Merkezi Olmayan Ağlar Otonom Araçların İlerlemesini Hızlandırmak İçin Hazır

Merkezi olmayan zeka ağları, otonom araçları daha akıllı ve daha güvenli hâle getirmek için anahtar olabilir. Birçok kişi bu araçları seyahatin geleceği olarak görüyor. Ancak, hâlâ üreticilerin ve düzenleyicilerin çözmesi gereken birkaç sorun var.

Temelde, otonom araçlar, rotada kalmak, engelleri önlemek ve yolcuları güvenli bir şekilde hedeflerine ulaştırmak için sensörler ve diğer verilere dayanır. Bu sensörler LiDAR, radar, termal görüntüleme ve diğer gelişmiş sistemleri içerebilir. Tüm bu sistemler, aracın performansını gelecekte iyileştirmek için kullanılabilecek bir veri izi oluşturur.

Birleşik Öğrenme

Üreticilerin araçlarının otonom performansını artırmak için bulduğu bir yol, araçların bu verileri ‘federated learning’ adlı bir sistemle paylaşmasını sağlamaktır. Federated Learning (FL), bireysel araçların modelleri yerel olarak eğittiği ve yalnızca model güncellemelerini merkezi bir sunucu ile paylaştığı dağıtık bir makine öğrenimi yaklaşımıdır. Bu yaklaşım, ham sensör verilerini aracın içinde tutarak, merkezi bir sunucuya göndermeyerek veri gizliliğini korur. Veriler, ekosistem için ortak bir model eğitmek amacıyla kullanılır.

Federated Learning ile İlgili Sorunlar

Federated Learning sistemlerinin temel sorunu, sunucuya doğrudan bir bağlantıya ihtiyaç duymalarıdır. Elektrikli aracınızla sık seyahat ediyorsanız, internet bağlantınız konuma bağlı olarak değişebilir. Bu durum, aracınızın güncellemeleri kaçırmasına neden olabilir.

Kaynak – Teslaroti

Merkezi Olmayan Federated Learning (DFL)

Merkezi Olmayan Federated Learning (DFL) sistemleri, araçların yapay zeka modellerini doğrudan eşler arası iletişimle değiş tokuş etmesini sağlayarak merkezi bir sunucuya olan bağımlılığı ortadan kaldırır. Bu sistemler, toplanan verileri doğrudan araçlar arasında aktarabilir. Bu yapı daha fazla paylaşım sağlar ancak aracın dışarıda kalmasına yol açabilecek bazı sorunlar da içerir.

Örneğin, sistemin düzgün çalışması için aracınızın diğer federated learning ağı araçlarıyla karşılaşması gerekir. Geniş alanlarda veya kalabalık şehirlerde birbirleriyle karşılaşma olasılığı çok azalır, bu da araç verilerinin diğerlerine gönderilmeden önce bayat ve güncelliğini yitirmesine neden olur. Ayrıca, bu sistemler yalnızca sınırlı etkileşimler sırasında kişisel olarak toplanan verileri aktarır.

Gizlilik Endişeleri

Merkezi olmayan federated learning sistemleriyle ilgili bir diğer büyük sorun gizlilik endişeleridir. Merkezi bir sunucu olduğunda, kişisel veya hassas verilerden sorumlu ana kişinin kim olduğu kolayca belirlenebilir. Ancak, merkezi olmayan bir ağda sorumluluk bireylere düşer. Bu yapı, birçok kişinin gizlilik ihlalleri veya kötüye kullanım konusunda endişe duymasına yol açmıştır.

Merkezi Olmayan Zeka Ağları Çalışması

Mühendislerden oluşan bir ekip, bu ağların karşılaştığı sorunlara yönelik ‘Cached Decentralized Federated Learning (Cached-DFL)’ adlı yeni bir çözüm sunuyor. Geliştirilmiş araç veri paylaşım sistemi, bu yılki Association for the Advancement of Artificial Intelligence Konferansı’nda tanıtıldı.

Mühendisler, her aracın birbirine serbestçe veri aktarabildiği bir sosyal medya benzeri EV veri paylaşım yöntemi sundular. Cached-DFL yaklaşımı, optimal koşullarda 100 metreye kadar menzile sahip yüksek hızlı cihaz‑cihaz iletişimini kullanır. Ancak, gerçek dünyadaki etkinlik araç hızı, çevresel parazit ve bağlantı istikrarı gibi faktörlere bağlıdır. Yüksek hızla zıt yönlerde hareket eden araçlar, veri alışverişi için sadece kısa bir zaman dilimine sahip olabilir. Bu yaklaşım, aracın değişen yol koşulları, tehlikeler ve diğer kısıtlamalara hazırlanma yeteneğini artıracaktır.

Önbellekli Merkezi Olmayan Federated Learning (Cached-DFL)

Önbellekli Merkezi Olmayan Federated Learning (Cached-DFL) konsepti, kesintili bağlantının kaçınılması değil, beklendiği bir ağ oluşturmayı hedefler. Bu yaklaşım kapsamında, mühendisler her aracın mevcut olduğunda verileri bağımsız olarak depolayıp yönlendirebileceğini sağladı.

Bu yapı içinde her araç kendi yapay zeka modelini eğitir. Yapay zeka modelinden elde edilen veri, yol koşulları, sinyaller ve engeller gibi hayati detayları içerir. Bu veri, araç iletim menziline girdiğinde otomatik olarak diğer araçlara aktarılır.

Çoklu Atlamalı Transfer Mekanizması

Bu yapı içinde her araç bir röle görevi görür. Verisini, araçlar arasında aktarılacak 10 başka dış model ile birlikte depolar. Sistemin, önceki sürümler gibi orijinal veriyi değil, eğitilmiş yapay zeka modellerini aktardığını belirtmek önemlidir. Bu strateji performansı artırır.

Özellikle, araçlar etkileşime girdiğinde en güncel yapay zeka modellerini paylaşırlar. Bu yaklaşımda, performansı düşürmeden önce tüm eski bilgiler ortadan kaldırılır. Sistem, sabit 20 saniyelik bir aralık yerine araç karşılaşmalarına göre güncellemeler yaparak, eski modellere göre yeni modelleri önceliklendirir. Cached-DFL, eski modelleri atmak ve merkezi olmayan öğrenmede alaka düzeyini sağlamak için genellikle 10 veya 20 epoch olarak ayarlanan bir bayatlık eşiği (τmax) kullanır.

Başkalarından Öğren

Bu sistemin temel avantajı, aracınızın diğer araçların karşılaşmalarından öğrenebilmesini sağlamasıdır. Ayrıca, bu strateji ağ içinde ilgili verilerin paylaşım hızını artırır. Ağın o anki kesintili durumunu dikkate alarak, sürücülerin yalnızca doğrudan etkileşimlerinin ötesindeki verilere erişmesine olanak tanır.

Merkezi Olmayan Zeka Ağları Testi

Araştırma ekibi, teorilerini bilgisayar simülasyonlarıyla test etti. Mühendisler sanal bir Manhattan ortamı kurup dijital EV’lerini çeşitli yollarında sürdürdüler. Araçların hızı saniyede 14 metreydi. İlginç bir şekilde, simülasyon her aracın her kavşakta rastgele %50/%50 bir seçim yapacak şekilde tasarlandı. Bu yaklaşım, her aracın benzersiz bir model oluşturup paylaşmasını sağladı.

Merkezi Olmayan Zeka Ağları Test Sonuçları

Test sonuçları, bu sistemin gelecekte EV’leri nasıl geliştirebileceğine dair bazı ipuçları verdi. EV modellerinin oluşturulmasında kullanılan verilerin ne kadar doğru ve zamanında olduğu ve bu verilerin nasıl üretildiği ve paylaşıldığı konusunda birçok faktörün rol oynadığını gösterdi.

Test, araçların birbirleriyle ne kadar sık karşılaştıkça performansın daha iyi olduğunu ortaya koydu. Ayrıca, sistemin özel olarak kontrol edilen büyük EV ağları arasında zamanında veri paylaşımı için ideal olduğunu gösterdi. Ekip, hız, önbellek boyutu ve model süresi gibi temel verilerin öğrenme verimliliğinde rol oynadığını belirtti.

Merkezi Olmayan Zeka Ağları Faydaları

Cached-DFL yaklaşımının birçok faydası vardır. Öncelikle, veri yayılımı açısından çok daha verimlidir. Araştırmacılar, simülasyonlarındaki araçların çoğunun öncekilere kıyasla haftalarca eski modeller çalıştıran sistemlere göre zamanında modellere sahip olmasını sağlayabildi.

Bu sistem, otonom araçların birlikte öğrenip birbirlerine daha iyi sürücüler olmayı öğretmeleri için güvenilir bir yol sunar. Yöntem, aracınızın %100 çalışma süresine sahip olmayacağını dikkate aldığından, gerçek dünyada kullanım için ideal olup, üreticilerin filoları daha hızlı programlaması için değerli bir araç olabilir.

Veri Paylaşımı

Merkezi olmayan ağların faydalarını, aynı anda 10 yapay zeka modelini paylaşma ve depolama yeteneğiyle birleştirmek bir dönüm noktasıdır. Modellerin ağ içinde dolaylı olarak seyahat etmesine izin vererek tüm araçların en hayati verilere erişimini sağlar. Ayrıca, sistem farklı bölgelerden türetilen çeşitli modeller arasından en ilgili bilgiyi otomatik olarak önceliklendirerek alaka düzeyini artırır.

Açık Veri

Bu araştırmanın bir diğer büyük faydası, verileri herkes için açık hale getirme kararıdır. Bu karar inovasyonu artıracak ve diğer araştırmacıların bulgularını geliştirmesine olanak tanıyacaktır. Mühendisler örnekler, testler, önbellek dosyaları, teknik raporlar ve daha fazlasını bulabilir.

Merkezi Olmayan Zeka Ağları Uygulamaları

Bu teknolojinin EV sektörünün ötesine uzanan geniş uygulamaları vardır. Otonom araç filolarının bulunduğu her yerde bu teknoloji fark yaratacaktır. Araştırmacıların incelediği bazı önemli alanlar arasında dronlar, robotlar ve uydular yer alıyor.

Merkezi Olmayan Zeka Ağları Araştırmacıları

Cached-DFL çalışması, NYU’dan Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li ve Houwei Cao liderliğindeki bir mühendis ekibi tarafından sunuldu. Grup, birden fazla Ulusal Bilim Vakfı (NSF) hibesi ve Resilient & Intelligent NextG Systems (RINGS) programı şeklinde finansal destek aldı.

Otonom Araç Teknolojisi Yarışında Öncü Şirketler

Otonom araçları yollara çıkarmak için yarış tam hız devam ediyor. Üreticiler her yıl tam otonom araçlara daha da yaklaşıyor. Ancak bu devasa görev, çok sayıda kaynak, teknoloji ve büyük bir tedarikçi ağı gerektiriyor. Sonuç olarak, şu anda pazarı hâkim olan sadece birkaç ana oyuncu var. İşte otonom araç devriminde öncü konumda olan bir şirket.

Uber Technologies, Inc.

Uber (UBER ) 2009 yılında piyasaya girdi ve San Francisco, CA merkezlidir. İlk merkezi olmayan paylaşımlı yolculuk uygulaması olarak ün kazandı. Uygulamanın kurucuları Oscar Salazar Gaitan, Travis Kalanick ve Garrett Camp’tir. Merkezi olmayan bir paylaşımlı yolculuk ekonomisi vizyonu, piyasayı sonsuza dek değiştirdi.

Uber’ı düşündüğünüzde aklınıza ilk gelen bir robot taksi değildir. Bunun yerine, muhtemelen birinin kişisel aracını çekip size bir yolculuk sunmasını hayal edersiniz. Ancak, bu gelecekte değişebilir çünkü Uber, Waymo gibi önde gelen yenilikçilerle ortaklıklar kurup destekleyerek otonom araç teknolojisinin en büyük destekçilerinden biridir.

Şirket, Austin, Texas’taki en yeni girişimi de dahil olmak üzere birkaç şehirde test amacıyla otonom Uber’ları yollara çıkardı. Bu yaklaşım kapsamında, şirket Alphabet’e ait Waymo ile ortaklık kurarak Austin bölgesindeki Uber müşterilerinin ek bir ücret ödemeden otonom Jaguar I-PACE tamamen elektrikli SUV’ye yükseltmelerine olanak tanıdı.

Bugün Uber, paylaşımlı yolculuk pazarına hâkim ve lojistik, yemek teslimatı gibi diğer sektörlere de genişledi. Şirket şu anda 31.100’den fazla çalışan istihdam ediyor. Birçok kişi, konumu, geçmişi ve yenilikçi ruhu nedeniyle Uber’ı herhangi bir portföye akıllı bir ek olarak görüyor.

Uber Technologies, Inc. ile En Son Gelişmeler

Merkezi Olmayan Zeka Ağları – Gelecek Seyahati Güçlendiriyor

Akıllı arabalar akıllı sistemlere ihtiyaç duyar. Bu nedenle, önümüzdeki ay ve yıllarda merkezi olmayan zeka ağlarına olan talep artacaktır. Bu sistemler, araçların otonom sürüş yeteneklerini geliştirmesine ve otonom araçların performansını artırarak daha uzağa gitmelerine ve diğerlerine faydalı veriler sağlamalarına olanak tanıyacaktır.

Diğer Makine Öğrenimi Projeleri hakkında bilgi edinin Şimdi

Çalışma Referansı:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Mobil ajanlarda model önbellekleme ile merkezi olmayan birleşik öğrenme [Konferans bildirisi]. Association for the Advancement of Artificial Intelligence Konferansı. Erişim: https://arxiv.org/abs/2408.14001v2}