نظام جديد يساعد البشر على توقّع أخطاء السيارات الذاتية القيادة
0
0
غالباً ما تعتمد السيارات الذاتية القيادة على نماذج تعلّم عميق لاتخاذ قراراتها، إلا أن هذه النماذج قد تتصرف بشكل غير متوقع في بعض المواقف. فقد تتوقف السيارة فجأة ومن دون سبب واضح، لتعوق مثلًا مسار مركبة طوارئ قادمة، ما يفرض على السائق أو الراكب التدخل بسرعة لتجنب وقوع حادث.
ولمساعدة البشر على فهم أخطاء السيارات الذاتية القيادة والتنبؤ بها بشكل أفضل، طوّر باحثون من معهد ماساتشوستس للتكنولوجيا (MIT)، بالتعاون مع شركة Motional المتخصصة في تقنيات المركبات الذاتية القيادة، طريقة جديدة تتيح تقديم تفسيراتٍ واضحة للقرارات التي تتخذها نماذج الذكاء الاصطناعي المسؤولة عن قيادة السيارة.
عادةً ما تكون آلية اتخاذ القرار داخل نماذج التعلّم العميق غير واضحة، إذ يصعب فهم الطريقة التي تصل بها هذه النماذج إلى قراراتها. لكن الطريقة الجديدة، التي تحمل اسم “Concept-Wrapper Network” أو “CW-Net”، تحوّل عملية اتخاذ القرار الداخلية إلى مفاهيم مفهومة تشرح سلوك السيارة، من دون التأثير في أدائها أثناء القيادة.
وتفسّر CW-Net قرارات أنظمة التخطيط المعتمدة على تعلّم الآلة من خلال مفاهيم واضحة، مثل “الاقتراب من مركبة متوقفة” أو “وجود درّاج على مسافة قريبة”. ويمكن لهذه التفسيرات أن تصحح التصورات الخاطئة لدى السائقين والركاب بشأن سبب تصرف السيارة، وأن تعزز قدرتهم على فهم ما يحدث حولهم واتخاذ القرار المناسب في الوقت المناسب.
وخلال اختبارات أُجريت، ساعدت التفسيرات التي قدمتها CW-Net سائقي السلامة على التنبؤ بسلوك السيارة بدرجة أكبر من الدقة. كما أظهرت دراسة محاكاة أوسع شملت أشخاصاً من غير المتخصصين نتائج مشابهة.
ويرى الباحثون أن هذه التقنية يمكن أن توفر للمهندسين معلومات مهمة أثناء اختبار أنظمة الذكاء الاصطناعي داخل السيارات ومعالجة الأخطاء التي قد تظهر فيها. وعلى المدى الأبعد، قد تساهم في تعزيز سلامة المركبات الذاتية القيادة وشفافيتها، إلى جانب بناء مستوى أكثر ملاءمة من الثقة لدى السائقين والركاب.
تفسيرات تحافظ على دقة القرار
تعمل أنظمة التخطيط القائمة على تعلّم الآلة بمثابة “عقل” السيارة الذاتية القيادة. فهي تعالج البيانات القادمة من الكاميرات وأجهزة الاستشعار، وتبني تصوراً عن البيئة المحيطة بالمركبة، ثم تحدد الإجراء التالي وتنتج المسار الذي ينبغي للسيارة اتباعه.
لكن هذه الأنظمة تكون عادةً عبارة عن نماذج “الصندوق الأسود”، أي أن آلية اتخاذ القرار داخلها معقدة إلى درجة تجعل من الصعب معرفة سبب اتخاذ السيارة قراراً معيناً، مثل التوقف المفاجئ من دون وجود عائق واضح.
وصمّم الباحثون CW-Net لتقديم تفسير مفهوم لقرارات السيارة، مع الحفاظ في الوقت نفسه على ارتباط هذه التفسيرات بالأسباب الفعلية التي دفعت النموذج إلى اتخاذ القرار.
وبهذه الطريقة، تضمن CW-Net أن تكون المفاهيم المستخدمة في الشرح مرتبطة بالفعل بالقرار الذي تتخذه السيارة. وفي الوقت نفسه، تستخدم الشبكة هذه المفاهيم لإنتاج تفسيرات واضحة في الوقت الفعلي، إلى جانب المسار الذي ستسلكه المركبة.
وتوفير هذه البيانات في الوقت الفعلي يتيح بدلًا من الاكتفاء بالتساؤل عن سبب توقف السيارة، اختبار النظام أثناء تشغيله، كما يمكن مشاركة هذه البيانات مع المهندسين لمساعدتهم في تحسين النظام.
وأظهرت التجارب أن التفسيرات التي قدمتها CW-Net ساعدت السائقين على التنبؤ بشكل أفضل بكيفية تصرف السيارة في المواقف غير المتوقعة.
