Mga Desentralisadong Network na Handang Paunlarin ang mga Autonomous na Sasakyan

Ang mga desentralisadong intelligence network ay maaaring maging susi sa pagpapatalino at pagpapasiguro ng mga self-driving na sasakyan. Maraming nakikita ang mga sasakyang ito bilang kinabukasan ng paglalakbay. Gayunpaman, may ilang problema pa na kailangang lutasin ng mga tagagawa at regulator.

Pagkatuto ng Federated

Isang paraan na natuklasan ng mga tagagawa upang mapabuti ang pagganap ng self‑driving ng kanilang mga sasakyan ay ang pagpapahintulot sa mga kotse na ibahagi ang data na ito gamit ang sistemang tinatawag na federated learning. Ang Federated Learning (FL) ay isang distributed na pamamaraan ng machine learning kung saan ang bawat sasakyan ay nagsasanay ng mga modelo nang lokal at nagbabahagi lamang ng mga update ng modelo sa isang central server. Pinapanatili ng pamamaraang ito ang privacy ng data sa pamamagitan ng pag-iwan ng raw sensor data sa mismong sasakyan imbes na ipadala ito sa central server. Ginagamit ang data upang sanayin ang isang pinagsamang modelo para sa ekosistema.

Mga Problema sa Federated Learning

Ang pangunahing problema sa mga sistemang Federated Learning ay kailangan mo ng direktang koneksyon sa server. Kung madalas kang nagbibiyahe gamit ang iyong EV, malamang na magbabago‑bago ang iyong koneksyon sa internet depende sa iyong lokasyon. Ang sitwasyong ito ay maaaring magdulot na mapalampas ng iyong sasakyan ang mga update.

Pinagmulan – Teslaroti

Desentralisadong Federated Learning (DFL)

Ang mga sistemang Decentralized Federated Learning (DFL) ay nag-aalis ng pag-asa sa isang central server sa pamamagitan ng pagpapahintulot sa mga sasakyan na magpalitan ng AI models nang direkta sa pamamagitan ng peer‑to‑peer na komunikasyon. Maaaring ipasa ng mga sistemang ito ang kanilang nakalap na data nang direkta sa pagitan ng mga sasakyan. Ang setup na ito ay nagbibigay-daan sa mas maraming pagbabahagi ngunit may ilang problema pa rin na maaaring mag-iwan ng isang sasakyan na hindi kasali.

Una, kailangan ng iyong sasakyan na makasalubong ang iba pang mga sasakyan sa federated learning network para gumana nang maayos ang sistema. Kapag humaharap sa malalawak na lugar o masisikip na lungsod, bumababa ang tsansa na magtagpo ang mga ito, na nagreresulta sa pagiging luma at lipas na ng data ng sasakyan bago ito maipadala sa iba. Dagdag pa rito, ang mga sistemang ito ay naglilipat lamang ng personal na nakalap na data sa limitadong interaksyon.

Mga Alalahanin sa Privacy

Isa pang malaking isyu sa mga sistemang decentralized federated learning ay ang mga alalahanin sa privacy. Kapag may central server, madaling matukoy kung sino ang pangunahing responsable para sa personal o sensitibong data. Gayunpaman, sa isang desentralisadong network, ang responsibilidad ay nasa mga indibidwal. Ang estrukturang ito ay nagdulot ng pag-aalala ng marami hinggil sa posibleng paglabag o pang-aabuso sa privacy.

Pag-aaral ng Desentralisadong Intelligence Networks

Isang pangkat ng mga inhinyero ang nagpakilala ng isang bagong solusyon sa mga problemang kinahaharap ng mga network na ito na tinatawag na Cached Decentralized Federated Learning (Cached-DFL). Ang pinahusay na sistema ng pagbabahagi ng data ng sasakyan ay inilunsad sa Association for the Advancement of Artificial Intelligence Conference ngayong taon.

Ang mga inhinyero ay nagpakilala ng isang paraan ng pagbabahagi ng data ng EV na kahawig ng social media kung saan ang bawat sasakyan ay maaaring magpasa ng data sa isa’t isa nang malaya. Ang Cached-DFL na pamamaraan ay gumagamit ng high‑speed na device‑to‑device communication, na may saklaw na hanggang 100 metro sa pinakamainam na kondisyon. Gayunpaman, ang pagiging epektibo sa totoong mundo ay nakadepende sa mga salik tulad ng bilis ng sasakyan, pangkapaligirang interference, at katatagan ng koneksyon. Ang mga sasakyang gumagalaw sa magkasalungat na direksyon sa mataas na bilis ay maaaring magkaroon lamang ng maikling pagkakataon para sa palitan ng data. Ang pamamaraang ito ay magpapahusay sa kakayahan ng sasakyan na maghanda para sa nagbabagong kondisyon ng daan, panganib, at iba pang restriksyon.

Cached Decentralized Federated Learning (Cached-DFL)

Ang konsepto ng Cached Decentralized Federated Learning (Cached-DFL) ay nakatuon sa pagbuo ng isang network kung saan inaasahan ang paminsan‑minsang koneksyon sa halip na iwasan ito. Bilang bahagi ng pamamaraang ito, siniguro ng mga inhinyero na ang bawat sasakyan ay maaaring mag‑imbak at magpadala ng data nang independiyente kapag ito ay magagamit.

Bawat sasakyan ay nagsasanay ng sarili nitong AI model sa setup na ito. Ang data mula sa AI model ay naglalaman ng mahahalagang detalye tulad ng kondisyon ng daan, signal, at mga hadlang. Ang data na ito ay awtomatikong ipinapasa sa ibang mga sasakyan kapag pumasok sila sa saklaw ng transmisyon.

Mekanismo ng Multi‑hop na Paglipat

Bawat sasakyan ay kumikilos bilang relay sa setup na ito. Iniimbak nito ang kanyang data kasama ang 10 iba pang external na modelo na ipinapasa sa pagitan ng mga sasakyan. Mahalaga banggitin na ang sistema ay naglilipat ng mga sinanay na AI model imbes na ang orihinal na data, tulad ng mga nauna nito. Ang estratehiyang ito ay nagpapabuti ng performance.

Kapansin‑pansin, ang mga sasakyan ay nagbabahagi ng pinakabagong AI models kapag sila ay nag‑interact. Bilang bahagi ng pamamaraang ito, ang lahat ng lipas na impormasyon ay tinatanggal bago ito makapagpababa ng performance. Partikular, inuuna ng sistema ang mas bagong AI models kaysa sa mga lipas, na may mga update na nangyayari batay sa pagkikita ng mga sasakyan imbes na sa isang nakatakdang 20‑segundong interval. Ang Cached-DFL ay gumagamit ng staleness threshold (τmax), karaniwang itinakda sa 10 o 20 epochs, upang itapon ang mga lipas na modelo at matiyak ang kaugnayan sa desentralisadong pagkatuto.

Matuto Mula sa Iba

Ang pangunahing benepisyo ng sistemang ito ay pinapayagan ang iyong sasakyan na matuto mula sa mga karanasan ng ibang sasakyan. Gayundin, pinapabilis ng estratehiyang ito ang bilis ng pagbabahagi ng kaugnay na data sa buong network. Isinasaalang‑alang nito ang paminsan‑minsang kalagayan ng network sa kasalukuyan, na nagbibigay‑daan sa mga driver na ma‑access ang data mula sa labas ng kanilang agarang interaksyon.

Pagsusuri ng Desentralisadong Intelligence Networks

Sinubukan ng pangkat ng pananaliksik ang kanilang teorya gamit ang mga computer simulation. Ang mga inhinyero ay nag‑setup ng virtual na Manhattan at itinakda ang kanilang mga digital na EV na magmaneho sa maraming daan nito. Ang mga sasakyan ay may bilis na 14 metro kada segundo. Nakakatuwang, idinisenyo ang simulation upang ang bawat sasakyan ay gagawa ng random na 50/50 na pagpili sa bawat intersection. Ang pamamaraang ito ay nagbigay‑daan sa bawat sasakyan na lumikha ng natatanging modelo at ibahagi ito.

Mga Resulta ng Pagsusuri ng Desentralisadong Intelligence Networks

Ang mga resulta ng pagsusuri ay nagbigay‑liwanag kung paano maaaring mapabuti ng sistemang ito ang mga EV sa hinaharap. Ipinakita nito na maraming salik ang maaaring makaapekto sa katumpakan at pagiging napapanahon ng data na ginagamit upang lumikha ng mga modelo ng EV at kung paano ito nililikha at ibinabahagi.

Ipinakita ng pagsusuri na habang mas madalas na nagtatagpo ang mga sasakyan, mas maganda ang performance. Dagdag pa rito, ipinakita na ang sistema ay perpekto para sa pagbabahagi ng napapanahong data sa malalaking network ng mga pribadong kontroladong EV. Napansin ng pangkat na ang mahahalagang data tulad ng bilis, laki ng cache, at pag‑expire ng modelo ay lahat may papel sa kahusayan ng pagkatuto.

Mga Benepisyo ng Desentralisadong Intelligence Networks

Maraming benepisyo ang Cached-DFL na pamamaraan. Una, ito ay mas epektibo pagdating sa paglaganap ng data. Nakakayanan ng mga mananaliksik na matiyak na ang karamihan ng mga sasakyan sa kanilang mga simulation ay may napapanahong mga modelo kumpara sa mga naunang sistema na maaaring magpatakbo ng lipas na modelo sa loob ng ilang linggo.

Ang sistemang ito ay nagbibigay ng maaasahang daan para sa mga self‑driving na sasakyan na magtulungan sa pagkatuto at pagtuturo sa isa’t isa upang maging mas mahusay na driver. Dahil isinasaalang‑alang ng pamamaraan na ang iyong sasakyan ay hindi magkakaroon ng 100% uptime, ito ay perpektong angkop para sa totoong paggamit at maaaring maging mahalagang kasangkapan na magagamit ng mga tagagawa upang mas mabilis na i‑program ang mga fleet.

Pagbabahagi ng Data

Ang pagsasama ng mga benepisyo ng desentralisadong network sa kakayahang magbahagi at mag‑imbak ng hanggang 10 AI models ay isang game changer. Pinapayagan nito ang mga modelo na maglakbay nang hindi direkta sa pamamagitan ng network upang matiyak na lahat ng sasakyan ay may access sa pinakamahalagang data. Dagdag pa rito, awtomatikong inuuna ng sistema ang pinaka‑kaugnay na impormasyon mula sa iba’t ibang modelo na nagmula sa iba’t ibang lugar, na nagpapalawak ng kahalagahan nito.

Bukas na Data

Isa pang malaking benepisyo ng pananaliksik na ito ay ang desisyon na gawing bukas para sa lahat ang data sa pamamagitan ng mga file sa Github. Ang desisyong ito ay magpapabuti sa inobasyon at magbibigay‑daan sa ibang mga mananaliksik na mapalawak ang kanilang mga natuklasan. Maaaring makahanap ang mga inhinyero ng mga halimbawa, pagsusulit, cached na file, teknikal na ulat, at iba pa.

Mga Aplikasyon ng Desentralisadong Intelligence Networks

May malawak na aplikasyon ang teknolohiyang ito na lampas pa sa sektor ng EV. Saan man may mga fleet ng autonomous na sasakyan, tiyak na magdudulot ito ng pagbabago. Ilan sa mga pangunahing larangan na sinuri ng mga mananaliksik ay kinabibilangan ng mga drone, robot, at satelayt.

Mga Mananaliksik ng Desentralisadong Intelligence Networks

Inilunsad ang pag-aaral na Cached-DFL ng isang pangkat ng mga inhinyero mula sa NYU na pinamumunuan nina Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li, at Houwei Cao. Kapansin‑pansin, ang grupo ay nakatanggap ng pinansyal na suporta sa anyo ng maraming grant mula sa National Science Foundation at ng programang Resilient & Intelligent NextG Systems (RINGS).

Mga Kumpanya na Nangunguna sa Labanan ng Teknolohiya ng Autonomous na Sasakyan

Ang karera upang mailagay ang mga autonomous na sasakyan sa mga kalsada ay nasa rurok na. Patuloy na lumalapit ang mga tagagawa sa ganap na autonomous na sasakyan bawat taon. Gayunpaman, ang napakalaking gawain na ito ay nangangailangan ng maraming mapagkukunan, teknolohiya, at isang napakalaking network ng mga supplier. Bilang resulta, iilan lamang ang mga pangunahing manlalaro na nangingibabaw sa merkado sa kasalukuyan. Narito ang isang kumpanya na nangunguna sa rebolusyon ng autonomous na sasakyan.

Uber Technologies, Inc.

Bagaman ang Cached-DFL ay nasa maagang yugto pa lamang, ang mga kumpanyang nagsusubok ng teknolohiyang self‑driving, tulad ng Uber, ay maaaring sa kalaunan isama ang desentralisadong intelligence networks sa kanilang mga fleet.

Ang Uber (UBER ) ay pumasok sa merkado noong 2009 at nakabase sa San Francisco, CA. Ito ang unang decentralized na ride‑sharing app na nakilala. Ang mga tagapagtatag ng app ay sina Oscar Salazar Gaitan, Travis Kalanick, at Garrett Camp. Ang bisyon nito para sa isang decentralized na ride‑sharing na ekonomiya ay nagbago nang permanente sa merkado.

Kapag iniisip mo ang Uber, ang unang naiisip mo ay hindi isang robot taxi. Sa halip, marahil ay iniisip mo ang isang random na tao na sumasakay sa kanilang personal na sasakyan upang magbigay ng sakay. Gayunpaman, maaaring magbago ang lahat ng iyon sa hinaharap dahil ang Uber ay isa sa pinakamalaking sumusuporta sa teknolohiyang autonomous vehicle, na nagtatag at sumuporta sa mga partnership sa mga nangungunang innovator tulad ng Waymo.

Ang kumpanya ay naglagay na ng mga autonomous na Uber sa kalsada para sa pagsubok sa ilang lungsod, kabilang ang kanilang pinakabagong venture sa Austin, Texas. Bilang bahagi ng pamamaraan, nakipag‑partner ang kumpanya sa Waymo na pagmamay‑ari ng Alphabet, na nagpapahintulot sa mga kliyente ng Uber sa Austin na mag‑upgrade sa isang autonomous na Jaguar I‑PACE na all‑electric SUV nang walang karagdagang gastos.

Sa ngayon, nangingibabaw ang Uber sa merkado ng ride‑sharing at nag‑branch out sa iba pang sektor, tulad ng logistics, food delivery, at iba pa. Sa kasalukuyan, ang kumpanya ay may higit sa 31,100 na empleyado. Marami ang nakikita ang Uber bilang isang matalinong karagdagan sa anumang portfolio dahil sa kanyang posisyon, kasaysayan, at makabagong espiritu.

Pinakabagong Balita sa Uber Technologies, Inc.

Desentralisadong Intelligence Networks – Nagpapalakas ng Hinaharap na Paglalakbay

Ang mga matatalinong sasakyan ay nangangailangan ng matatalinong sistema. Bilang resulta, magkakaroon ng mas mataas na pangangailangan para sa desentralisadong intelligence networks sa mga susunod na buwan at taon. Ang mga sistemang ito ay magpapahintulot sa mga sasakyan na mapabuti ang kanilang kakayahan sa autonomous driving at magbigay‑daan sa mga self‑driving na sasakyan na mapahusay ang performance, maglakbay nang mas malayo, at magbigay ng kapaki‑pakinabang na data sa iba.

Alamin ang iba pang mga Machine Learning Projects Ngayon

Sanggunian ng Pag-aaral:

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