Компания Cognitive Pilot, ведущий разработчик технологий автопилотирования, анонсировала новое обновление своих решений для сельхозтехники и рельсового транспорта. В свежей версии значительно улучшена структура нейронной сети, что привело к увеличению качества распознавания более чем в десять раз, а также вдвое увеличело количество распознаваемых объектов и повысило производительность на более чем 40%.
«Недавно несколько крупных разработчиков систем автопилотирования, таких как Tesla и Google, модернизировали архитектуру своих нейросетей. Cognitive Pilot, основываясь на накопленном опыте, предложила собственный подход к улучшению архитектуры, который показал себя более эффективным и привел к значительным результатам в короткие сроки», – сообщил Геннадий Савицкий, ведущий разработчик компании.
В отличие от традиционных методов, требующих больших объемов данных, специалисты Cognitive Pilot применили инновационный подход, фокусируясь на умном отборе информации. Использование современных аналитических методов, таких как TSNE и OOD, позволило создать сбалансированные обучающие выборки и добиться максимальной эффективности при минимальных затратах данных.
Применение многозадачной трансформерной архитектуры дало возможность вести совместное обучение, адаптируя задачи нейросети к новым сценариям. Эта новая архитектура, названная CognitiveNet, обеспечивает значительно улучшенное распознавание объектов, способствуя анализу окружающей среды и повышая количество выявляемых объектов, включая технику и животных.
Савицкий также отметил, что достигнутый уровень распознавания превосходит способности человека, позволяя системе мгновенно идентифицировать объекты, такие как воробьи на поле. Новый детектор объектов улучшил точность локализации и снизил количество ошибок распознавания. Инновационный подход к обучению обеспечил высокую производительность системы, уменьшив требования к вычислительным ресурсам.
В дополнение к этому, новая архитектура имеет возможность самодиагностики и оценки надежности своих предсказаний, что крайне важно для автопилотируемых систем. Это обеспечивает большую прозрачность и надежность принимаемых решений, позволяя избежать проблем с интерпретируемостью.
