Bởi Lance Eliot, Người trong cuộc Xu hướng AI 

Dị thường là một cái gì đó được coi là khác thường và thường được sử dụng để mô tả những sự vật hoặc sự kiện có vẻ đặc biệt, hiếm gặp, bất thường hoặc đôi khi rất khó để phân loại.  

Đôi khi, một sự bất thường là không mong muốn và có thể gây khó chịu khi thực hiện một nhiệm vụ, trong khi trong những trường hợp khác, một sự bất thường có thể làm lộ ra cái nhìn sâu sắc mới mà trước đây không ai quan tâm đúng mức. Có thể khó biết liệu một sự bất thường cuối cùng sẽ được coi là mong muốn hay không mong muốn.   

Vào cuối những năm 1800, Wilhelm Roentgen đang làm việc trong phòng thí nghiệm của mình về một thí nghiệm làm cho các electron chuyển động trong không khí. Sau nhiều lần thử nghiệm với các tia âm cực khác nhau, ông nhận thấy rằng một tấm chắn bari platinocyanua bao phủ ở mép bàn của ông. trở thành huỳnh quang.   

Đây là một điều kỳ lạ. Nó thật đặc biệt. Anh ta có thể coi đó như một sự bất thường không đáng được chú ý thêm. Hóa ra Wilhelm đã chọn nghiên cứu khía cạnh này và nó đã dẫn ông đến việc khám phá ra tia X và chùm tia X.  

Có những nhà nghiên cứu khác đang làm công việc tương tự vào thời điểm ông phát hiện ra, nhưng chính việc ông sẵn sàng giải trí cho sự bất thường và cho nó đúng hạn đã khiến ông được ghi nhận là người phát hiện ra tia X hoặc thứ mà một số người hiểu biết đề cập đến. như tia Roentgen. Có lẽ bạn đã từng thấy trong sách lịch sử hình ảnh chụp X-quang chính thức đầu tiên của ông, bao gồm bàn tay của vợ ông, mô tả xương ngón tay và chiếc nhẫn cưới của bà. Phải nói rằng cô ấy khá dũng cảm khi tham gia thí nghiệm, đặc biệt là vì bản chất của những sóng điện từ này và những mối nguy hiểm liên quan vẫn chưa được hiểu rõ.  

Sự bất thường của Wilhelm cung cấp một ví dụ về tình huống khi phát hiện và hành động dựa trên sự bất thường đã được đền đáp. Đôi khi, một sự bất thường có thể là một sự may rủi không mang lại giá trị gia tăng nào cho những gì đang được kiểm tra hoặc nghiên cứu.  

Đó có thể là tiếng ồn ngẫu nhiên tình cờ gặp phải khi bạn đang làm việc khác và do đó không thực sự liên quan đến hiện tượng mà bạn đang nghiên cứu. Sau đó, nếu bạn theo đuổi sự bất thường để cố gắng tìm hiểu xem nó có giá trị hay không, thì bạn có thể đang lãng phí sự chú ý và nguồn lực quý giá vào một thứ mà cuối cùng chẳng có hoặc có rất ít lợi ích. Lúc đầu, bạn có thể hy vọng rằng sự bất thường sẽ là một khoảnh khắc kiểu Eureka, nhưng thường thì nó lại trở thành một điều gì đó bình thường như tiếng ồn hoặc một vấn đề nhất thời mà sau đó đã tự khắc phục được. 

Khi tôi từng dạy các lớp đại học về số liệu thống kê và AI, tôi sẽ đề cập đến các kỹ thuật “loại trừ” khác nhau có thể được sử dụng để xử lý các điểm bất thường bị nghi ngờ. Một cách tiếp cận rõ ràng là chỉ cần loại bỏ sự bất thường. Mặc dù vậy, điều này có thể tạo ra các vấn đề vì nó có thể để lại lỗ hổng hoặc lỗ hổng không giải thích được trong nghiên cứu của bạn. 

Một cách tiếp cận khác để xử lý sự bất thường trong dữ liệu của bạn liên quan đến việc Winsorising nó.    

Kỹ thuật Winsorizing  

Winsorising là một kỹ thuật toán học trong đó bạn thay thế điểm bất thường bằng thứ gì đó từ dữ liệu khác gần nhất được coi là không phải điểm bất thường (được gọi là dữ liệu không bị nghi ngờ). Nhưng đây có thể là một thực tế đáng ngờ vì nó ngụ ý rằng bạn thực sự đã thu được “dữ liệu thực” hỗ trợ thêm cho dữ liệu khác của mình, trong khi về cơ bản, bạn đã tạo ra hoặc sản xuất dữ liệu theo ý thích của mình. Điều tương tự cũng có thể xảy ra đối với bất kỳ phương pháp nào khác được sử dụng để thay thế dữ liệu thực cho dữ liệu được pha trộn. 

Một lời chỉ trích đối với các nghiên cứu khoa học và đặc biệt là những nghiên cứu trong lĩnh vực trung gian là đôi khi các nhà khoa học thực hiện một nghiên cứu quan trọng về cuộc sống sẽ chọn loại bỏ một điểm bất thường xuất hiện trong nghiên cứu của họ.   

Nếu bạn đang cố gắng chứng minh rằng một loại thuốc mới sẽ cứu được mạng sống và ngăn chặn một số căn bệnh quái ác lây lan, thì bạn có thể dễ dàng bỏ qua những điều bất thường có thể phát sinh. Bằng cách loại bỏ sự bất thường hoặc che giấu nó bằng một hình thức thay thế, có thể là bạn đang vô tình che giấu điều gì đó có thể rất đáng nói. Có lẽ thuốc chỉ hoạt động trong một số tình huống nhất định và sự bất thường có thể đã tiết lộ những khía cạnh xuyên biên giới quan trọng đó.   

Đây cũng là lý do tại sao có sự kêu gọi đang diễn ra rằng các nhà nghiên cứu sẵn sàng chia sẻ dữ liệu của họ khi họ công bố kết quả nghiên cứu của mình. Bằng cách đăng dữ liệu của họ, nó cho phép các nhà nghiên cứu khác kiểm tra dữ liệu và có thể xử lý bất kỳ sự bất thường nào khác với các nhà nghiên cứu ban đầu. Điều này có thể tiết lộ các khía cạnh “bị kiểm duyệt” của nghiên cứu và do đó mở ra những câu hỏi mới về kết luận của nghiên cứu. Trước đây, rất khó để chia sẻ dữ liệu, nhưng ngày nay với Internet, không có nhiều lý do để làm điều đó khó khăn.   

Đối với bài viết của tôi về các khía cạnh không thể tái sản xuất và tầm quan trọng của dữ liệu, hãy xem: https://aitrends.com/selfdrivingcars/irreproducibility-and-ai-self-driving-cars/ 

Đối với nhu cầu minh bạch trong các thuật toán và phân tích, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/algorithmic-transparency-self-driving-cars-call-action/ 

Đối với bài viết của tôi về sự nguy hiểm của suy nghĩ theo nhóm, hãy xem: https://aitrends.com/selfdrivingcars/groupthink-dilemmas-for-developing-ai-self-driving-cars/ 

Để chia sẻ dữ liệu Machine Learning, hãy xem bài viết của tôi: https://aitrends.com/machine-learning/machine-learning-data-self-driving-cars-shared-proprietary/ 

Bạn không cần phải là một nhà khoa học để gặp phải những điều bất thường. Chúng tôi trải nghiệm sự bất thường trong cuộc sống hàng ngày của chúng tôi. Đôi khi, bạn có thể không nhận thấy sự bất thường, trong khi trong những trường hợp khác, bạn nhận thấy điều đó nhưng coi đó như một sự may rủi. Trong các trường hợp khác, bạn có thể chuyển hướng sự chú ý của mình sang điểm bất thường, mặc dù đây có thể là ý tưởng tốt hoặc xấu để chuyển sự tập trung của bạn, tùy thuộc vào bản chất và giá trị của điểm bất thường. 

Hành Trình Lái Xe Và Điều Bất Thường 

Ví dụ, một ngày nọ, tôi đang lái ô tô của mình trong một hành trình lái xe dài và đang sử dụng một đường cao tốc chính để làm việc đó. Trong nhiều giờ liên tục, tình hình giao thông tương đối dễ đoán và đơn điệu. Đó là một con đường hai làn xe trong hướng bắc hướng và đi qua vùng trung tâm California được coi là vành đai nông nghiệp của bang ta. Những chiếc ô tô thông thường sẽ chạy ở làn đường ngoài cùng bên trái hay còn gọi là “làn đường nhanh” và những chiếc xe tải chở đầy các loại nông sản khác nhau như cam, hành, v.v., sẽ chạy ở làn đường chậm hơn ngoài cùng bên phải. 

Nếu một chiếc xe tải chở gỗ đang đi quá chậm, những chiếc xe tải khác phía sau nó sẽ cố gắng đi vòng qua chiếc xe tải chở gỗ đang chạy chậm và làm như vậy bằng cách đi nhanh vào làn đường nhanh. Những chiếc xe thông thường trong làn đường nhanh rất ghét điều này xảy ra. Điều đó có nghĩa là làn đường nhanh, đang di chuyển với tốc độ hơn 80 dặm một giờ, bây giờ sẽ cần phải giảm tốc độ để cho phép một chiếc xe tải đang chạy với tốc độ 55 dặm một giờ đi vào làn đường nhanh. Ô tô sẽ giả vờ phớt lờ tín hiệu rẽ của xe tải đang cố báo hiệu rằng họ muốn vào làn đường nhanh, hoặc tài xế của một số ô tô sẽ ngang nhiên ngăn cản xe tải đi vào làn đường nhanh bằng cách không cho phép bất kỳ khoảng trống nào giữa các xe đang di chuyển nhanh hơn. ô tô.   

Trong những trường hợp tôi chọn để xe tải chạy trước mặt mình, tôi có thể nhìn thấy qua gương chiếu hậu vẻ mặt đau khổ của những người lái xe ngồi ngay sau tôi. Họ bực tức vì tôi đã cho phép những chiếc xe tải chạy chậm chạp vào làn đường cao tốc. Thật thô lỗ với tôi! Những người lái ô tô khác sau đó đã cưỡi lên tấm cản của tôi, cố gắng thể hiện sự khó chịu của họ và như thể bằng cách nào đó điều đó sẽ gây áp lực cho những chiếc xe tải phía trước tôi phải di chuyển nhanh hơn trong làn đường dành cho người đi nhanh. Đó là sự lịch sự của các con đường của chúng tôi.   

Trong mọi trường hợp, đây là một vấn đề thường xuyên và xảy ra theo thời gian.  

Hầu hết thời gian, gần như toàn bộ thời gian, xe tải đều chạy trên làn đường chậm. Tôi đã quen với việc vượt xe tải này đến xe tải khác, tất cả đều như thể đang đứng yên trên làn đường chậm, mặc dù đó chỉ là nhận thức dựa trên làn đường nhanh di chuyển nhanh so với làn đường chậm di chuyển chậm hơn nhiều.   

Gần cuối đường lái xe, tôi nhìn thấy phía trước có những chiếc xe tải đang chạy trên làn đường cao tốc. Tôi đoán rằng có khả năng một số xe tải đang cố vượt qua một chiếc xe tải chạy chậm hơn và chắc hẳn giống như con rùa đang cản trở làn đường chạy chậm. Tôi đi vào một phần làn đường chậm để xem chiếc xe tải nào đang khiến những chiếc khác chuyển sang làn đường nhanh. Trước sự ngạc nhiên của tôi, không có bất kỳ chiếc xe tải nào ở phía trước trên làn đường chậm.   

Điều này thật tò mò.   

Những chiếc xe tải luôn ngoan cố bám lấy việc đi trong làn đường chậm, trừ khi có nhu cầu vượt xe tải khác, và trong trường hợp đó, họ nhanh chóng đi vào làn đường nhanh, vòng qua xe tải chậm hơn và nhanh chóng quay trở lại làn đường chậm . Nhưng, không hiểu sao, tất cả các xe tải đều đi trên làn đường cao tốc. Họ vẫn đang lái xe với tốc độ chậm hơn là 55 dặm một giờ và tất cả họ đã quyết định đi vào làn đường nhanh.   

Một sự bất thường! 

Tôi nên làm gì? TÔI chỉ có thể ở trong làn đường nhanh, bay với tốc độ chậm hơn 55 dặm / giờ và sau đầu xe tải. Hoặc, tôi có thể chuyển hoàn toàn sang làn đường chậm và vượt qua hàng dài xe tải trên làn đường nhanh. Điều này trái ngược với những gì bạn thường mong đợi, đó là bạn thường phóng qua làn đường nhanh, nhưng nếu xe tải muốn lấn làn đường nhanh, có vẻ như họ gần như đang cầu xin tôi đi trước và sử dụng làn đường chậm ( ít nhất đó là những gì tôi sẽ giải thích với một nhân viên tuần tra đường cao tốc mà sau đó có thể đã chặn tôi lại vì chạy quá tốc độ qua những chiếc xe tải trong làn đường chậm!). 

Tôi chắc chắn rằng nếu có những chiếc xe khác phía sau tôi tại thời điểm đó của hành trình, họ chắc chắn sẽ sẵn sàng sử dụng làn đường chậm cho mục đích đó. Có khả năng hết xe này đến xe khác đã lao tới chỗ tôi, trong khi tôi đang ì ạch trên làn đường nhanh phía sau hàng xe tải đang ì ạch, và sau đó bị làm phiền bởi những chiếc xe tải đang đi trên làn đường nhanh. Những người lái xe ô tô đó có lẽ sẽ tức giận với tình huống này và sau đó nhận ra rằng họ chỉ có thể lách qua toàn bộ mớ hỗn độn bằng cách sử dụng làn đường chậm. Tại thời điểm đó, làn chậm sẽ trở thành làn nhanh và làn nhanh sẽ trở thành làn chậm. 

Thế giới đảo lộn.  

Tôi tự hỏi liệu những người lái xe ô tô khác có dành một chút thời gian để suy nghĩ về lý do tại sao tất cả các xe tải đều chạy trên làn đường cao tốc hay không. Tôi cá là nhiều tài xế sẽ không nghĩ đến điều đó. Trên những hành trình dài trên đường cao tốc này, có vẻ như có những người lái xe chỉ đang cố gắng tối đa hóa tốc độ của họ và bất kỳ cách nào có vẻ hợp pháp hoặc gần hợp pháp để làm như vậy đều phù hợp với họ. Không có nhiều suy nghĩ liên quan. Hầu như là một kiểu chiến lược lái xe khỉ-thấy và khỉ-làm. Nếu có một cách để đi nhanh hơn, hãy làm như vậy. 

Chà, tôi quyết định mình sẽ chỉ ở trong làn đường “nhanh” và xem vấn đề này tiến triển như thế nào.  

Sau năm đến mười phút đau đớn khi trở thành một phần của làm gỗ đàn (khoảng cách khoảng 8 dặm), cuối cùng nó cũng trở nên rõ ràng về những gì đang diễn ra. Phía trước có một vụ tai nạn ở làn đường chậm và nó được đánh dấu bằng hình nón và pháo sáng. Tôi cho rằng những người lái xe tải đã truyền miệng nhau hoặc bằng cách nào đó nó đã được đánh dấu trên hệ thống bản đồ GPS, mặc dù tôi dường như không biết về vụ tai nạn. Đây là một địa điểm khá hẻo lánh và khó có thể có ai giúp đánh dấu một vụ tai nạn vừa mới xảy ra.  

Những chiếc xe tải đã khôn ngoan đi vào làn đường nhanh, trước khi đến hiện trường vụ tai nạn. Đây là một động thái tốt vì nó tránh được việc phải chạy đua và giảm tốc độ tại chính hiện trường vụ tai nạn. Thay vào đó, những chiếc xe tải vẫn giữ nguyên tốc độ 55 dặm/giờ và có thể vượt qua vụ tai nạn. Khi họ đã đi qua hiện trường vụ tai nạn một cách hợp lý, những chiếc xe tải bắt đầu di chuyển trở lại làn đường chậm. Trật tự thế giới một lần nữa được lập lại. 

Hãy xem lại câu chuyện. 

Tại sao tôi lại cho rằng đây là một ví dụ về sự bất thường?  

Do khía cạnh mà các xe tải thường đi trong làn đường chậm và chỉ một thời gian ngắn sẽ đi vào làn đường nhanh. Nếu tôi đang thu thập dữ liệu trong suốt hành trình lái xe của mình, nó sẽ được vẽ trên biểu đồ cho thấy 99% thời gian xe tải chạy trên làn đường chậm và có thể 1% thời gian sử dụng làn đường nhanh (để vượt). Việc sử dụng làn đường nhanh này trong trường hợp đi ngang qua hiện trường vụ tai nạn có lẽ là trong 1% thời gian xe tải sử dụng làn đường nhanh, nhưng tôi có thể nhận ra một cách hợp lý rằng các xe tải không vượt qua nhau như thông lệ. để họ sử dụng làn đường nhanh.   

Khía cạnh xe tự lái tự lái AI 

Giả sử rằng tôi là một hệ thống AI đang điều khiển ô tô của tôi. Liệu AI có thể nhận ra rằng điều này dường như thực sự là một sự bất thường?   

Một mặt, bạn có thể nói rằng không, AI sẽ không thể làm như vậy. Những chiếc xe tải đã đi trên làn đường nhanh một cách hợp pháp và thỉnh thoảng họ vẫn sử dụng làn đường nhanh, vì vậy thoạt nhìn không có gì về điều này có vẻ kỳ quặc hoặc không thích hợp. AI có lẽ sẽ không đặc biệt quan tâm rằng đó là những chiếc xe tải đi trước nó hơn là những chiếc ô tô thông thường. Chắc chắn, tốc độ giao thông đã chậm lại nhưng nếu AI đang thực hiện một phương pháp điều chỉnh tốc độ của nó theo phương tiện giao thông phía trước, thì AI sẽ chỉ làm chậm ô tô và phù hợp với tốc độ của xe tải. Không có gì to tát.   

Hơn nữa, AI sẽ muốn lái xe “hợp pháp” (có lẽ vậy) và vì vậy ý ​​tưởng chuyển sang làn đường chậm để vượt xe tải có thể sẽ không phải là điều mà nhà sản xuất ô tô hoặc công ty công nghệ thậm chí đã đưa vào kế hoạch hành động của AI đối với việc lái xe. xe ô tô. Mặc dù bản thân việc sử dụng làn đường chậm cho mục đích đó không hoàn toàn là bất hợp pháp, nhưng nhiều người sẽ coi đó là một chiến thuật lái xe không phù hợp hoặc không phù hợp và rất nhiều hệ thống AI sẽ không xem xét điều đó. Tôi đã bác bỏ những ý tưởng như vậy, đồng thời kêu gọi và dự đoán rằng AI cho ô tô tự lái sẽ cần phải linh hoạt hơn và không quá hẹp hòi như trước đây.   

Đối với bài viết của tôi về sự nguy hiểm của phương pháp pied piper, hãy xem: https://aitrends.com/selfdrivingcars/pied-piper-approach-car-following-self-driving-cars/   

Đối với các điểm yếu khác nhau của con người khi lái xe, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/ten-human-driving-foibles-self-driving-car-deep-learning-counter-tactics/ 

Để biết tầm quan trọng của hệ thống AI trong việc lái xe phòng thủ, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/art-defensive-driving-key-self-driving-car-success/ 

Để lật tẩy hành vi lái xe trái phép của ô tô tự lái AI, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/illegal-driving-self-driving-cars/ 

Nhìn chung, có khả năng AI của ô tô tự lái sẽ không nhận thấy điều gì đặc biệt bất thường đang diễn ra và sẽ chỉ đơn giản là ở trong làn đường nhanh và đi theo dòng xe cộ. Điều này thật đáng tiếc vì điều quan trọng là AI phải theo dõi và có thể hành động theo những bất thường mà nó có thể gặp phải. 

Trong ví dụ của tôi về xe tải, bạn có thể lập luận rằng việc AI có thể phát hiện ra sự bất thường của tình hình giao thông hay không cũng không có gì khác biệt. Yes, may mắn thay, trong trường hợp cụ thể này, chiếc ô tô do AI điều khiển đang ở trong làn đường nhanh và ở trong làn đường nhanh là ổn, và có lẽ là phản ứng thích hợp hơn đối với sự bất thường. Tuy nhiên, khía cạnh mà AI thậm chí không nhận ra sự xuất hiện của sự bất thường và chỉ tiếp tục điều khiển một cách mù quáng theo một nghĩa nào đó, đó là phần có thể không hoạt động tốt trong các trường hợp dị thường khác. 

Đây là một ví dụ khác có thể minh họa vấn đề tốt hơn.   

Tôi đã đi trên đường cao tốc vào ngày hôm trước và giao thông thông thoáng và di chuyển khá nhanh (đó là điều hiếm thấy ở đây trong tình trạng giao thông gầm gừ ở Nam California). Tôi để ý thấy phía trước có một người đàn ông đang đi dọc theo mép đường cao tốc. 

Cho phép tôi giải thích rằng hầu hết các đường cao tốc của chúng ta ở đây đều được ngăn chặn tương đối tốt đối với bất kỳ người đi bộ nào đi vào đường cao tốc. Thường có hàng rào và tường gạch ngăn cách đường cao tốc với bất kỳ ngôi nhà, cơ sở kinh doanh nào gần đó, v.v. Thông thường, bạn sẽ cần phải đi bộ lên đoạn đường nối trên hoặc đoạn đường ra của đường cao tốc để có thể đi bộ dọc theo đường cao tốc. Có các biển báo ở lối vào và lối ra có ghi rõ ràng là không được đi vào đường cao tốc.   

Lần duy nhất mà bạn thường nhìn thấy một người đi dọc xa lộ rất có thể là khi xe của họ bị hỏng. Sau đó, họ có thể đang đi bộ đến đoạn đường dốc gần nhất để có thể ra khỏi đường cao tốc. Tuy nhiên, điều này cũng không xảy ra thường xuyên vì có rất nhiều hộp điện thoại chuyên dụng đặc biệt trên đường cao tốc mà những người bị mắc kẹt có thể sử dụng để gọi hỗ trợ. Thêm vào đó, đường cao tốc của chúng ta thường xuyên có cảnh sát và xe tải chạy qua nên rất có thể bạn sẽ không bị mắc kẹt với chiếc xe hỏng của mình quá lâu. Và, nói chung là công khai bởi đội tuần tra đường cao tốc rằng bạn nên ở lại với chiếc xe của mình và không rời khỏi nó (bạn có thể bị phạt nếu bỏ xe trên đường cao tốc).   

Vì vậy, ngay khi tôi nhìn thấy một người đàn ông đang đi trên xa lộ, tôi đã nhìn sang bên đường để xem có chiếc xe nào bị hỏng không. Tôi vẫn chưa nhìn thấy nó và tôi nhìn lên phía trước và cũng không thấy ai ở đó. Người đàn ông này, ngay cả khi anh ta đang đi bộ từ một chiếc ô tô bị hỏng, dường như cách chiếc xe của anh ta một khoảng cách khá xa. Tôi ngay lập tức nghi ngờ rằng đây là một tình huống xe bị hỏng. 

Lần đầu tiên khi tôi chú ý đến người đàn ông đi bộ, tôi đang lái xe trên làn đường có lưu lượng giao thông chậm, điều đó có nghĩa là tôi sẽ sớm vượt qua anh ta, làm như vậy chỉ vài bước chân bên cạnh người đàn ông đi bộ kỳ lạ và tò mò một cách bí ẩn này. Tôi sẽ vượt qua anh ta với tốc độ khoảng 70 dặm một giờ, tức là khoảng 100 feet một giây. Tôi quyết định rằng toàn bộ thứ này có mùi và giác quan Người nhện bẩm sinh của tôi đang ngứa ran. 

Tôi di chuyển sang làn ngoài cùng bên trái của xa lộ, cố gắng tạo khoảng cách giữa tôi và người đàn ông đi bộ càng nhiều càng tốt để tôi có thể lướt qua anh ta. Tôi cũng đang để mắt đến anh ấy. Tôi đã cảnh giác. Tâm trí và tay chân của tôi đã sẵn sàng trong trường hợp có bất cứ điều gì bất ngờ xảy ra và tôi có thể cần phải điều khiển xe của mình thật nhanh. 

Tôi đã nghĩ rằng người đàn ông đi bộ có thể không hài lòng với việc đi dọc theo một bên đường cao tốc. Có lẽ anh ta có thể chọn đột ngột lao vào giao thông. Hoặc, có thể anh ta có thể ném một đồ vật vào giao thông. Ai biết? Tôi nhận ra rằng bạn có thể đồng cảm với người đàn ông đang đi bộ và nghĩ rằng có lẽ tôi hơi hoang tưởng, nhưng như tôi đã cố gắng giải thích, việc nhìn thấy một người đi bộ dọc theo xa lộ là điều rất bất thường và đặc biệt là khi không có đường cắt rõ ràng. dấu hiệu về lý do tại sao anh ta làm như vậy. 

Tôi sẽ nói rằng sự hiện diện của anh ấy là một điều bất thường. 

Tôi có nên bỏ qua những gì tôi coi là bất thường? Tôi đã chọn để cung cấp cho sự bất thường một số tin cậy. Tôi đã hành động bằng cách chuyển sang làn đường nhanh và để mắt đến vấn đề này. Hành động này không đặc biệt mạo hiểm hay kỳ quặc, vì dù sao thì tôi cũng có thể dễ dàng đi vào làn đường nhanh. Không phải là tôi đột nhiên phanh gấp hay có bất kỳ hành động hấp tấp nào. Tôi đã thực hiện một hình thức hành động tinh vi nhằm mục đích trở thành một hình thức lái xe phòng thủ và điều đó sẽ giúp tôi giảm nguy cơ bị phơi nhiễm và có nhiều lựa chọn hơn nếu tôi cần thực hiện các hành động khác rõ ràng hơn. 

AI sẽ làm gì? 

Với AI ngày nay, rất có thể AI đã phát hiện ra người đàn ông đang đi bộ. Khả năng là việc phát hiện sẽ dẫn đến việc người đàn ông đi bộ được đánh dấu như vậy trong mô hình thế giới ảo sẽ được AI sử dụng để nắm bắt bản chất của môi trường xung quanh môi trường lái xe. AI chắc chắn đã được lập trình chung để phát hiện và theo dõi chuyển động của người đi bộ. 

Liệu AI có thực hiện bất kỳ hành động nào không? Có lẽ không. Người đi bộ dường như không phải là mối đe dọa đối với xe tự lái AI. Anh ấy đã không chạy vào làn đường. Anh ấy đã không làm những chuyển động hoang dã. Không có gì rõ ràng về bất kỳ mối nguy hiểm nào liên quan đến người đi bộ. Nếu bạn không biết rõ hơn, bạn sẽ phân loại người đàn ông đang đi bộ giống như bất kỳ người nào có thể đang đi bộ trên vỉa hè trên bất kỳ con phố nào mà bạn có thể đang lái xe. Theo nghĩa đó, điều này có vẻ hoàn toàn bình thường. Ít nhất nó có vẻ như vậy trên bề mặt và không có bất kỳ loại đánh giá hoặc phân tích sâu hơn nào. 

Đối với các khía cạnh dành cho người đi bộ của ô tô tự lái AI, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/avoiding-pedestrian-roadkill-self-driving-cars/ 

Đối với phân tích pháp y của tôi về vụ tai nạn Uber ở Arizona, hãy xem: https://aitrends.com/selfdrivingcars/ntsb-releases-initial-report-on-fatal-uber-pedestrian-crash-dr-lance-eliot-seen-as-prescient/ 

Đối với các vụ tai nạn và xe tự lái AI, hãy xem bài viết của tôi: https://aitrends.com/ai-insider/accidents-contagion-and-ai-self-driving-cars/  

Điều khiến tôi dựng tóc gáy là quan niệm rằng một người đi bộ đang ở một nơi và một thời điểm mà lẽ ra anh ta không nên đến, hoặc ít nhất là điều đó sẽ hiếm khi xảy ra. Và, tôi đã cố gắng xác định xem đây có phải là một sự cố “bình thường” hay không bằng cách tìm kiếm một chiếc ô tô bị tàn tật (tôi nói bình thường theo nghĩa thỉnh thoảng, nhưng khá hiếm khi, có thể có một người đi bộ trên đường cao tốc do các khía cạnh ô tô bị hỏng), nhưng dường như không có cái nào ở gần đó. 

Và vì vậy, bây giờ chúng ta đi đến mấu chốt trong chủ đề của tôi, cụ thể là, với tư cách là một người lái xe, tôi sẽ phân loại người đàn ông biết đi này là một người dị thường. Và, sau đó tôi sẽ cân nhắc xem nên khen ngợi sự bất thường đó hay bỏ qua nó.   

Đây là suy nghĩ của tôi:

• Nếu tôi bỏ qua nó, có lẽ tôi sẽ tiếp tục không suy giảm và gần như bỏ qua sự bất thường. 
• Nếu tôi nghĩ rằng sự bất thường có giá trị, tôi sẽ điều tra thêm, hy vọng xác định được tính hợp lệ của sự bất thường. Nếu sự bất thường dường như có đủ giá trị, thì tôi sẽ quyết định xem có nên thay đổi hướng hành động của mình hay không khi biết rằng dường như tôi đang nắm trong tay một sự bất thường thực sự. 

Tôi khẳng định rằng bất kỳ AI nào có trình độ tốt đều có thể làm được điều tương tự, và đặc biệt là đối với ô tô tự lái AI, liên quan đến các loại vấn đề sinh tử và thực sự là một sự bất thường có thể xác định số phận của con người trong chính nó. -xe đang lái hoặc ở gần xe tự lái. 

AI cho ô tô tự trị cần đối phó với sự bất thường 

Tại Viện ô tô tự lái AI điều khiển học, chúng tôi đang phát triển phần mềm AI cho ô tô tự lái không người lái. Một khía cạnh quan trọng của AI là khả năng xác định, phát hiện, giải thích, phân tích và xác định quá trình hành động liên quan đến sự bất thường. 

Cho phép tôi giải thích.  

Trước tiên, tôi muốn làm rõ và giới thiệu khái niệm rằng có nhiều cấp độ khác nhau của ô tô tự lái AI. Cấp cao nhất được coi là Cấp 5. Xe tự lái Cấp 5 là xe do AI điều khiển và không có người lái xe tham gia. Đối với thiết kế ô tô tự lái Cấp độ 5, các nhà sản xuất ô tô thậm chí còn loại bỏ bàn đạp ga, bàn đạp phanh và vô lăng, vì đó là những bộ phận được sử dụng bởi người lái xe. Xe tự lái Cấp độ 5 không do con người điều khiển và cũng không có kỳ vọng rằng người lái xe sẽ có mặt trong xe tự lái. Tất cả đều nằm trên vai của AI để điều khiển ô tô. 

Đối với xe ô tô tự lái dưới Cấp độ 5 và Cấp độ 4, trên xe phải có người lái xe. Người lái xe hiện được coi là bên chịu trách nhiệm cho các hành vi của chiếc xe. AI và người lái xe con người đang đồng chia sẻ nhiệm vụ lái xe. Bất chấp sự đồng chia sẻ này, con người vẫn phải hoàn toàn đắm chìm vào nhiệm vụ lái xe và sẵn sàng mọi lúc để thực hiện nhiệm vụ lái xe. Tôi đã nhiều lần cảnh báo về sự nguy hiểm của thỏa thuận đồng chia sẻ này và dự đoán nó sẽ tạo ra nhiều kết quả không tốt.   

Đối với khuôn khổ chung của tôi về xe tự lái AI, xem bài viết của tôi: https://aitrends.com/selfdrivingcars/framework-ai-self-driving-driverless-cars-big-picture/   

Đối với các cấp độ của xe tự lái, xem bài viết của tôi: https://aitrends.com/selfdrivingcars/richter-scale-levels-self-driving-cars/ 

Để biết lý do tại sao những chiếc xe tự lái AI Cấp 5 giống như một chiếc xe lửa, xem bài viết của tôi: https://aitrends.com/selfdrivingcars/self-driving-car-mother-ai-projects-moonshot/ 

Đối với những nguy hiểm của việc chia sẻ nhiệm vụ lái xe, xem bài viết của tôi: https://aitrends.com/selfdrivingcars/human-back-up-drivers-for-ai-self-driving-cars/   

Hãy tập trung vào đây vào chiếc xe tự lái cấp 5 thực sự. Phần lớn các ý kiến ​​áp dụng cho những chiếc xe tự lái cấp 5 và cấp 4 cũng vậy, nhưng chiếc xe tự lái AI hoàn toàn tự động sẽ nhận được sự chú ý nhiều nhất trong cuộc thảo luận này.   

Dưới đây là các bước thông thường liên quan đến nhiệm vụ lái xe AI: 

• Thu thập và giải thích dữ liệu cảm biến 
• Cảm biến nhiệt hạch 
• Cập nhật mô hình thế giới ảo 
• Lập kế hoạch hành động AI 
• Điều khiển xe ban hành lệnh 

Một khía cạnh quan trọng khác của ô tô tự lái AI là chúng sẽ lái trên đường của chúng ta giữa những chiếc ô tô do con người điều khiển. Có một số chuyên gia nghiên cứu về ô tô tự lái AI liên tục đề cập đến một thế giới Utopian, trong đó chỉ có ô tô tự lái AI trên đường công cộng. Hiện tại có khoảng hơn 250 triệu ô tô thông thường chỉ tính riêng ở Hoa Kỳ và những chiếc ô tô đó sẽ không biến mất một cách kỳ diệu hoặc trở thành ô tô tự lái AI cấp độ 5 thực sự trong một đêm. 

Thật vậy, việc sử dụng xe hơi do con người điều khiển sẽ tồn tại trong nhiều năm, có thể là nhiều thập kỷ và sự ra đời của những chiếc xe tự lái AI sẽ xảy ra trong khi vẫn còn những chiếc xe do con người điều khiển trên đường. Đây là một điểm rất quan trọng vì điều này có nghĩa là AI của những chiếc xe tự lái cần phải có khả năng cạnh tranh với không chỉ những chiếc xe tự lái AI khác, mà còn cả những chiếc xe tự lái. Thật dễ dàng để hình dung một thế giới đơn giản và khá phi thực tế, trong đó tất cả các xe tự lái AI đang tương tác với nhau một cách lịch sự và là dân sự về các tương tác trên đường. Đó không phải là điều sẽ xảy ra trong tương lai gần. Xe hơi tự lái AI và xe hơi do con người điều khiển sẽ cần để có thể đối phó với nhau. 

Đối với bài viết của tôi về sự hội tụ lớn đã đưa chúng ta đến thời điểm này, xem: https://aitrends.com/selfdrivingcars/grand-convergence-explains-rise-self-driving-cars/  

Xem bài viết của tôi về những tình huống khó xử về đạo đức đối với những chiếc xe tự lái AI: https://aitrends.com/selfdrivingcars/ethically-ambiguous-self-driving-cars/ 

Để biết các quy định tiềm năng về xe tự lái AI, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/assessing-federal-regulations-self-driving-cars-house-bill-passed/ 

Để biết dự đoán của tôi về xe tự lái AI trong những năm 2020, 2030 và 2040, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/gen-z-and-the-fate-of-ai-self-driving-cars/ 

Quay trở lại chủ đề về sự bất thường, AI của ô tô tự lái phải có khả năng xác định chính xác rằng một sự bất thường có khả năng tồn tại và do đó, phần đầu tiên của việc xử lý sự bất thường liên quan đến việc phát hiện. 

Các cảm biến của ô tô tự lái có thể đã có sẵn nhiều chương trình khác nhau kiểm tra dữ liệu cảm giác thu thập được để thử và tìm ra các mẫu. Chúng bao gồm các quy trình xử lý hình ảnh xử lý dữ liệu được thu thập qua camera, bao gồm cả video và hình ảnh tĩnh. Có phần mềm tương tự như vậy cho radar, cảm biến siêu âm và LIDAR (nếu được trang bị), v.v. 

Nhiều thuật toán đối sánh mẫu này để kiểm tra dữ liệu cảm quan có thể đã được đào tạo thông qua Học máy (ML). Điều này đưa chúng ta đến lĩnh vực quan tâm đầu tiên về khả năng phát hiện bất thường của ô tô tự lái. Nếu Machine Learning bao gồm dữ liệu đã được lọc và không có điểm bất thường nào, thì sự xuất hiện bất thường của điểm bất thường trong quá trình sử dụng hệ thống thực tế có thể hoàn toàn không được chú ý. Các chương trình diễn giải dữ liệu cảm giác có thể chỉ cần loại bỏ dữ liệu ngoại lệ và coi đó là một phần của tiếng ồn và các thông tin chuyển tiếp khác mà người ta sẽ nhận được khi sử dụng các cảm biến.   

Đó là một khía cạnh khó khắc phục, cụ thể là cố gắng tìm ra đâu là loại dữ liệu nhất thời và nhiễu thông thường so với thứ gì đó thực sự bất thường đáng để xem xét. Giả sử AI được đào tạo về tất cả các loại biển báo giao thông, và sau đó trong thế giới thực, một biển báo giao thông không được sử dụng trong đào tạo được phát hiện. AI có thể chọn kết luận rằng biển báo giao thông không phải là biển báo giao thông vì nó nằm ngoài khuôn mẫu của những gì cấu thành biển báo giao thông.   

Tôi đã trải nghiệm điều này vào một ngày nọ khi có một tấm biển viết tay mà một đội làm đường đã dựng lên để cảnh báo về một cái hố hoặc bãi cỏ trên con phố phía trước. Họ đã cố gắng làm cho nó trông giống như một biển báo giao thông thông thường, nhưng bằng mắt thường, rõ ràng đó là một biển báo đặc biệt được chế tạo nhanh chóng.  

 AI sẽ làm gì với nó?  

Tôi đoán rằng các cảm biến chắc chắn đã phát hiện ra sự hiện diện của biển báo. Tuy nhiên, sau khi cố gắng khớp nó với những cái mà nó đã học được từ trước, rất có thể nó sẽ được phân loại hoặc phân loại thành bất kỳ loại biển báo nào và không liên quan đến đường và tình hình giao thông (ngược lại, đối với ví dụ, đối với các cuộc bầu cử chính trị, có rất nhiều biển báo được dựng khắp thị trấn, không có biển báo nào liên quan đến giao thông, và do đó, xe tự lái sẽ chọn bỏ qua những biển báo đó). 

Việc giải thích dữ liệu cảm biến cần phải đủ mạnh để gây chú ý đến sự bất thường, nhưng đồng thời nếu sự bất thường không liên quan thì sẽ có vấn đề về việc sử dụng các chu trình xử lý trên bo mạch để cố gắng tìm ra giá trị của sự bất thường đó. có lẽ có thể bỏ đói một số quá trình lái xe quan trọng khác. Nó giống như một trận đấu cờ vua liên quan đến việc cố gắng xác định xem bạn muốn phân tích ở độ sâu bao nhiêu cấp độ, được gọi là lớp. Bạn càng xem xét sâu hơn các nước đi trước trong cờ vua, thì khả năng bạn thực hiện một nước đi tốt bây giờ càng cao, nhưng đồng thời nó cũng ngốn thời gian và sự chú ý, những thứ có thể cần thiết cho các mục đích khác (tôi nhận ra rằng không phải như vậy trong một trận đấu cờ vua). , nhưng điều này là như vậy khi lái xe ô tô).  

Đối với bài viết của tôi về các khía cạnh thời gian nhận thức, hãy xem: https://aitrends.com/selfdrivingcars/cognitive-timing-for-ai-self-driving-cars/ 

Để biết thêm về Machine Learning và ô tô tự lái AI, hãy xem bài viết của tôi: https://aitrends.com/ai-insider/machine-learning-benchmarks-and-ai-self-driving-cars/   

Để biết ý nghĩa của các biển báo giao thông, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/making-ai-sense-of-road-signs/ 

Để phân tích các mảnh vụn trên đường, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/roadway-debris-cognition-self-driving-cars/   

Nhìn chung, có một số điểm bất thường thực sự không tồn tại nhưng dữ liệu hoặc dấu hiệu cho thấy nó tồn tại và bất kỳ sự theo đuổi nào cũng giống như đi xuống hố thỏ.   

Có những dị thường khác có nguồn gốc thực sự và vì vậy cần phải theo đuổi. Có thể nói, một cách để cố gắng đạt được dấu hiệu cho biết liệu dị thường có chân hay không, có thể nói như vậy, liên quan đến việc thực hiện một loại tam giác chéo trên dị thường. 

Trong trường hợp kết hợp cảm biến, khi các thiết bị cảm biến khác nhau đã cung cấp thông tin giải thích của chúng, phần kết hợp cảm biến của AI sẽ phụ thuộc vào việc hỗ trợ tìm ra điều gì có thể là bất thường thực sự so với điều gì có thể không. Bằng cách so sánh kết quả diễn giải từ từng cảm biến khác nhau, sự kết hợp cảm biến có nhiệm vụ khó khăn là cố gắng tìm ra sự thật thực sự về những gì xung quanh chiếc xe tự lái AI. 

Giả sử các camera đã phát hiện ra một hình ảnh mờ ảo của thứ gì đó ở bên đường. Hình ảnh mờ đến mức không thể dễ dàng phân loại hình ảnh là người đi bộ hay nói là vòi cứu hỏa hoặc cột điện trên đường (hoặc, có thể đó là một cách đọc sai nào đó). Trong khi đó, giả sử radar đã thu được một tập hợp tín hiệu mạnh hơn một chút và có thể hiển thị đường viền có hình dạng hơn của vật thể. Và giả sử LIDAR cũng làm như vậy về mặt cung cấp hình dạng rõ ràng hơn. Bằng cách sắp xếp tam giác nhiều cảm biến, sự kết hợp cảm biến có thể nhận ra rằng đó là thứ gì đó tồn tại chứ không chỉ là tiếng ồn, và hơn nữa đó là người đi bộ chứ không chỉ là một vật vô tri vô giác.   

Sau đó, sự kết hợp cảm biến sẽ chuyển phần này đến phần mô hình thế giới ảo của hệ thống AI. Trong mô hình thế giới ảo, hiện có một điểm đánh số được đặt tại vị trí của đối tượng bị nghi ngờ trong mô hình tổng thể và hơn nữa nó được phân loại với xác suất đó là người đi bộ. Chương trình lập kế hoạch hành động AI hiện kiểm tra mô hình thế giới ảo để tìm ra hành động nào, nếu có, việc lái ô tô nên thực hiện khi biết tin này rằng có thể có một người đi bộ ở bên đường.   

Để biết cách sử dụng lý luận xác suất cho ô tô tự lái AI, hãy xem bài viết của tôi: https://aitrends.com/ai-insider/probabilistic-reasoning-ai-self-driving-cars/ 

Đối với nhu cầu về khả năng phục hồi trong AI của xe tự lái, hãy xem bài viết của tôi: https://aitrends.com/ai-insider/self-adapting-resiliency-for-ai-self-driving-cars/   

Để biết cách sử dụng dao cạo Occam, hãy xem bài viết của tôi: https://aitrends.com/ai-insider/occams-razor-ai-machine-learning-self-driving-cars-zebra/ 

Mánh khóe đối phó với sự bất thường 

Đây là phần thực sự phức tạp mà nhiều hệ thống AI chưa xem xét.  

Có thể dễ dàng xem xét vai trò của dị thường ở khía cạnh phân tích dữ liệu cảm biến. Điều tương tự cũng có thể nói về việc phát hiện sự bất thường ở phần hợp nhất của cảm biến. Nó trở nên phức tạp hơn khi bạn đang xem xét mô hình thế giới ảo và các phần lập kế hoạch hành động AI.   

Hãy sử dụng ví dụ của tôi về người đàn ông đi bộ trên đường cao tốc.   

Tôi tương đối tự tin rằng xe tự lái AI sẽ có thể phát hiện ra người đàn ông đang đi bộ và xác định đối tượng đó là người đi bộ. Chắc chắn, có thể có vấn đề khi cố gắng đưa ra quyết định này và nó sẽ phụ thuộc vào các yếu tố như liệu cảm biến có trong tầm nhìn của người đi bộ hay không và liệu có bất kỳ thời tiết nào có thể làm gián đoạn dữ liệu cảm biến chẳng hạn như mưa hoặc tuyết, v.v.   

Một khi người đàn ông đi bộ được đưa vào mô hình thế giới ảo, liệu AI có nhận ra rằng một người đi bộ trên đường cao tốc là điều bất thường? Liệu nó có thể mở rộng phạm vi xem xét đó và sau đó tìm kiếm các manh mối khác có thể xác nhận tính hợp lệ của người đàn ông đi bộ đang ở đó, chẳng hạn như tìm kiếm một chiếc ô tô bị tàn tật?   

Tôi dám khẳng định rằng hầu hết các hệ thống AI dành cho ô tô tự lái vào thời điểm hiện tại khó có thể có kiểu tư duy tìm kiếm sự bất thường như vậy. 

Trong trường hợp bạn muốn tranh luận rằng người đàn ông đi bộ là một ví dụ khác về việc không phạm lỗi không gây hại nếu hệ thống AI không quan tâm đến người đàn ông đi bộ (tương tự như câu chuyện của tôi về những chiếc xe tải đi vào làn đường cao tốc) , Tôi đang chờ để kể cho bạn nghe phần cuối của câu chuyện về người đàn ông biết đi. 

Sau khi tôi vượt qua anh ta, với tốc độ 100 feet mỗi giây và ở khoảng cách khoảng hai làn đường (giả sử cách anh ta khoảng 15-20 feet), sau đó anh ta lao ra khỏi dòng xe cộ. Nhiều xe chạy tới chạy quá nhanh nên một trong số chúng đã tông vào anh ấy (tôi có nghe nói về điều đó trên bản tin chứ không trực tiếp chứng kiến). Điều này đã xảy ra trong làn đường chậm.   

Tôi biết rằng có một số chuyên gia về AI sẽ khẳng định rằng nếu ô tô tự lái AI chạy trong làn đường chậm thì nó sẽ không đâm vào người đàn ông đang đi bộ vì nó đã thực hiện một thao tác né tránh một cách thần kỳ. Tôi không nghĩ có ý nghĩa gì khi nói điều đó trong hoàn cảnh này. Vật lý cản trở khả năng tránh ai đó đột nhiên lao tới trước một chiếc ô tô đang chạy 100 feet mỗi giây. Bạn sẽ không thể phanh đủ nhanh để tránh đâm vào người đó.   

Bạn sẽ đi đến đâu? Đi vào các làn đường giao thông khác? Hoặc, có thể vào con mương bên cạnh đường cao tốc, nhưng có thể giết chết những người ngồi trong xe? 

Thậm chí có một số nhà phát triển AI và chuyên gia AI sẽ nói rằng nếu một con người đủ ngu ngốc để lao vào giao thông, thì người đó sẽ nhận được những gì họ xứng đáng. Đây thậm chí còn là một điều ngớ ngẩn để nói. Giả sử người lái ô tô đã lao xuống mương và chết, nhờ đó giữ được mạng sống cho người đàn ông đang đi bộ. Đó có phải là một cái chết “xứng đáng” theo ước tính của ý tưởng này mà bạn nhận được xứng đáng không? Tôi nghĩ là không.   

Đối với những tình huống khó xử về đạo đức đối với ô tô tự lái AI, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/ethically-ambiguous-self-driving-cars/   

Đối với nhu cầu tiềm năng đối với các hội đồng đánh giá đạo đức, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/ethics-review-boards-and-ai-self-driving-cars/ 

Đối với chủ nghĩa lý tưởng của một số nhà phát triển AI, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/idealism-and-ai-self-driving-cars/   

Đối với tư duy của nhà phát triển AI ích kỷ, hãy xem bài viết của tôi: https://aitrends.com/selfdrivingcars/egocentric-design-and-ai-self-driving-cars/   

Kết luận  

Cũng chính những chuyên gia đó cũng có thể lập luận rằng ngay từ đầu người đàn ông đang đi bộ không nên đi lên đường cao tốc.  

Như đã đề cập trước đó, có hàng rào và tường gạch ngăn cách xa lộ. Vâng, có thể trèo qua những bức tường đó. Liệu chúng ta có nên dựng hàng rào thép gai và có thể là các chốt súng, và làm cho dường như không thể đi vào đường cao tốc (một loại Bức tường Berlin ngày nay), làm như vậy bởi vì AI không đủ để thử và tìm ra khi nào có người đi bộ ở đó và nên tránh?  

Tôi nghĩ là không. 

Những người trong chúng ta đang phát triển ô tô tự lái AI nên đặt mục tiêu để AI thực hiện các loại hành động phù hợp, chẳng hạn như hành động mà tôi đã thực hiện, mà tôi tin rằng đó là một hành động hợp lý. Tôi đã di chuyển sang làn đường cách xa người đàn ông đi bộ và luôn cảnh giác với những gì người đàn ông đi bộ đang làm. Có những hành động khác có thể đã được thực hiện, chẳng hạn như có thể cố gắng chặn lưu lượng truy cập và làm chậm lưu lượng truy cập hoặc có thể gọi 911, nhưng trong mọi trường hợp, tất cả những hành động đó đều dựa trên nhận thức rằng có sự bất thường đang diễn ra. 

AI mạnh mẽ cho ô tô tự lái cần phải tin tưởng vào sự bất thường. AI cần phải công khai tìm ra những điều bất thường và đưa ra những điều đúng đắn. Tuy nhiên, điều này không thể được thực hiện một cách bừa bãi.  

Chỉ có rất nhiều quá trình xử lý và băng thông mà hệ thống tích hợp AI có thể thực hiện và thực hiện điều đó một cách kịp thời. Trí tuệ nhân tạo cần phải cảnh giác với các thông tin xác thực sai và không thực hiện hành động không chính đáng và có thể mang lại rủi ro cho chính nó. AI cũng không nên bị coi là âm tính giả. Dị thường, yêu hoặc ghét chúng, nhưng dù bằng cách nào bạn cũng cần phải đối phó với chúng.   

Đó là chà. 

Bản quyền 2020 Tiến sĩ Lance Eliot  

Nội dung này là ban đầu được đăng trên AI Trends. 

[Ed. Lưu ý: Đối với độc giả quan tâm đến các phân tích kinh doanh đang diễn ra của Tiến sĩ Eliot về sự ra đời của những chiếc xe tự lái, hãy xem cột Forbes trực tuyến của anh ấy: https://forbes.com/sites/lanceeliot/] 

http://ai-selfdriving-cars.libsyn.com/website 

Nguồn: https://www.aitrends.com/ai-insider/anomalies-and-ai-autonomous-cars/