Трактор, который «умнее» человека: Cognitive Pilot модернизировала архитектуру нейросети для автопилота
Российская компания Cognitive Pilot, специализирующаяся на разработке систем искусственного интеллекта для автоматизации сельхозтехники и рельсового транспорта, провела масштабное обновление архитектуры своей нейронной сети. Подробности модернизации разработчики предоставили редакции «Инк.». Они утверждают, что по некоторым параметрам система теперь превосходит человеческие возможности.
По данным компании, усовершенствованная система CognitiveNet продемонстрировала значительный рост ключевых показателей: точность распознавания объектов увеличилась более чем в 10 раз, количество распознаваемых категорий возросло в два раза, а общая производительность системы улучшилась на 40%.
Ведущий разработчик Cognitive Pilot Геннадий Савицкий пояснил, что компания разработала собственный подход к оптимизации архитектуры нейронной сети, который отличается от методов, используемых такими компаниями, как Tesla и Google.
Вместо традиционного сбора и обработки огромных массивов данных специалисты Cognitive Pilot сделали акцент на интеллектуальном отборе информации, применяя современные аналитические методы, включая TSNE (t-распределенное стохастическое вложение соседей, чтобы сбалансировать глобальные и локальные аспекты данных) и OOD-анализ (обнаружение выбросов), который дает возможность фокусироваться на реальных объектах.
Такой подход позволил создавать обучающие выборки, исключая избыточность данных и добиваясь высокой эффективности при минимальных вычислительных затратах.
Новая архитектура CognitiveNet основана на многозадачной трансформерной модели с несколькими специализированными модулями. Каждый модуль отвечает за решение конкретных задач: определение границ поля, обнаружение препятствий, оценку проходимости территории и другие функции.
По словам разработчиков, совместное обучение этих модулей создало эффект синергии, в результате чего система приобрела новые, не запрограммированные изначально возможности (эмерджентные свойства).
Савицкий отметил, что усовершенствованная система демонстрирует беспрецедентную точность в распознавании объектов. Она способна идентифицировать даже мелкие объекты, такие как птицы в посевах или небольшие предметы на рельсах, что превышает возможности человеческого восприятия при анализе видеопотока в реальном времени.
Важным улучшением стала реализация продвинутых алгоритмов определения границ объектов, что снизило ошибки локализации более чем в 10 раз. Система теперь точнее определяет контуры объектов и минимизирует ложные срабатывания. Кроме того, в CognitiveNet внедрены механизмы самодиагностики, позволяющие системе оценивать надежность своих прогнозов и при необходимости запрашивать дополнительную обработку данных или вмешательство оператора-человека.
Дополнительным преимуществом обновления стало снижение требований к вычислительным ресурсам при одновременном росте производительности на 40%, что делает решение более экономичным для промышленного внедрения. По словам разработчиков, это достигнуто благодаря оптимизированным алгоритмам передачи знаний между слоями нейросети, которые улучшают предсказания без увеличения нагрузки на оборудование.
Савицкий добавил, что подход Cognitive Pilot обеспечивает большую прозрачность и контролируемость по сравнению с полностью сквозными (end-to-end) решениями, позволяя вносить коррективы для повышения надежности системы. Это особенно значимо для задач автопилотирования, где критически важны безопасность и предсказуемость работы алгоритмов.
