Новая технология позволяющая решать одновременно множество задач в ИИ-решениях

При обучении нейронных сетей специалисты сталкиваются с похожими ситуациями. Если перед решением конкретных задач нейронные сети аналогично обучить на очень большом объеме данных восприятию основных, необходимых для осознания действительности изображений с целью научиться классифицировать представленные на них различные сцены – темные, светлые, внутри помещения, вне и т.п. (их оказывается порядка 28 млн.), то сеть начинает понимать, что такое объект, во всем разнообразии, и в итоге действительно учится воспринимать мир. Кроме того, общий энкодер такой сети выделяет семантику сцены на изображении, которое подается на вход сети и может быть использован сразу для многих задач.

В используемых сегодня компанией промышленных продуктах Cognitive Agro Pilot для автономного управления комбайном и трактором одна нейронная сеть позволяет решать одновременно 4 задачи: определение кромки поля, детекция препятствий (людей, другой техники), распознавание зон, где вождение возможно и невозможно (аварийно) и распознавание полегшей культуры.

В условиях одной сети решить эти задачи одновременно невозможно, так как они начинают друг другу противоречить. «Представьте, что на пути комбайна есть препятствие, например, другой комбайн, - продолжает Минкин. - Он закрывает границу, закрывает кромку. На этом месте получается пятно. Поскольку автопилот ориентируется по кромке, то происходит сбой. В результате, качество основной задачи падает. А у нас все происходит, как у человека, одновременно. Одна голова сети строит границу участка, как бы без учета препятствия, как будто его нет. Другая, наоборот, детектирует препятствие. Третья определяет зоны, где вождение разрешается, и где запрещено. Четвертая, работает с полегшей культурой».

В применении Cognitive Veles для рельсового транспорта специалистами Cognitive Pilot также реализована 4-х задачная архитектура: детектирование объектов дорожной сцены, 3D- детектирование, сегментация (выделение полосы движения) и трекинг (построение траектории движения объекта). А в проектах R&D специалисты компании проводят тесты уже на десятках задач.

Уникальность технологии Cognitive Veles состоит в особенностях обучения нейронной сети.

«Основная проблема разработчиков в использовании многозадачности, состоит в том, как обеспечить сходимость нейронной сети, рассказывает Минкин.

«Нам не надо размечать датасеты на полный объем данных. Мы проводим обучение на неполных данных». Используемые Cognitive Pilot датасеты содержат более миллиона кадров, и, если их размечать (выделять на изображении отдельные объекты и классифицировать их; например, этот объект – препятствие, этот - кромка поля, этот - полегшая культура и т.д.) полностью, ушли бы месяцы или даже годы, тогда как сейчас полная разметка не требуется. При многозадачной архитектуре нейронной сети Cognitive Veles специалистам достаточно проводить лишь частичную разметку, например, только по одному типу объектов. С такими неполными (не полностью размеченными) данными Cognitive Veles справляется успешно. Применение Cognitive Veles позволило компании значительно экономить трудозатраты разработчиков.

Для таких случаев в рамках технологии специалисты компании придумали обучать нейронные сети по, так называемому, «школьному принципу». «Дети в начальной школе изучают несколько предметов одновременно, получая по чуть-чуть знаний поочередно по каждому из них – математике, чтению и другим, а не проходят полностью каждую из этих дисциплин, от начала и до конца. Так и мы, поитерационно учим сеть на разных датасетах с неполными данными – например, сначала только по тем, где размечены препятствия, потом только по тем, где кромка поля и т.д., по очереди переключая их с одного на другой», - комментирует Юрий Минкин.

Важно отметить, что такой подход, кроме того, позволил разработчикам избежать опасного эффекта при использовании нейронных сетей - «катастрофического забывания». Известно, что при более детальном и длительном обучении на одной задаче сеть имеет свойство забывать приобретенный вначале обучения опыт, при переключении на другую задачу. В режиме короткого поитерационного обучения, реализованного в Cognitive Veles такой эффект не проявляется.

В настоящее время специалисты компании работают над возможностью использования в промышленных решениях не всех, а отдельных групп узлов нейросети (разреженная нейросеть), что позволит еще до 20-25% оптимизировать вычислительные ресурсы и время обработки данных.

«Мы изначально придерживались антропоморфного подхода в создании своих ИИ-решений. Поэтому идея повышения эффективности нашего ИИ за счет возможности решения нескольких задач одновременно, за счет его тренировки на разных задачах, для нас лежала на поверхности. Мы были в числе первых, кто начал применять этот подход, - говорит генеральный директор Cognitive Pilot Ольга Ускова. - Сегодня мы уже рассматриваем возможности одновременного решения десятков и сотен различных задач. Пытаемся тренировать нейронки сначала на творческих задачах, например, классификации художественных картин, а потом те же базовые энкодеры использовать в распознавании объектов агро или дорожной сцены и это дает реальный эффект. Как и мозг человека, натренированный на одних задачах, значительно лучше справляется с проблемами в других областях, чем ненатренированный. Сегодня это доминирующий тренд в создании ИИ».