स्वायत्त वाहनों को आगे बढ़ाने के लिए तैयार विकेंद्रीकृत नेटवर्क

विकेंद्रीकृत इंटेलिजेंस नेटवर्क स्वचालित कारों को अधिक स्मार्ट और सुरक्षित बनाने की कुंजी हो सकते हैं। कई लोग इन वाहनों को यात्रा का भविष्य मानते हैं। हालांकि, अभी भी कई समस्याएँ हैं जिन्हें निर्माताओं और नियामकों को हल करना है।

अपने मूल में, स्वचालित वाहन कोर्स पर बने रहने, बाधाओं से बचने और यात्रियों को सुरक्षित रूप से उनके गंतव्य तक पहुँचाने के लिए सेंसर और अन्य डेटा पर निर्भर होते हैं। इन सेंसर में LiDAR, रडार, थर्मल इमेजिंग और अन्य उन्नत सिस्टम शामिल हो सकते हैं। इन सभी सिस्टमों से एक डेटा फुटप्रिंट बनता है जिसका उपयोग भविष्य में कार के प्रदर्शन को सुधारने के लिए किया जा सकता है।

फेडरेटेड लर्निंग

निर्माताओं ने अपने वाहनों के स्वचालित प्रदर्शन को सुधारने का एक तरीका खोजा है, जिसमें वे अपने कारों को फेडरेटेड लर्निंग नामक प्रणाली का उपयोग करके यह डेटा साझा करने में सक्षम बनाते हैं। फेडरेटेड लर्निंग (FL) एक वितरित मशीन लर्निंग दृष्टिकोण है जहाँ व्यक्तिगत वाहन स्थानीय रूप से मॉडल प्रशिक्षित करते हैं और केवल मॉडल अपडेट को एक केंद्रीय सर्वर के साथ साझा करते हैं। यह दृष्टिकोण डेटा गोपनीयता को बनाए रखता है क्योंकि कच्चा सेंसर डेटा वाहन पर ही रहता है, न कि इसे केंद्रीय सर्वर पर भेजा जाता है। इस डेटा का उपयोग इकोसिस्टम के लिए एक साझा मॉडल को प्रशिक्षित करने में किया जाता है।

फेडरेटेड लर्निंग की समस्याएँ

फेडरेटेड लर्निंग प्रणालियों की मुख्य समस्या यह है कि आपको सर्वर से सीधा कनेक्शन चाहिए। यदि आप अपनी इलेक्ट्रिक वाहन (EV) में बहुत यात्रा करते हैं, तो संभावना है कि आपका इंटरनेट कनेक्शन आपके स्थान के अनुसार बदलता रहेगा। इस स्थिति में आपका वाहन अपडेट्स से चूक सकता है।

स्रोत – Teslaroti

विकेंद्रीकृत फेडरेटेड लर्निंग (DFL)

विकेंद्रीकृत फेडरेटेड लर्निंग (DFL) प्रणालियाँ केंद्रीय सर्वर पर निर्भरता को हटाती हैं, जिससे वाहन पीयर-टू-पीयर संचार के माध्यम से सीधे AI मॉडल का आदान-प्रदान कर सकते हैं। ये प्रणालियाँ एकत्रित डेटा को सीधे वाहनों के बीच पास कर सकती हैं। यह सेटअप अधिक साझा करने की अनुमति देता है, लेकिन फिर भी कुछ समस्याएँ हैं जो एक वाहन को नेटवर्क से बाहर कर सकती हैं।

पहले, आपके वाहन को सिस्टम के सही ढंग से काम करने के लिए अन्य फेडरेटेड लर्निंग नेटवर्क वाहनों से टकराना (मिलना) आवश्यक है। बड़े क्षेत्रों या भीड़भाड़ वाले शहरों में, एक-दूसरे से मिलने की संभावना बहुत कम हो जाती है, जिससे वाहन डेटा पुराना और अप्रचलित हो जाता है इससे पहले कि वह अन्य वाहनों को भेजा जाए। इसके अतिरिक्त, ये प्रणालियाँ केवल सीमित इंटरैक्शन के दौरान व्यक्तिगत रूप से एकत्रित डेटा को ही स्थानांतरित करती हैं।

गोपनीयता संबंधी चिंताएँ

विकेंद्रीकृत फेडरेटेड लर्निंग प्रणालियों में एक और प्रमुख समस्या गोपनीयता संबंधी चिंताएँ हैं। जब आपके पास एक केंद्रीय सर्वर होता है, तो यह निर्धारित करना आसान होता है कि व्यक्तिगत या संवेदनशील डेटा के लिए मुख्य जिम्मेदार कौन है। हालांकि, विकेंद्रीकृत नेटवर्क में जिम्मेदारी व्यक्तियों पर आती है। इस संरचना ने कई लोगों को गोपनीयता उल्लंघन या दुरुपयोग की चिंता में डाल दिया है।

विकेंद्रीकृत इंटेलिजेंस नेटवर्क अध्ययन

इंजीनियरों की एक टीम ने इन नेटवर्कों द्वारा सामना की गई समस्याओं के लिए एक नया समाधान प्रस्तुत किया है, जिसे कैश्ड विकेंद्रीकृत फेडरेटेड लर्निंग (Cached-DFL) कहा जाता है। उन्नत वाहन डेटा साझा करने की प्रणाली इस वर्ष के एसोसिएशन फॉर द एडवांसमेंट ऑफ आर्टिफिशियल इंटेलिजेंस कॉन्फ्रेंस में उजागर की गई।

इंजीनियरों ने एक ऐसी EV डेटा साझा करने की विधि पेश की जो सोशल मीडिया के समान है, जहाँ प्रत्येक वाहन स्वतंत्र रूप से एक-दूसरे के बीच डेटा पास कर सकता है। Cached-DFL दृष्टिकोण उच्च गति वाले डिवाइस-टू-डिवाइस संचार का उपयोग करता है, जो अनुकूल परिस्थितियों में 100 मीटर तक की सीमा रखता है। हालांकि, वास्तविक दुनिया में प्रभावशीलता वाहन की गति, पर्यावरणीय हस्तक्षेप और कनेक्टिविटी स्थिरता जैसे कारकों पर निर्भर करती है। विपरीत दिशाओं में उच्च गति से चलने वाले वाहन डेटा विनिमय के लिए केवल एक संक्षिप्त समयावधि रख सकते हैं। यह दृष्टिकोण वाहन की बदलते सड़क स्थितियों, खतरों और अन्य प्रतिबंधों के लिए तैयार होने की क्षमता को बढ़ाएगा।

कैश्ड विकेंद्रीकृत फेडरेटेड लर्निंग (Cached-DFL)

कैश्ड विकेंद्रीकृत फेडरेटेड लर्निंग (Cached-DFL) अवधारणा एक ऐसे नेटवर्क को बनाने पर केंद्रित है जहाँ अस्थायी कनेक्टिविटी को अपेक्षित माना जाता है, न कि टाला जाता है। इस दृष्टिकोण के हिस्से के रूप में, इंजीनियरों ने सुनिश्चित किया कि प्रत्येक वाहन उपलब्ध होने पर स्वतंत्र रूप से डेटा को संग्रहीत और अग्रेषित कर सके।

इस सेटअप में प्रत्येक वाहन अपना स्वयं का AI मॉडल प्रशिक्षित करता है। AI मॉडल से प्राप्त डेटा में सड़क स्थितियों, संकेतों और बाधाओं जैसी महत्वपूर्ण जानकारी शामिल होती है। यह डेटा तब स्वचालित रूप से अन्य वाहनों को पास कर दिया जाता है जब वे प्रसारण सीमा में प्रवेश करते हैं।

मल्टी-हॉप ट्रांसफ़र मैकेनिज़्म

इस सेटअप में प्रत्येक वाहन एक रिले के रूप में कार्य करता है। यह अपना डेटा 10 अन्य बाहरी मॉडलों के साथ संग्रहीत करता है जो वाहनों के बीच पास होते हैं। यह उल्लेख करना महत्वपूर्ण है कि प्रणाली मूल डेटा के बजाय प्रशिक्षित AI मॉडल को स्थानांतरित करती है, जैसे कि इसके पूर्ववर्तियों ने किया था। यह रणनीति प्रदर्शन को सुधारती है।

विशेष रूप से, जब वाहन आपस में संपर्क करते हैं तो वे सबसे नवीनतम AI मॉडल साझा करते हैं। इस दृष्टिकोण के हिस्से के रूप में, सभी पुरानी जानकारी को हटाया जाता है इससे पहले कि वह प्रदर्शन को घटा सके। विशेष रूप से, प्रणाली पुराने मॉडलों की तुलना में नए AI मॉडलों को प्राथमिकता देती है, और अपडेट वाहन के मिलन के आधार पर होते हैं, न कि निश्चित 20 सेकंड अंतराल पर। Cached-DFL एक स्टेलनेस थ्रेशहोल्ड (τmax) का उपयोग करता है, आमतौर पर 10 या 20 इपॉक्स पर सेट, ताकि पुरानी मॉडलों को हटाया जा सके और विकेंद्रीकृत लर्निंग में प्रासंगिकता सुनिश्चित की जा सके।

दूसरों से सीखें

इस प्रणाली का मुख्य लाभ यह है कि यह आपके वाहन को अन्य वाहनों की मुलाकातों से सीखने की अनुमति देता है। साथ ही, यह रणनीति नेटवर्क में प्रासंगिक डेटा के साझा करने की गति को बढ़ाती है। यह वर्तमान में नेटवर्क की अस्थायी स्थिति को ध्यान में रखती है, जिससे ड्राइवर अपनी तत्काल इंटरैक्शन से परे डेटा तक पहुँच सकते हैं।

विकेंद्रीकृत इंटेलिजेंस नेटवर्क परीक्षण

शोध टीम ने अपने सिद्धांत का परीक्षण कंप्यूटर सिमुलेशन का उपयोग करके किया। इंजीनियरों ने एक वर्चुअल मैनहट्टन सेट किया और अपने डिजिटल EV को कई मार्गों पर चलाया। वाहनों की गति 14 मीटर प्रति सेकंड थी। दिलचस्प बात यह है कि सिमुलेशन इस तरह डिजाइन किया गया था कि प्रत्येक वाहन प्रत्येक चौराहे पर यादृच्छिक 50/50 विकल्प चुनता है। इस दृष्टिकोण ने प्रत्येक वाहन को एक अनूठा मॉडल बनाने और साझा करने की अनुमति दी।

विकेंद्रीकृत इंटेलिजेंस नेटवर्क परीक्षण परिणाम

परीक्षण परिणाम इस बात पर प्रकाश डालते हैं कि यह प्रणाली भविष्य में EV को कैसे सुधार सकती है। यह दर्शाता है कि कई कारक भूमिका निभा सकते हैं कि EV मॉडल बनाने के लिए उपयोग किया गया डेटा कितना सटीक और समय पर है और यह कैसे बनाया और साझा किया जाता है।

परीक्षण ने दिखाया कि जितनी अधिक बार ये वाहन एक-दूसरे से मिलते हैं, प्रदर्शन उतना ही बेहतर होता है। इसके अतिरिक्त, यह सिद्ध हुआ कि प्रणाली निजी रूप से नियंत्रित EV के बड़े नेटवर्क में समय पर डेटा साझा करने के लिए आदर्श थी। टीम ने नोट किया कि गति, कैश आकार, और मॉडल समाप्ति जैसी प्रमुख डेटा सीखने की दक्षता में भूमिका निभाते हैं।

विकेंद्रीकृत इंटेलिजेंस नेटवर्क के लाभ

Cached-DFL दृष्टिकोण के कई लाभ हैं। सबसे पहले, यह डेटा प्रसार के संदर्भ में बहुत अधिक कुशल है। शोधकर्ता यह सुनिश्चित कर सकते हैं कि उनके सिमुलेशन में अधिकांश वाहनों के पास समय पर मॉडल हों, जबकि पूर्ववर्ती प्रणालियों में वाहन कई हफ्तों तक पुराने मॉडल चला सकते थे।

यह प्रणाली स्वचालित कारों को सामूहिक रूप से सीखने और एक-दूसरे को बेहतर ड्राइवर बनने के लिए सिखाने का एक विश्वसनीय मार्ग प्रदान करती है। क्योंकि यह विधि इस तथ्य को ध्यान में रखती है कि आपका वाहन 100% अपटाइम नहीं रखेगा, यह वास्तविक दुनिया में उपयोग के लिए आदर्श रूप से उपयुक्त है और निर्माताओं के लिए बेड़े को तेज़ी से प्रोग्राम करने का एक मूल्यवान उपकरण हो सकता है।

डेटा साझा करना

विकेंद्रीकृत नेटवर्क के लाभों को 10 AI मॉडलों तक साझा करने और संग्रहीत करने की क्षमता के साथ मिलाकर यह एक गेम‑चेंजर बन जाता है। यह मॉडल को नेटवर्क के माध्यम से अप्रत्यक्ष रूप से यात्रा करने की अनुमति देता है ताकि सभी वाहनों को सबसे महत्वपूर्ण डेटा तक पहुँच हो। इसके अतिरिक्त, प्रणाली विभिन्न क्षेत्रों से प्राप्त विभिन्न मॉडलों में से सबसे प्रासंगिक जानकारी को स्वचालित रूप से प्राथमिकता देती है, जिससे इसकी प्रासंगिकता बढ़ती है।

ओपन डेटा

इस शोध का एक और प्रमुख लाभ यह निर्णय है कि डेटा को सभी के लिए Github फ़ाइलों के माध्यम से ओपन किया जाए। यह निर्णय नवाचार को बढ़ाएगा और अन्य शोधकर्ताओं को अपने निष्कर्षों को सुधारने की अनुमति देगा। इंजीनियर उदाहरण, परीक्षण, कैश्ड फ़ाइलें, तकनीकी रिपोर्ट और अधिक पा सकते हैं।

विकेंद्रीकृत इंटेलिजेंस नेटवर्क अनुप्रयोग

इस तकनीक के व्यापक अनुप्रयोग हैं जो EV क्षेत्र से परे हैं। जहाँ भी आप स्वायत्त वाहनों के बेड़े रखते हैं, यह तकनीक निश्चित रूप से अंतर लाएगी। कुछ प्रमुख क्षेत्रों जिनकी शोधकर्ताओं ने जाँच की है, उनमें ड्रोन, रोबोट और उपग्रह शामिल हैं।

विकेंद्रीकृत इंटेलिजेंस नेटवर्क शोधकर्ता

Cached-DFL अध्ययन NYU के इंजीनियरों की एक टीम द्वारा प्रस्तुत किया गया, जिसका नेतृत्व Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li और Houwei Cao ने किया। उल्लेखनीय रूप से, समूह को कई नेशनल साइंस फाउंडेशन अनुदानों और Resilient & Intelligent NextG Systems (RINGS) कार्यक्रम के रूप में वित्तीय समर्थन मिला।

स्वायत्त वाहन तकनीक दौड़ में अग्रणी कंपनियां

स्वायत्त वाहनों को सड़कों पर लाने की दौड़ पूरी गति से चल रही है। निर्माता हर साल पूर्ण स्वायत्त वाहनों के करीब पहुँचते जा रहे हैं। हालांकि, यह विशाल कार्य बहुत सारे संसाधनों, तकनीक और आपूर्तिकर्ताओं के बड़े नेटवर्क की मांग करता है। परिणामस्वरूप, वर्तमान में बाजार में केवल कुछ प्रमुख खिलाड़ी ही प्रभुत्व रखते हैं। यहाँ एक कंपनी है जो स्वायत्त वाहन क्रांति का नेतृत्व कर रही है।

Uber Technologies, Inc.

जबकि Cached-DFL अभी अपने शुरुआती चरणों में है, स्वचालित तकनीक के साथ प्रयोग करने वाली कंपनियां, जैसे Uber, अंततः अपने बेड़ों में विकेंद्रीकृत इंटेलिजेंस नेटवर्क को एकीकृत कर सकती हैं।

Uber (UBER ) ने 2009 में बाजार में प्रवेश किया और इसका मुख्यालय सैन फ्रांसिस्को, कैलिफ़ोर्निया में स्थित है। यह पहला विकेंद्रीकृत राइड‑शेयरिंग ऐप था जिसने प्रसिद्धि प्राप्त की। ऐप के संस्थापक Oscar Salazar Gaitan, Travis Kalanick, और Garrett Camp हैं। विकेंद्रीकृत राइड‑शेयरिंग अर्थव्यवस्था का इसका दृष्टिकोण ने बाजार को हमेशा के लिए बदल दिया है।

जब आप Uber के बारे में सोचते हैं, तो आपका पहला विचार रोबोट टैक्सी नहीं होता। बल्कि, आप संभवतः एक यादृच्छिक व्यक्ति को अपनी निजी वाहन में आपके लिए सवारी देने के रूप में कल्पना करते हैं। हालांकि, भविष्य में यह सब बदल सकता है क्योंकि Uber स्वायत्त वाहन तकनीक के सबसे बड़े समर्थकों में से एक है, जिसने Waymo जैसे प्रमुख नवप्रवर्तकों के साथ साझेदारी स्थापित और समर्थन की है।

कंपनी ने पहले ही कई शहरों में परीक्षण के लिए स्वायत्त Uber को सड़क पर उतारा है, जिसमें ऑस्टिन, टेक्सास में उनका नवीनतम उद्यम शामिल है। इस दृष्टिकोण के हिस्से के रूप में, कंपनी ने Alphabet ‑स्वामित्व वाले Waymo के साथ साझेदारी की, जिससे ऑस्टिन क्षेत्र के Uber ग्राहकों को अतिरिक्त लागत के बिना स्वायत्त Jaguar I‑PACE पूरी तरह इलेक्ट्रिक SUV में अपग्रेड करने की सुविधा मिली।

आज, Uber राइड‑शेयरिंग बाजार में प्रमुख है और लॉजिस्टिक्स, खाद्य वितरण और अन्य क्षेत्रों में भी विस्तार कर चुका है। कंपनी वर्तमान में +31,100 लोगों को रोजगार देती है। कई लोग Uber को उसके स्थान, इतिहास और नवाचारी भावना के कारण किसी भी पोर्टफोलियो में एक समझदार जोड़ मानते हैं।

Uber Technologies, Inc. पर नवीनतम

विकेंद्रीकृत इंटेलिजेंस नेटवर्क – भविष्य की यात्रा को शक्ति प्रदान करना

स्मार्ट कारों को स्मार्ट सिस्टम की आवश्यकता होती है। परिणामस्वरूप, आने वाले महीनों और वर्षों में विकेंद्रीकृत इंटेलिजेंस नेटवर्क की मांग बढ़ेगी। ये सिस्टम वाहनों को उनके स्वायत्त ड्राइविंग क्षमताओं को सुधारने और स्वचालित कारों को प्रदर्शन बढ़ाने, अधिक दूर तक जाने और दूसरों को उपयोगी डेटा प्रदान करने में सक्षम बनाएंगे।

अन्य मशीन लर्निंग प्रोजेक्ट्स के बारे में जानें अब

अध्ययन संदर्भ:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). डिसेंट्रलाइज़्ड फेडरेटेड लर्निंग विद मॉडल कैशिंग ऑन मोबाइल एजेंट्स [सम्मेलन पत्र]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}