सक्रिय अधिगम क्या है?

रोबोमोबाइल्स के लिए पर्याप्त प्रशिक्षण डेटा प्राप्त करने के लिए, आपको मैन्युअल रूप से वीडियो को चिह्नित करने वाले लोगों की भीड़ का उपयोग करने की आवश्यकता नहीं है

किसी विशिष्ट विषय पर पुस्तक पढ़ने के बाद, आप उसमें विशेषज्ञ नहीं बनेंगे। उसी किताबों के बारे में बहुत कुछ पढ़कर आप कैसे नहीं बन सकते। ज्ञान के किसी भी क्षेत्र में एक सच्चे पेशेवर बनने के लिए, विभिन्न स्रोतों से बड़ी मात्रा में जानकारी एकत्र करना आवश्यक है।

एआई पर आधारित रोबोट और अन्य तकनीकों के लिए भी यही सच होगा।

रोबोमोबाइल के संचालन के लिए जिम्मेदार गहरे तंत्रिका नेटवर्क के लिए व्यापक प्रशिक्षण की आवश्यकता होती है। उन्हें उन सभी स्थितियों का अध्ययन करने की आवश्यकता होती है जो वे रोजमर्रा की परिस्थितियों में सामना कर सकते हैं, और उन असामान्य मामलों में जिन्हें वे भाग्यशाली होने पर कभी भी सामना नहीं करना पड़ेगा। सफलता की कुंजी यह सुनिश्चित करना है कि उन्हें सही डेटा पर प्रशिक्षित किया जाए।

लेकिन उपयुक्त डेटा क्या है? ये नई या अनिश्चित परिस्थितियाँ हैं, न कि एक ही की निरंतर पुनरावृत्ति।

एक्टिव लर्निंग मशीन लर्निंग के लिए लर्निंग डेटा को चुनने की एक विधि है जो स्वचालित रूप से इस विविध डेटा को खोजती है। इसके अलावा, वह उस समय के एक छोटे से अंश के लिए डेटा सेट एकत्र करता है जो लोगों को इस कार्य को पूरा करने में लेता है।

यह एक प्रशिक्षित मॉडल की मदद से काम करता है, जो एकत्र किए गए आंकड़ों पर निर्भर करता है और उन फ़्रेमों को चिह्नित करता है, जिनकी पहचान में कठिनाई थी। फिर इन फ़्रेमों को लोगों द्वारा चिह्नित किया जाता है। फिर उन्हें प्रशिक्षण डेटा में जोड़ा जाता है। इससे कठिन परिस्थितियों में वस्तु मान्यता जैसी स्थितियों में मॉडल की सटीकता बढ़ जाती है।

डेटा स्टैक में सुई की खोज कैसे करें

रोबोमोबाइल को प्रशिक्षित करने के लिए आवश्यक डेटा राक्षसी है। रैंड कॉर्पोरेशन के विशेषज्ञों का मानना ​​है कि 20% की सटीकता से व्यक्ति को पार करने के लिए कार को 17 बिलियन किमी की यात्रा करनी होगी। ऐसा करने के लिए, वास्तविक दुनिया में 100 कारों के बेड़े को 500 वर्षों तक लगातार ड्राइव करना होगा।

इसके अलावा, सड़क पर ड्राइविंग करते समय प्राप्त सभी डेटा इस कार्य के लिए उपयुक्त नहीं हैं। एक सुरक्षित सवारी की गारंटी के लिए प्रभावी प्रशिक्षण डेटा में विविध और जटिल स्थितियां होनी चाहिए।

यदि लोग इस डेटा को खोजने और चिह्नित करने में लगे हुए थे, तो दिन में 8 घंटे की यात्रा करने वाले 100 कारों के बेड़े द्वारा प्राप्त डेटा को संसाधित करने के लिए एक लाख से अधिक मार्करों के काम की आवश्यकता होगी, जो सभी कारों के सभी कैमरों से डेटा को चिह्नित करने की आवश्यकता है - यह एक असंभव कार्य है। मानव श्रम की लागत के अलावा, डेटा भंडारण और तंत्रिका नेटवर्क कंप्यूटिंग के लिए संसाधन आवंटित करना अव्यावहारिक होगा।

मार्कअप और डेटा अनुमोदन का संयोजन, रोबोट के विकास के लिए एक गंभीर चुनौती है। इस प्रक्रिया में एआई को लागू करके, आप तंत्रिका नेटवर्क की सटीकता को बढ़ाते हुए, प्रशिक्षण पर समय और पैसा बचा सकते हैं।

सक्रिय शिक्षा क्यों

डाकू के प्रशिक्षण तंत्रिका नेटवर्क के लिए डेटा का चयन करने के लिए तीन सामान्य तरीके हैं। यादृच्छिक नमूने नियमित अंतराल पर डेटाबेस से फ़्रेम का चयन करते हैं, जो सबसे सामान्य परिदृश्यों का वर्णन करता है, लेकिन यह दुर्लभ मामलों को याद करने की संभावना है।

मेटाडेटा-आधारित नमूना नमूना डेटा के लिए बुनियादी लेबल (उदाहरण के लिए, "बारिश", "रात") का उपयोग करता है, जिससे सामान्य कठिन परिस्थितियों को ढूंढना आसान हो जाता है, लेकिन अद्वितीय फ़्रेमों को भी आसानी से वर्गीकृत नहीं किया जा सकता है - जैसे कि ट्रैक्टर के साथ ट्रेलर या कूदने वाले व्यक्ति के साथ। सड़क पार करना।


असामान्य परिदृश्य के साथ राजमार्ग (शीर्ष बाएं) पर सामान्य दृश्य की तुलना: रियर व्हील पर एक रात साइकिल चालक, ट्रेलर के साथ एक पिकअप ट्रक, कूदने वालों पर एक पैदल यात्री।

अंत में, मैनुअल नमूनाकरण फ़्रेम देखने वाले लोगों के साथ मेटाडेटा टैग का उपयोग करता है - ऐसा कार्य समय लेने वाली, त्रुटि प्रवण है, और अच्छी तरह से स्केल नहीं करता है।

सक्रिय सीखने से डेटा में मूल्यवान संदर्भ बिंदुओं का चयन करते हुए, फ़्रेम का चयन करने की प्रक्रिया को स्वचालित करना संभव हो जाता है। यह पहले से ही लेबल किए गए डेटा पर एक विशेष तंत्रिका नेटवर्क के प्रशिक्षण के साथ शुरू होता है। उसके बाद, नेटवर्क असंबद्ध डेटा को संसाधित करता है, ऐसे फ़्रेमों का चयन करता है जिन्हें वह पहचान नहीं सकता है - इस प्रकार, यह उन डेटा की खोज करता है जो रोबोमोबाइल एल्गोरिदम के लिए मुश्किल होगा। फिर इन आंकड़ों का अध्ययन और लोगों द्वारा चिह्नित किया जाता है, और प्रशिक्षण डेटा बेस में जोड़ा जाता है।


सक्रिय सीखने का लूप: लेबल किए गए डेटा पर एक मॉडल को प्रशिक्षित करने के लिए, बिना डेटा के चयन करना, मानव श्रम का उपयोग करके चयनित डेटा को चिह्नित करना, डेटाबेस में नए टैग किए गए डेटा को जोड़ना; दोहराएँ।

सक्रिय प्रशिक्षण ने पहले ही डेटा के मैनुअल जोड़ के साथ तुलना में रोबोमोबाइल्स के तंत्रिका नेटवर्क के संचालन की सटीकता को बढ़ाने की क्षमता दिखाई है। हमारे अध्ययन में, हमने पाया कि सक्रिय प्रशिक्षण का उपयोग करते समय सटीकता में वृद्धि मैनुअल डेटा के साथ पैदल यात्री मान्यता के लिए 3 गुना तक और साइकिल चालकों के लिए 4.4 गुना तक सटीकता में वृद्धि से अधिक है।

एक ही समय में, तंत्रिका नेटवर्क के लिए उन्नत प्रशिक्षण विधियाँ, उदाहरण के लिए, सक्रिय शिक्षण, स्थानांतरण अधिगम, और सहयोगी शिक्षण एक विश्वसनीय और स्केलेबल बुनियादी ढाँचे पर सबसे अधिक कुशलता से काम करते हैं जो आपको एक साथ भारी मात्रा में डेटा को संसाधित करने की अनुमति देता है, जिससे विकास चक्र छोटा होता है। इस तरह की क्षमताओं का उपयोग एनवीआईडीआईए जीपीयू क्लाउड परियोजना द्वारा प्रदान किया जाता है, जहां दोनों उल्लिखित प्रशिक्षण उपकरण और रोबोम्बाइल्स के लिए गहरे तंत्रिका नेटवर्क का एक बड़ा पुस्तकालय है।