 மில்லியன் லேபிள் இடப்பட்ட தன்னியக்க கார் காட்சிகள் கொண்ட தரவுத்தொகுப்பைப் பயன்படுத்தி, கருத்துகளை அடையாளம் காண CW-Net அமைப்பை ஆராய்ச்சியாளர்கள் பயிற்றுவித்தனர். ஏற்கெனவே உள்ள திட்ட அமைப்புகளின் முடிவுகளைப் பின்பற்றும் வகையில் இது வடிவமைக்கப்பட்டது. இதனால் வாகனத்தின் செயல்திறனுக்கு பாதிப்பு ஏற்படாது. கார் திட்டமிடும் பாதையுடன் சேர்த்து, விளக்கங்களை இந்த மாடியூல் நேரடியாக வெளியிடுகிறது. "கார் ஏன் நின்றது என்று வெறுமனே யோசிப்பதற்குப் பதிலாக, நேரடித் தரவு, செயல்பாட்டின்போது அமைப்பைச் சோதிக்க உதவும் கருத்துத் தெரிவைத் தருகிறது" என்று கென்னி தெரிவித்தார்.

மோஷனல் நிறுவனத்தின் ரோபோடாக்ஸி வாகனத்துடன் ஒரு தனியார் பாதையில் நடத்தப்பட்ட சாலை சோதனைகளில், பாதுகாப்பு ஓட்டுநர் வாகனத்தின் நடத்தையை மேலும் துல்லியமாகக் கணிக்க CW-Net உதவியது. நிபுணத்துவம் இல்லாத பயனர்களுடன் நடத்தப்பட்ட பெரிய சிமுலேஷன் ஆய்வும் இதே போன்ற முடிவுகளைத் தந்தது. ஒரு நிகழ்வில், ஒரு சைக்கிள் ஓட்டுநரை நெருங்கும்போது வாகனம் தொடர்ந்து நின்றது; அது சைக்கிள் ஓட்டுநரைக் கண்டறிந்ததால்தான் நின்றது என பாதுகாப்பு ஓட்டுநர் நினைத்தார். ஆனால் CW-Net அளித்த விளக்கங்கள் வேறு உண்மையை வெளிக்கொணர்ந்தன: மாடல் சைக்கிள் ஓட்டுநரை சரியாகக் கண்டறியவில்லை. மோதலை ஏற்படுத்தியிருக்கக்கூடிய ஒரு பாதையையே அது தேர்ந்தெடுத்திருந்தது. வாகனம் மிக நெருக்கமானபோது அவசர பிரேக் முறை இயங்கியதால் மட்டுமே அது நின்றது.

"ஒரு அமைப்பின் நடத்தை பற்றிய மனிதனின் புரிதலுக்கு விளக்கங்கள் எவ்வாறு துணை புரிகின்றன என்பதை இந்த ஆய்வு காட்டுகிறது. பொறியியலிலும் தொழில்நுட்ப மேம்பாட்டிலும் இதை எவ்வாறு பயன்படுத்தலாம் என்பதையும் இது காட்டுகிறது" என்று ஜூலி ஷா தெரிவித்தார். இவர் எம்ஐடியின் கணினி அறிவியல் மற்றும் செயற்கை நுண்ணறிவு ஆய்வகத்தில் உள்ள ஊடாடும் ரோபாட்டிக்ஸ் குழுவின் இயக்குநர் ஆவார். "இந்தத் தொழில்நுட்பங்களை நம்பகமான, கணிக்கக்கூடிய முறையில் நாம் உருவாக்காதவரை, அவற்றின் பயன்பாடு ஆபத்தான, உறுதியற்ற அடித்தளத்தில் இருக்கும்" என்றும் அவர் கூறினார்.