Jaringan Terdesentralisasi Siap Mendorong Kendaraan Otonom

Jaringan intelijen terdesentralisasi dapat menjadi kunci untuk membuat mobil self‑driving lebih pintar dan lebih aman. Banyak yang melihat kendaraan ini sebagai masa depan perjalanan. Namun, masih ada beberapa masalah yang harus dipecahkan oleh produsen dan regulator.

Pembelajaran Terfederasi

Salah satu cara yang ditemukan produsen untuk meningkatkan kinerja self‑driving kendaraan mereka adalah dengan memungkinkan mobil mereka berbagi data ini menggunakan sistem yang disebut pembelajaran terfederasi. Pembelajaran Terfederasi (FL) adalah pendekatan pembelajaran mesin terdistribusi di mana kendaraan individu melatih model secara lokal dan hanya berbagi pembaruan model dengan server pusat. Pendekatan ini menjaga privasi data dengan menyimpan data sensor mentah di kendaraan itu sendiri alih‑alih mengirimnya ke server pusat. Data tersebut digunakan untuk melatih model bersama bagi ekosistem.

Masalah dengan Pembelajaran Terfederasi

Masalah utama dengan sistem Pembelajaran Terfederasi adalah Anda memerlukan koneksi langsung ke server. Jika Anda sering bepergian dengan kendaraan listrik Anda, kemungkinan koneksi internet Anda akan bervariasi tergantung pada lokasi Anda. Skenario ini dapat menyebabkan kendaraan Anda melewatkan pembaruan.

Sumber – Teslaroti

Pembelajaran Terfederasi Terdesentralisasi (DFL)

Sistem Pembelajaran Terfederasi Terdesentralisasi (DFL) menghilangkan ketergantungan pada server pusat dengan memungkinkan kendaraan menukar model AI secara langsung melalui komunikasi peer‑to‑peer. Sistem ini dapat mengirim data yang dikumpulkan langsung antar kendaraan. Pengaturan ini memungkinkan lebih banyak berbagi tetapi masih memiliki beberapa masalah yang dapat membuat kendaraan terputus dari jaringan.

Untuk satu hal, kendaraan Anda harus bertemu dengan kendaraan lain dalam jaringan pembelajaran terfederasi agar sistem berfungsi dengan baik. Ketika beroperasi di area luas atau kota yang padat, peluang bertemu satu sama lain menjadi jauh lebih kecil, sehingga data kendaraan menjadi usang sebelum dikirim ke yang lain. Selain itu, sistem ini hanya mentransfer data yang dikumpulkan secara pribadi melalui interaksi terbatas.

Kekhawatiran Privasi

Isu utama lainnya pada sistem pembelajaran terfederasi terdesentralisasi adalah kekhawatiran privasi. Ketika ada server pusat, mudah menentukan siapa yang bertanggung jawab atas data pribadi atau sensitif. Namun, dalam jaringan terdesentralisasi, tanggung jawab jatuh pada masing‑masing individu. Struktur ini membuat banyak orang khawatir akan pelanggaran atau penyalahgunaan privasi.

Studi Jaringan Intelijen Terdesentralisasi

Sebuah tim insinyur memperkenalkan solusi baru untuk masalah yang dihadapi jaringan ini yang disebut Pembelajaran Terfederasi Terdesentralisasi dengan Cache (Cached-DFL). Sistem berbagi data kendaraan yang ditingkatkan ini diumumkan pada Konferensi Asosiasi untuk Kemajuan Kecerdasan Buatan tahun ini.

Para insinyur memperkenalkan metode berbagi data EV yang menyerupai media sosial, di mana setiap kendaraan dapat saling mengirim data secara bebas. Pendekatan Cached-DFL memanfaatkan komunikasi perangkat‑ke‑perangkat berkecepatan tinggi, dengan jangkauan hingga 100 meter dalam kondisi optimal. Namun, efektivitas di dunia nyata bergantung pada faktor seperti kecepatan kendaraan, interferensi lingkungan, dan stabilitas konektivitas. Kendaraan yang bergerak berlawanan arah dengan kecepatan tinggi mungkin hanya memiliki jendela singkat untuk pertukaran data. Pendekatan ini akan meningkatkan kemampuan kendaraan untuk mempersiapkan kondisi jalan yang berubah, bahaya, dan pembatasan lainnya.

Pembelajaran Terfederasi Terdesentralisasi dengan Cache (Cached-DFL)

Konsep Cached Decentralized Federated Learning (Cached-DFL) berfokus pada membangun jaringan di mana konektivitas intermiten diharapkan, bukan dihindari. Sebagai bagian dari pendekatan ini, para insinyur memastikan setiap kendaraan dapat menyimpan dan meneruskan data secara mandiri ketika tersedia.

Setiap kendaraan melatih model AI miliknya dalam pengaturan ini. Data dari model AI mencakup detail penting seperti kondisi jalan, sinyal, dan rintangan. Data tersebut kemudian secara otomatis diteruskan ke kendaraan lain ketika mereka masuk ke jangkauan transmisi.

Mekanisme Transfer Multi‑hop

Setiap kendaraan berfungsi sebagai relay dalam pengaturan ini. Ia menyimpan datanya bersama 10 model eksternal lain yang dipertukarkan antar kendaraan. Penting untuk disebutkan bahwa sistem ini mentransfer model AI yang telah dilatih, bukan data asli, seperti pendahulunya. Strategi ini meningkatkan kinerja.

Secara khusus, kendaraan berbagi model AI terbaru saat berinteraksi. Dalam pendekatan ini, semua informasi usang dihilangkan sebelum dapat menurunkan kinerja. Sistem memprioritaskan model AI yang lebih baru daripada yang lama, dengan pembaruan terjadi berdasarkan pertemuan kendaraan, bukan interval tetap 20 detik. Cached-DFL menggunakan ambang batas keusangan (τmax), biasanya ditetapkan pada 10 atau 20 epoch, untuk membuang model usang dan memastikan relevansi dalam pembelajaran terdesentralisasi.

Belajar dari Lainnya

Keuntungan utama sistem ini adalah memungkinkan kendaraan Anda belajar dari pertemuan kendaraan lain. Strategi ini juga mempercepat kecepatan berbagi data relevan di seluruh jaringan. Sistem memperhitungkan keadaan jaringan yang intermiten pada saat ini, memungkinkan pengemudi mengakses data di luar interaksi langsung mereka.

Uji Jaringan Intelijen Terdesentralisasi

Tim peneliti menguji teori mereka menggunakan simulasi komputer. Para insinyur membuat Manhattan virtual dan mengatur EV digital mereka untuk melaju di berbagai jalurnya. Kendaraan bergerak dengan kecepatan 14 meter per detik. Menariknya, simulasi dirancang sehingga setiap kendaraan membuat pilihan acak 50/50 di setiap persimpangan. Pendekatan ini memungkinkan setiap kendaraan menciptakan model unik dan membagikannya.

Hasil Uji Jaringan Intelijen Terdesentralisasi

Hasil uji memberikan gambaran bagaimana sistem ini dapat meningkatkan EV di masa depan. Diperlihatkan bahwa banyak faktor yang berperan dalam akurasi dan ketepatan waktu data yang digunakan untuk membuat model EV serta cara data tersebut dibuat dan dibagikan.

Uji menunjukkan bahwa semakin sering kendaraan bertemu satu sama lain, semakin baik kinerjanya. Selain itu, sistem terbukti ideal untuk berbagi data tepat waktu di jaringan besar EV yang dikelola secara privat. Tim mencatat bahwa data kunci seperti kecepatan, ukuran cache, dan kedaluwarsa model semuanya berperan dalam efisiensi pembelajaran.

Manfaat Jaringan Intelijen Terdesentralisasi

Ada banyak manfaat dari pendekatan Cached-DFL. Pertama, pendekatan ini jauh lebih efisien dalam hal propagasi data. Peneliti dapat memastikan mayoritas kendaraan dalam simulasi mereka memiliki model tepat waktu dibandingkan sistem pendahulu yang dapat membuat kendaraan menjalankan model usang selama berminggu‑minggu.

Sistem ini menyediakan jalur andal bagi mobil self‑driving untuk belajar secara kolektif dan mengajarkan satu sama lain menjadi pengemudi yang lebih baik. Karena metode ini memperhitungkan fakta bahwa kendaraan Anda tidak akan memiliki waktu aktif 100 %, ia sangat cocok untuk penggunaan dunia nyata dan dapat menjadi alat berharga yang digunakan produsen untuk memprogram armada lebih cepat.

Berbagi Data

Gabungan manfaat jaringan terdesentralisasi dengan kemampuan berbagi dan menyimpan hingga 10 model AI menjadi pengubah permainan. Hal ini memungkinkan model bergerak secara tidak langsung melalui jaringan untuk memastikan semua kendaraan memiliki akses ke data paling penting. Selain itu, sistem secara otomatis memprioritaskan informasi paling relevan dari berbagai model yang berasal dari wilayah berbeda, meningkatkan relevansinya.

Data Terbuka

Manfaat utama lain dari riset ini adalah keputusan untuk membuat data dibuka untuk semua orang melalui file Github. Keputusan ini akan meningkatkan inovasi dan memungkinkan peneliti lain memperluas temuan mereka. Insinyur dapat menemukan contoh, tes, file cache, laporan teknis, dan lainnya.

Aplikasi Jaringan Intelijen Terdesentralisasi

Ada aplikasi luas untuk teknologi ini yang melampaui sektor EV. Di mana pun Anda memiliki armada kendaraan otonom, teknologi ini pasti memberikan dampak. Beberapa area kunci yang diteliti meliputi drone, robot, dan satelit.

Peneliti Jaringan Intelijen Terdesentralisasi

Studi Cached-DFL diprakarsai oleh tim insinyur dari NYU yang dipimpin oleh Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li, dan Houwei Cao. Kelompok ini menerima dukungan finansial berupa beberapa hibah National Science Foundation dan program Resilient & Intelligent NextG Systems (RINGS).

Perusahaan yang Memimpin Perlombaan Teknologi Kendaraan Otonom

Perlombaan untuk menempatkan kendaraan otonom di jalan sedang berlangsung dengan penuh semangat. Produsen terus mendekati kendaraan sepenuhnya otonom setiap tahun. Namun, tugas monumental ini memerlukan banyak sumber daya, teknologi, dan jaringan pemasok yang luas. Akibatnya, hanya beberapa pemain kunci yang mendominasi pasar saat ini. Berikut satu perusahaan yang memimpin revolusi kendaraan otonom.

Uber Technologies, Inc.

Uber (UBER ) memasuki pasar pada tahun 2009 dan berbasis di San Francisco, CA. Ini adalah aplikasi ride‑sharing terdesentralisasi pertama yang meraih popularitas. Pendiri aplikasi ini adalah Oscar Salazar Gaitan, Travis Kalanick, dan Garrett Camp. Visi mereka tentang ekonomi ride‑sharing terdesentralisasi telah mengubah pasar selamanya.

Ketika Anda memikirkan Uber, pikiran pertama biasanya bukan taksi robot. Sebaliknya, Anda mungkin membayangkan seseorang yang tiba dengan kendaraan pribadi untuk memberi Anda tumpangan. Namun, semua itu mungkin berubah di masa depan karena Uber merupakan salah satu pendukung terbesar teknologi kendaraan otonom, dengan menjalin kemitraan bersama inovator terkemuka seperti Waymo.

Perusahaan ini telah menempatkan Uber otonom di jalan untuk pengujian di beberapa kota, termasuk usaha terbaru mereka di Austin, Texas. Sebagai bagian dari pendekatan ini, perusahaan bermitra dengan Waymo milik Alphabet , memungkinkan pelanggan Uber di wilayah Austin meningkatkan ke Jaguar I‑PACE listrik SUV otonom tanpa biaya tambahan.

Saat ini, Uber mendominasi pasar ride‑sharing dan telah merambah ke sektor lain, seperti logistik, pengantaran makanan, dan lainnya. Perusahaan ini mempekerjakan lebih dari 31.100 orang. Banyak yang melihat Uber sebagai tambahan cerdas untuk portofolio mana pun karena posisinya, sejarahnya, dan semangat inovatifnya.

Terbaru tentang Uber Technologies, Inc.

Jaringan Intelijen Terdesentralisasi – Menggerakkan Perjalanan Masa Depan

Mobil pintar membutuhkan sistem pintar. Akibatnya, permintaan akan jaringan intelijen terdesentralisasi akan meningkat dalam bulan dan tahun mendatang. Sistem ini akan memungkinkan kendaraan meningkatkan kemampuan mengemudi otonom mereka dan memungkinkan mobil self‑driving meningkatkan kinerja, menjelajah lebih jauh, serta menyediakan data berguna bagi yang lain.

Pelajari Proyek Pembelajaran Mesin Lainnya Sekarang

Referensi Studi:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Decentralized federated learning with model caching on mobile agents [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}