Нейросеть нашла связь между потреблением электричества и появлением пробок на дороге

Искусственный интеллект научился предсказывать пробки, ориентируясь на потребление электричества

Дата публикации: 25 июня 2018 08:28
Автор: Игнат Пантелеевич

Учёные создали систему, которая прогнозирует дорожный трафик, основываясь на данных о бытовом потреблении электроэнергии. Как отмечается в пресс-релизе исследования, это, возможно, первая подобная разработка в мире.

Достижение описано в научной статье, опубликованной в журнале Transportation Research Part C: Emerging Technologies Пиньчао Чжаном (Pinchao Zhang) и Чжэнем Цянем (Zhen Qian) из Университета Карнеги–Меллона в США.

Построенная авторами нейронная сеть анализировала данные о том, сколько электроэнергии в какое время суток потребляют 322 домашних хозяйства в городе Остин, США.

Обратите внимание

Исследователи исходили из простой мысли: пользование двумя сетями, дорожной и электрической, взаимосвязано. Так, если человек ложится спать в четыре часа утра, вряд ли он собирается на работу к семи.

Искусственный интеллект выделил десять типов потребления электричества. Каждый день он в реальном времени подсчитывал, сколько в каждом доме оказалось “сов”, “жаворонков” и всяких других интересных птиц.

Исходя из этой информации, нейронная сеть предсказывала ситуацию на дорогах.

И это получалось у неё лучше, чем у систем, использующих информацию о сегодняшнем трафике для прогнозирования ситуации на дорогах завтра.

“Наши результаты показывают, что утренние пиковые периоды скопления [автомобилей на дорогах] явно связаны с конкретными типами моделей использования электричества”, – говорит Цянь.

Разработчики считают одним из несомненных достоинств системы то, что она, давая хороший результат, не нарушает конфиденциальность частной жизни.

“Ещё одна особенность этого исследования заключается в том, что оно не требует от домохозяйств приватной информации, – объясняет Цянь. – Всё, что нам нужно знать, – это когда и сколько электроэнергии использует человек”.

В ближайших планах исследователей улучшить свою разработку, включив в анализ данные о таких важных факторах, как погодные условия и дорожно-транспортные происшествия. Также необходимо провести исследование на более крупной выборке добровольцев и за более длительный срок, чтобы лучше понять прогностические возможности модели, подчеркивают американские учёные.

Кроме того, авторы рассчитывают построить новые системы, основанные на этом же подходе. Например, нынешнее исследование можно “вывернуть наизнанку”, использовав информацию о дорожном трафике для предсказания нагрузок на электросеть. Также в настоящий момент Цянь изучает взаимосвязь между транспортным потоком и работой водопровода и канализации.

Напомним, что “Вести.Наука” (nauka.vesti.ru) ранее писали о научных методах борьбы с пробками, в том числе о перепланировке городов, движущихся дорожках для перевозки пассажиров и летающих такси . Говорили мы и о том, как можно использовать дорожные заторы на благо человечества.

Источник: http://kaliningrad-life.ru/science/iskusstvennyy-intellekt-nauchilsya-predskazyvat-probki-orientiruyas-na-potreblenie-elektrichestva.html

Что может и чего не может нейросеть: пятиминутный гид для новичков

С момента описания первого искусственного нейрона Уорреном Мак-Каллоком и Уолтером Питтсом прошло более пятидесяти лет. С тех пор многое изменилось, и сегодня нейросетевые алгоритмы применяются повсеместно.

И хотя нейронные сети способны на многое, исследователи при работе с ними сталкиваются с рядом трудностей: от переобучения до проблемы «черного ящика».

Если термины «катастрофическая забывчивость» и «регуляризация весов» вам пока ни о чем не говорят, читайте дальше: попробуем разобраться во всем по порядку.

/ Фотография Jun / CC-SA

Основное преимущество нейронных сетей перед другими методами машинного обучения состоит в том, что они могут распознавать более глубокие, иногда неожиданные закономерности в данных. В процессе обучения нейроны способны реагировать на полученную информацию в соответствии с принципами генерализации, тем самым решая поставленную перед ними задачу.

Важно

К областям, где сети находят практическое применение уже сейчас, можно отнести медицину (например, очистка показаний приборов от шумов, анализ эффективности проведённого лечения), интернет (ассоциативный поиск информации), экономику (прогнозирование курсов валют, автоматический трейдинг), игры (например, го) и другие.

Нейросети могут использоваться практически для чего угодно в силу своей универсальности. Однако волшебной таблеткой они не являются, и чтобы они начали функционировать должным образом, требуется проделать много предварительной работы.
Одним из ключевых элементов нейронной сети является способность обучаться.

Нейронная сеть — это адаптивная система, умеющая изменять свою внутреннюю структуру на базе поступающей информации. Обычно такой эффект достигается с помощью корректировки значений весов. Связи между нейронами на соседних слоях нейросети — это числа, описывающие значимость сигнала между двумя нейронами.

Если обученная нейронная сеть верно реагирует на входную информацию, то настраивать веса нет необходимости, а в противном случае с помощью какого-либо алгоритма обучения нужно изменить веса, улучшив результат.
Существует несколько принципиально отличающихся подходов к обучению, в привязке к поставленной задаче. Первый — обучение с учителем.

В этом случае входные данные представляют собой пары: объект и его характеристику. Такой подход применяется, например, в распознавании изображений: обучение проводится по размеченной базе из картинок и расставленных вручную меток того, что на них нарисовано.

Самой известной из таких баз является ImageNet.

При такой постановке задачи обучение мало чем отличается от, например, распознавания эмоций, которым занимается Neurodata Lab. Сети демонстрируются примеры, она делает предположение, и, в зависимости от его правильности, корректируются веса. Процесс повторяется до тех пор, пока точность не увеличивается до искомых величин.

Второй вариант — обучение без учителя. Типичными задачами для него считаются кластеризация и некоторые постановки задачи поиска аномалий.

При таком раскладе истинные метки обучающих данных нам недоступны, но есть необходимость в поиске закономерностей. Иногда схожий подход применяют для предобучения сети в задаче обучения с учителем.

Совет

Идея состоит в том, чтобы начальным приближением для весов было не случайное решение, а уже умеющее находить закономерности в данных.

Ну и третий вариант — обучение с подкреплением — стратегия, построенная на наблюдениях. Представьте себе мышь, бегущую по лабиринту. Если она повернет налево, то получит кусочек сыра, а если направо — удар током. Со временем мышь учится поворачивать только налево.

Нейронная сеть действует точно так же, подстраивая веса, если итоговый результат — «болезненный». Обучение с подкреплением активно применяется в робототехнике: «ударился ли робот в стену или остался невредим?».

Все задачи, имеющие отношение к играм, в том числе самая известная из них — AlphaGo, основаны именно на обучении с подкреплением.

Главная проблема нейросетей — переобучение. Оно заключается в том, что сеть «запоминает» ответы вместо того, чтобы улавливать закономерности в данных.

Наука поспособствовала появлению на свет нескольких методов борьбы с переобучением: сюда относятся, например, регуляризация, нормализация батчей, наращивание данных и другие. Иногда переобученная модель характеризуется большими абсолютными значениями весов.

Очевидный способ борьбы с такого рода переобучением – регуляризация весов. Она состоит либо в искусственном ограничении на значения весов, либо в добавлении штрафа в меру ошибки на этапе обучения. Такой подход не решает проблему полностью, но чаще всего улучшает результат.

Второй способ основан на ограничении выходного сигнала, а не значений весов, — речь о нормализации батчей. На этапе обучения данные подаются нейросети пачками — батчами. Выходные значения для них могут быть какими угодно, и тем их абсолютные значения больше, чем выше значения весов.

Если из каждого из них мы вычтем какое-то одно значение и поделим результат на другое, одинаково для всего батча, то мы сохраним качественные соотношения (максимальное, например, все равно останется максимальным), но выход будет более удобным для обработки его следующим слоем.

Третий подход работает не всегда. Как уже говорилось, переобученная нейросеть воспринимает многие точки как аномальные, которые хочется обрабатывать отдельно.

Обратите внимание

Идея состоит в наращивании обучающей выборки, чтобы точки были как будто той же природы, что и исходная выборка, но сгенерированы искусственно.

Однако тут сразу рождается большое число сопутствующих проблем: подбор параметров для наращивания выборки, критическое увеличение времени обучения и прочие.

В обособленную проблему выделяется поиск настоящих аномалий в обучающей выборке. Иногда это даже рассматривают как отдельную задачу. Изображение выше демонстрирует эффект исключения аномального значения из набора.

В случае нейронных сетей ситуация будет аналогичной. Правда, поиск и исключение таких значений — нетривиальная задача.

Для этого применяются специальные техники — подробнее о них вы можете прочитать по ссылкам (здесь и здесь).

Работа в динамически изменяющихся средах (например, в финансовых) сложна для нейронных сетей. Даже если вам удалось успешно натренировать сеть, нет гарантий, что она не перестанет работать в будущем. Финансовые рынки постоянно трансформируются, поэтому то, что работало вчера, может с тем же успехом «сломаться» сегодня.

Здесь исследователям или приходится тестировать разнообразные архитектуры сетей и выбирать из них лучшую, или использовать динамические нейронные сети. Последние «следят» за изменениями среды и подстраивают свою архитектуру в соответствии с ними. Одним из используемых в этом случае алгоритмов является метод MSO (multi-swarm optimization).

Безусловно, ученые трудятся над решением и этой проблемы. Разработчики из DeepMind недавно предложили способ борьбы с катастрофической забывчивостью, который заключается в том, что наиболее важные веса в нейронной сети при выполнении некой задачи А искусственно делаются более устойчивыми к изменению в процессе обучения на задаче Б.

Новый подход получил название Elastic Weight Consolidation (упругое закрепление весов) из-за аналогии с упругой пружинкой.

Технически он реализуется следующим образом: каждому весу в нейронной сети присваивается параметр F, который определяет его значимость только в рамках определенной задачи. Чем больше F для конкретного нейрона, тем сложнее будет изменить его вес при обучении новой задаче.

Важно

Это позволяет сети «запоминать» ключевые навыки. Технология уступила «узкоспециализированным» сетям в отдельных задачах, но показала себя с лучшей стороны по сумме всех этапов.

Еще одна сложность работы с нейронными сетями состоит в том, что ИНС фактически являются черными ящиками. Строго говоря, кроме результата, из нейросети не вытащишь ничего, даже статистические данные. При этом сложно понять, как сеть принимает решения. Единственный пример, где это не так — сверточные нейронные сети в задачах распознавания. В этом случае некоторые промежуточные слои имеют смысл карт признаков (одна связь показывает то, встретился ли какой-то простой шаблон в исходной картинке), поэтому возбуждение различных нейронов можно отследить. Разумеется, указанный нюанс делает достаточно сложным использование нейронных сетей в приложениях, когда ошибки критичны. Например, менеджеры фондов не могут понять, как нейронная сеть принимает решения. Это приводит к тому, что невозможно корректно оценить риски торговых стратегий. Аналогично банки, прибегающие к нейронным сетям для моделирования кредитных рисков, не смогут сказать, почему этот самый клиент имеет сейчас именно такой кредитный рейтинг.

Поэтому разработчики нейросетей ищут способы обойти это ограничение. Например, работа ведется над так называемыми алгоритмами изъятия правил (rule-extraction algorithms), чтобы повысить прозрачность архитектур. Эти алгоритмы извлекают информацию из нейросетей либо в виде математических выражений и символьной логики, либо в виде деревьев решений.

Источник: https://habr.com/company/neurodatalab/blog/335238/

Нейросеть определяет тунеядцев по метаданным сотовой сети с вероятностью 70,4%

Благодаря социальным сетям и метаданным сотовой связи специалисты получили удобный и достаточно точный инструмент для изучения общества. Некоторую информацию люди публикуют в соцсетях сознательно, а часть важных данных выдают непроизвольно.

Скажем, анализ анонимных метаданных сотовой связи показывает трафик на дорогах, скорость движения автомобилей, образование пробок, пассажиропотоки общественного транспорта. Это довольно логичные варианты дата-майнинга. А вот группа учёных из Telenor Group Research, MIT Media Lab, Flowminder Foundation и Стокгольмской школы экономики весьма нестандартный вариант.

Исследователи доказали, что по логам сотовой связи можно предсказывать… занятость. Довольно точно определяются безработные и представители ещё 17 родов занятий.

По информации учёных, это первое в мире исследование такого рода, когда безработных или профессию человека вычисляют на индивидуальном уровне с помощью глубинного обучения по логам сотовой сети. Раньше исследователи пытались предсказать только общий уровень безработицы по мобильным данным, но не профессии конкретных людей.

Читайте также:  Палочки с искусственным интеллектом расскажут о свежести блюда

Исследователи подчёркивают, насколько важно иметь точную статистику безработных в обществе. Это важный экономический индикатор для изучения рынка труда, который помогает строить экономические прогнозы и управлять экономикой. Хотя избыток свободных трудовых ресурсов приятен для работодателей, но государство обычно ставит целью снизить безработицу ниже определённого уровня.

Узнать точную информацию о безработных тяжело. Для этого требуется периодически проводить масштабные социологические опросы. В некоторых странах фактический уровень безработицы сильно превышает показатель официально зарегистрированных в органах служб занятости.

Индикаторы использования сотовой связи офисными сотрудниками, безработными, пенсионерами, учителями и студентами. Например, нейросеть определила для офисных сотрудников такой специфический индикатор, как большая длительность исходящих звонков

Совет

Такие опросы отнимают немало времени и ресурсов. Например, в США действительно постоянно проводят такие опросы в домохозяйствах и публикуют статистику. В менее развитых странах из-за дороговизны опросов их проводят нерегулярно и с недостаточным охватом. Теперь исследователи нашли альтернативный вариант, который кардинально решает проблему.

Сотовые телефоны сейчас есть даже у бомжей, поэтому анализ метаданных обеспечивает практически полный охват трудоспособного населения во многих странах (в целом мобильники есть у более 50% населения Земли).

О таком охвате социологи могут только мечтать. Инженеры показали, что метаданные сотовой сети обеспечивают достаточный пространственный охват и точность во времени, чтобы проводить эффективный дата-майнинг.

Беспрецедентный охват и точность метаданных сотовой сети в прошлые годы учёные использовали для вычисления вспомогательных индикаторов уровня бедности, неграмотности, оценки численности населения, миграции и распространения вирусных эпидемий. На индивидуальном уровне метаданные сотовой сети помогают предсказать , , его и . Теперь дошло дело и до статуса занятости.

Исследователи применили модель глубинного обучения на массивном наборе данных, полученных в одной бедной южноазиатской стране. Для обучения программы использовали результаты опроса 200 000 человек в домохозяйствах, проведённого местным оператором сотовой связи. Люди сообщали о своём статусе занятости и профессии, выбирая из 18 видов занятий.

Кроме того, для глубинного обучения взяли мобильные логи за срок шесть месяцев 76 000 из этих 200 000 опрошенных человек.

Информацию тщательно анонимизировали, программа не имела доступа к номерам телефонов, именам абонентов, содержимому разговоров и текстовых сообщений.

Естественно, имея такой доступ в стиле СОРМ, можно профилировать людей практически со стопроцентной точностью. В данном случае ставилась задача провести научное исследование не нарушая права человека.

Обратите внимание

Из мобильных логов исследователи выделили переменные трёх типов: финансовые (сумма пополнения счёта, расходы на связь, частота пополнения, соотношение между максимальной и минимальной суммой пополнения счёта и др.

), перемещения по местности (домашний район/сота, энтропия мест посещения, радиус инерции сечения, количество посещённых мест и др.

) и социальные функции (количество разговоров с контактом, энтропия контактов, продолжительность разговора, количество SMS, объём интернет-трафика, количество MMS, количество и продолжительность видеозвонков, частота использования дополнительных услуг оператора и др.).

Модель со всеми переменными протестировали на нескольких алгоритмах, в том числе GBM (gradient boosted machines), RF (random forest), SVM (support vector machines) и kNN (K-nearest neighbors). По итогу была составлена многослойная нейросеть. Точнее, 18 моделей для каждого вида профессии (включая безработных). Обучение и тестирование осуществлялись с распределением данных 75% и 25%.

Результаты показали, что нейросеть лучше всего определяет офисных сотрудников (клерков). По использованию мобильной связи они выдают себя с точностью 73,5%.

Сложнее всего определить по метаданным сотовой сети квалифицированных сотрудников (61,9%). Средний показатель по всем профессиональным группам составил 67,5%.

Как и офисные сотрудники, безработные определяются тоже очень хорошо с вероятностью 70,4%.

Наверняка эта научная работа найдёт применение в практических программах для дата-майнинга.

Кстати говоря, если кто-то получит информацию об изменении уровня занятости за 1−2 недели до появления официальной статистики в США, то может неплохо заработать на бирже.

Так что у сотрудников операторов сотовой связи появляется вариант для небольшой «халтурки», если они не боятся сесть в тюрьму за использование инсайдерской информации.

Важно

В странах, где ввели или собираются ввести налог на тунеядцев, такая нейросеть поможет пополнять бюджет. Будет выявлять незарегистрированных безработных, которые укрываются от налоговой инспекции. По предполагаемой профессии человека можно ещё таргетировать рекламу.

Научная статья 12 декабря 2016 года на сайте препринтов arXiv (arXiv:1612.03870) и пока не получила экспертную оценку.

Источник –

Источник: http://www.bash.ru/index.php/new-innovasii/31034-neyroset-opredelyaet-tuneyadcev-po-metadannym-sotovoy-seti-s-veroyatnost-yu-70-4

Муравьи создают дорожную сеть без пробок

Французские ученые выяснили, что заставляет муравья, бегущего на подмогу к своим собратьям, всегда выбирать правильную дорожку. Оказывается, эти насекомые ориентируются не только с помощью зрения. Они умеют “нюхать” и даже “слушать” тропинки. Возможно, благодаря этим способностям, муравьи никогда не устраивают пробки и заторы на дорогах.

Что больше всего поражало мирмекологов (ученых, изучающих муравьев) – так это аккуратная сеть тропинок, которая находится около муравейника. Их общую совокупность обычно называют дорожной сетью.

Она чрезвычайно сложна, но в то же время предельно логична – доказано, что каждая тропинка идет таким образом, что путь по ней от муравейника до места назначения является самым коротким. И, что тоже немаловажно, самым удобным.

Любопытно, что у наших муравьев данные сети создаются с началом весны и исправно функционируют до начала холодов (впрочем, в начале следующего теплого сезона некоторые участки новой сети могут закладываться на аналогичных участках старой). А вот у муравьев, обитающих в тропиках, дорожные сети сохраняются много лет, и если их разрушает дождь или ветер, то трудолюбивые насекомые заново восстанавливают их на тех же участках, где они и раньше находились.

Ежедневно по тропинкам дорожной сети снуют сотни тысяч фуражиров. Одни занимаются поиском пищи или строительных материалов, другие тащат найденное в гнездо, третьи патрулируют территорию.

Если глядеть на это долго, то кажется, будто бы перед тобой миниатюрная система городских автомагистралей, по которым движутся миллионы машин. Очень похоже.

Хотя одно отличие все-таки есть – на муравьиных тропинках никогда не бывает пробок.

И это еще один повод удивиться – почему же у муравьев их никогда нет, хотя, в отличие от людей, их движение никто не регулирует и не организовывает. Собственно говоря, обычно формирование транспортной колонны происходит следующим образом: разведчик, нашедший, например, еду, прокладывает путь от нее до муравейника самым коротким и выгодным образом.

Совет

Причем его тропинка удивительным образом не пересекается уже с другими – ну, разве что только с самыми широкими, да и то, уже вблизи гнезда. Это как раз и есть один из факторов, препятствующий возникновению пробок.

Прибежав к жилищу, он передает сигнал своим собратьям, который можно перевести примерно так: “следуйте за мной, это очень важно, но не опасно”. После такого оповещения часть муравьев сразу же устремляется за разведчиком, а другая передает сигнал дальше, к тем рабочим, что находятся в гнезде.

В итоге по следу разведчика буквально через несколько секунд уже несется целая толпа желающих потрудиться на благо родного муравейника. Причем они-то уже не видят разведчика. Однако все равно бегут по тому пути, что проложил именно он.

Это тоже весьма удивляло ученых – ведь по идее данная толпа, которая не видит проводника, должна начать метаться из стороны в сторону, пытаясь найти правильную дорогу.

А это-то как раз и создает условия для возникновения пробки – ведь они будут мешать движению по другим тропинкам. Тем не менее, этого не происходит.

Помощники четко следуют по маршруту, который рассчитал фуражир, нашедший еду.

Долгое время биологи не знали, почему так происходит. Однако еще в конце прошлого столетия кое-что стало понятно. Например, благодаря химическому анализу, удалось выяснить, что разведчик, когда прокладывает тропинку к муравейнику, метит ее особым летучим веществом – феромоном. Именно по его запаху он, кстати, отыскивает обратный путь (хотя полагается и на зрительную память).

Но это еще не все – когда за проводником, бегущим обратно к добыче, следует первая партия помощников, то все они также выделяют аналогичный “путевой” феромон. Поэтому тем, кто несется вслед за ними, есть на что ориентироваться – запах стоит такой, что ошибиться просто невозможно.

Таким образом, муравьи в очередной раз подтвердили незыблемость для всех живых существ так называемого закона Вебера-Фехнера.

Обратите внимание

Напомню, что это правило гласит, что что заметная разница между двумя физическими стимулами пропорциональна величине раздражителя.

То есть, грубо говоря, если у живого существа есть выбор, на какой из двух раздражителей реагировать, то оно отреагирует на тот, что действует сильнее.

В случае движения же муравьев логично было предположить, что они побегут по той тропинке, где запах “путевого” феромона будет ощущаться сильнее, а все остальные, даже идущие рядом, проигнорируют.

Однако со временем выяснилось, что не все так просто. Дело в том, что феромон – вещество, которое достаточно быстро испаряется. То есть муравей, нюхая его, в принципе может узнать верное направление.

Однако феромональное облако зависает над несколькими близкими тропинками, и, согласно закону Вебера-Фехнера, насекомому должно быть все равно, какую из них выбрать.

Но, тем не менее, наблюдения показывают, что муравьи никогда не ошибаются и всегда бегут по той тропинке, которую проложил разведчик.

В чем же тут дело? Неужели закон Вебера-Фехнера в данном случае не работает (что вообще странно – до этого никаких исключений в мире животных не наблюдалось)? Или же есть еще какой-то опознавательный знак, который указывает муравьям путь?

Французская исследовательница Андреа Перна из Института сложных систем выбрала вторую гипотезу. И ей после серии наблюдений за поведением представителей различных видов муравьев удалось найти этот загадочный “дополнительный стимул”.

Важно

Оказывается, муравьи умеют “слышать” дорогу. И хотя обычные для нас звуки данные насекомые не воспринимают, однако самые слабые колебания почвы слышат также хорошо, как мы – звуки автомобильной сигнализации, издаваемые припаркованной в противоположном углу двора машиной.

Г-жа Перна и ее коллеги исходили из того, что поведение муравьев неизбежно “шумное”, то есть, передвигаясь по тропинкам, они топают, как маленькие слоны.

Поэтому те, кто отправился на подмогу позже, понюхав феромональный след и определив направление, внимательно слушают вибрации тропинок.

И, в конце концов, выбирают ту, что сильнее вибрирует, поскольку несложно догадаться, что именно по ней в настоящее время несется толпа сородичей. Значит, именно там и находится добыча.

Кроме того, открытие Андреа Перна дало ответ на еще один вопрос – каким образом разведчику удается прокладывать путь вдалеке от других дорожек. Он, оказывается, тоже “слушает” тропинки. Но, в отличие от своих помощников, наоборот, избегает приближаться к тем местам, где вибрация наиболее сильная.

Что и позволяет ему создать минимум пересечений своего пути с остальными (говоря языком дорожных строителей, свести к минимуму количество перекрестков) и тем самым существенно снизить риск возникновения пробки.

Получается, что муравьи не устраивают заторов потому, что умеют нюхать и слушать дороги, а не только смотреть на них. Возможно, если бы и люди обладали такими способностями, то и в наших городах пробок было бы значительно меньше…

Источник: http://www.ecosever.ru/article/18930.html

Эксперт: Нейросеть может предсказать погоду и найти преступника за секунду

В 2016 году нейросети стали самым модным трендом в мире высоких технологий. Год назад благодаря мобильному приложению Prisma о принципах работы нейронных сетей узнали не только физики и программисты, но и обычные владельцы современных смартфонов.

С тех пор нейронные сети все чаще ассоциируются у пользователей именно с развлекательным контентом – с их помощью можно нарисовать картину как Ван Гог, наложить на лицо макияж или снять его, раскрасить черно-белое видео или даже определять возраст человека на фотографии. Но нейросеть – это не просто модное слово, а главный «мозг» искусственного интеллекта, программа, которую можно обучить выполнять любые команды. 

Корреспондент «МИР 24» побеседовала с экспертами в области нейронных сетей и выяснила,  чему сейчас обучают нейросети и почему они стали одним из главных прорывов в мире новых технологий. 

Читайте также:  Машинное зрение

Рассказывает Роман Душкин, эксперт по искусственному интеллекту, автор курса «Искусственный интеллект»:  

Совет

На мой взгляд, «развлекательная» функция нейронных сетей – это скорее «побочный» эффект их популярности.

Дело в том, что у нейросетей есть огромное количество областей для применения именно в фундаментальных науках, связанных с технологией распознавания образов.

Проще говоря, опознание лица – это самая элементарная задача, которую способна решать нейронная сеть, сложность состоит лишь во внедрении такой технологии. 

Возьмем, к примеру видеофиксацию ДТП. Камеры на дорогах, которые фиксируют дорожные инциденты и любые нарушения правил дорожного движения, уже никого не удивляют, а ведь во многих из них могла бы работать искусственная нейронная сеть. 

Другой пример – это технология распознавания лиц в толпе, которая позволяет искать пропавших людей.

 Это гораздо эффективнее, чем, клеить фоторобот на подъезды: мы даем фотографию этого человека на обработку нейронной сети, внедряем эту технологию примерно в камеры видеонаблюдения на улицах Москвы, которых сейчас около 150 тысяч.

Все они ежедневно записывают каждую секунду происходящего в городе, и в результате эффективность поиска повышается в несколько десятков раз. 

Прорывы в области обучения нейросетей – это уже не вопрос будущего, а происходящее в наши дни. Например, это объединение нескольких нейросетей в один комплекс, которые обучают друг друга.

Обратите внимание

В процессе такого обучения родилась система AlphaGo от компании DeepMind – программа для игры в го (прим.

одна из наиболее сложных логических настольных игр на стратегическое мышление и комбинационное зрение).

В этом году она стала первой компьютерной программой, способной обыграть профессионального игрока в го, хотя ранее считали, что на разработку искусственного интеллекта, способного конкурировать с мастером го, уйдут десятилетия.

Следующее поколение этой системы – программа AlphaGo Zero сыграла 100 партий с системой AlphaGo, которая обыграла профессионала, и победила в 100 из них.

Что важнее всего для нас – так это то, что подобная система универсальна, она может не только играть в го, но и выполнять любые подобные алгоритмические задачи. 

Рассказывает Вадим Шемаров, сооснователь сервиса shikari.do для автоматического поиска клиентов в социальных сетях, блогах и форумах: 

«Сегодня есть много примеров прикладного применения нейросетей в различных областях. К примеру, совсем недавно Yandex научил нейросети давать краткосрочный прогноз осадков с удивительной точностью, причем не только для города в целом, но и для конкретного района и улицы. На основе нейросетей у этого же сервиса сейчас работают системы поиска и перевода с одного языка на другой.

Система распознавания лиц с видео с уличных телекамер в режиме реального времени – это уже не сюжет из фантастического боевика, а наша реальность. Самодвижущиеся автомобили без водителей, которые активно испытываются сейчас многими компаниями, были бы не так совершенны без использования нейросетей. 

Есть и более простые и утилитарные примеры использования нейросетей: например, мы в своих проектах учим нейросети искать потенциальных клиентов в социальных сетях для различных категорий бизнеса, учим отличать спам от нормальных «человеческих» сообщений. Такие системы мониторят источники, выискивая сообщения пользователе вида «Очень нужен…», «Посоветуйте специалиста..», «Ищем исполнителя для…» и так далее.

Затем эти сообщения прогоняются через обученные нейронные сети, которые отсеивают всяческую «шелуху», оставляя только те сообщения, где люди действительно интересуются какой-либо услугой (хотят ее купить или найти специалиста), и потом фильтруют сообщения по заданным категориям – для фотографов, дизайнеров, бухгалтеров. Кроме подобной схемы работы с текстами, есть системы поиска по изображениям, где нейросети умеют определять, что изображено на фотографии, и решать, в какую категорию эту фотографию отнести.

Важно

Сегодня даже энтузиасты-одиночки начинают использовать нейросети для своих нужд: один японский инженер научил нейросеть сортировать огурцы по заданным стандартам, а в США владелец дома научил нейросеть по видеоизображениям определять, что на лужайку его дома пришел кот, и отпугивать его включением поливальной установки».

Надежда Сережкина 

Источник: https://mir24.tv/articles/16275184/ekspert-neiroset-mozhet-predskazat-pogodu-i-naiti-prestupnika-za-sekundu

Ученые вставили мозг червя в робота Arduino

Несколько лет назад международная группа ученых разместила круглого червя Caenorhabditis elegans внутрь робота, собранного из кирпичиков Lego. Теперь они создали версию, в разработке которой каждый может принять участие. Она представляет собой биологически достоверную модель нейронной сети червя на платформе Arduino Uno.

C. elegans — нематоды, биология которых полностью изучена. Мы знаем все их гены, а их нервная система была исследована множество раз. В 2014 году коллектив ученых проекта OpenWorm записал все связи между 302 нейронами этого червя и смоделировал их в виде компьютерной программы. Целью проекта стало создание виртуального C. elegans.

Суперрастение спасет человечество от голода и изменений климата

Пока эта цель еще не достигнута, но ученым удалось тогда симулировать мозг этого организма, а затем загрузить его внутрь простого робота Lego, эквивалент ограниченных частей тела, имеющихся у червя — сонаров, служащих ему носом, и моторов, заменяющих двигательные нейроны по обеим сторонам его тела. После загрузки виртуальный мозг C. elegans смог взять под свой контроль робота безо всякого предварительного программирования, начал перемещаться, останавливаться перед препятствиями и разворачиваться безо всякой дополнительной помощи, используя только связи, имитирующие мозг червя.

Поразительное достижение 2014 года не позволяло, однако, из-за особенностей системы, собрав собственного робота, загрузить в него оцифрованную нейронную сеть круглого червя.

Новый проект с открытым кодом — Nematoduino — использует только 13 542 байта или 42% программной памяти совместимой с UNO платы и 825 байт (40%) SRAM. Остается достаточно места для добавления собственного кода и новых сенсоров.

Также было бы здорово придумать более изящный способ соединения двигательных нейронов с приводами, чем обычные колеса.

Есть и другие особенности, требующие улучшения. Например, стоило бы упростить процесс, запускающий работу отдельных нейронов.

Совет

И если это удастся, то в будущем, когда в распоряжении ученых появится более точная карта мозга человека, над которой уже ведется работа, можно будет если не загрузить сознание в компьютер, то, по крайней мере, существенно улучшить искусственные нейронные сети, пишет Science Alert.

Новый ИИ Nvidia создает пугающе убедительные фейковые видео

Разработав полную карту электрической совместимости мозга человека, нейробиологи Пенсильванского университета смогли объяснить связь между передними, височными и средними височными долями, которые отвечают за обработку воспоминаний.

Источник: https://hightech.fm/2017/12/11/nematoduino

Беспилотные автомобили помогут избавиться от пробок на дорогах

University of Illinois

Всего небольшой процент беспилотных автомобилей на дорогах поможет сократить число «фантомных пробок», которые возникают без объективных препятствий движению. К такому выводу пришли американские ученые в статье, опубликованной на сервере препринтов ArXiv.org.

Иногда пробки на дорогах появляются даже в том случае, когда для этого нет видимых причин: аварий, дорожных работ, слияния полос и так далее. Когда движение на свободном участке все равно замедляется, специалисты называют это «фантомной пробкой».

Феномен обусловлен плотностью транспортного потока: если она слишком велика, автомобили просто не могут трогаться и останавливаться одновременно.

В таком случае даже небольшая «заминка» (например, водитель слишком резко затормозил, тем самым нарушив скоростной режим) может создать волну плотности, которая распространится на едущие позади автомобили и парализует движение на некоторых участках пути.

При этом, как только пробка образовалась, с ней уже ничего нельзя сделать — поэтому борьба с фантомными пробками заключается в поиске способов предотвратить их возникновение. Авторы новой работы предположили, что эффективным инструментом контроля за транспортным потоком могут стать беспилотные автомобили, не подверженные влиянию человеческого фактора. 

Чтобы проверить свою гипотезу, ученые провели три эксперимента, в которых 21 или 22 автомобиля ездили по круговой трассе длиной 260 метров. В то время как все автомобили полностью контролировались людьми, один из них был оборудована системой автоматического контроля скорости. По словам ученых, такое соотношение имитирует небольшую долю автономного транспорта на длинном участке шоссе.

Согласно инструкции, все водители должны были начать движение по сигналу и стараться следовать за машиной впереди, не отставая от нее.

Обратите внимание

Результаты эксперимента показали, что даже небольшой процент машин с автоматической системой контроля скорости (фактически, с адаптивным круиз-контролем) поможет контролировать дорожный поток и сгладить влияние волн плотности, создаваемых людьми.

Более того, по подсчетам исследователей, это позволяет сократить суммарное потребление топлива транспортом более чем на 40 процентов.

«Беспилотные автомобили вряд ли заполонят в ближайшее время общие трассы из-за технологических, рыночных и законодательных ограничений. Однако связь между транспортными средствами и уровень автономии в транспортных средствах, управляемых человеком повысятся уже совсем скоро», — комментируют авторы работы.

В будущем ученые планируют воспроизвести свое исследование в более реалистичных условиях, когда машины будут двигаться по нескольким полосам и смогут обгонять друг друга.

В последние годы многие компании активно работают над созданием и усовершенствованием беспилотного транспорта.

Так, компания Ford подала заявку на патент на беспилотный автомобиль с переключением режимов езды, а Российский квантовый центр заявил о планах по разработке системы защищенной квантовой связи для электромобилей.

В прошлом месяце к испытаниям автономного транспорта приступила компания Apple.

Кристина Уласович

Источник: https://nplus1.ru/news/2017/05/10/self-driving-cars-improve-traffic-flow

Простыми словами о сложном: что такое нейронные сети?

Искусственный интеллект, нейронные сети, машинное обучение — что на самом деле означают все эти нынче популярные понятия? Для большинства непосвященных людей, коим являюсь и я сам, они всегда казались чем-то фантастическим, но на самом деле суть их лежит на поверхности.

У меня давно созревала идея написать простым языком об искусственных нейронных сетях. Узнать самому и рассказать другим, что представляет собой эта технология, как она работает, рассмотреть ее историю и перспективы.

В этой статье я постарался не залезать в дебри, а просто и популярно рассказать об этом перспективном направление в мире высоких технологий.

Немного истории

Впервые понятие искусственных нейронных сетей (ИНС) возникло при попытке смоделировать процессы головного мозга. Первым серьезным прорывом в этой сфере можно считать создание модели нейронных сетей МакКаллока-Питтса в 1943 году.

Учеными впервые была разработана модель искусственного нейрона. Ими также была предложена конструкция сети из этих элементов для выполнения логических операций. Но самое главное, учеными было доказано, что подобная сеть способна обучаться.

Следующим важным шагом стала разработка Дональдом Хеббом первого алгоритма вычисления ИНС в 1949 году, который стал основополагающем на несколько последующих десятилетий.

Важно

В 1958 году Фрэнком Розенблаттом был разработан парцептрон — система, имитирующая процессы головного мозга. В свое время технология не имела аналогов и до сих пор является основополагающей в нейронных сетях.

В 1986 году практически одновременно, независимо друг от друга американскими и советскими учеными был существенно доработан основополагающий метод обучения многослойного перцептрона. В 2007 году нейронные сети перенесли второе рождение.

Британский информатик Джеффри Хинтоном впервые разработал алгоритм глубокого обучения многослойных нейронных сетей, который сейчас, например, используется для работы беспилотных автомобилей.

Коротко о главном

В общем смысле слова, нейронные сети — это математические модели, работающие по принципу сетей нервных клеток животного организма. ИНС могут быть реализованы как в программируемые, так и в аппаратные решения.

Для простоты восприятия нейрон можно представить, как некую ячейку, у которой имеется множество входных отверстий и одно выходное. Каким образом многочисленные входящие сигналы формируются в выходящий, как раз и определяет алгоритм вычисления.

На каждый вход нейрона подаются действенные значения, которые затем распространяются по межнейронным связям (синопсисам). У синапсов есть один параметр — вес, благодаря которому входная информация изменяется при переходе от одного нейрона к другому.

Легче всего принцип работы нейросетей можно представить на примере смешения цветов. Синий, зеленый и красный нейрон имеют разные веса. Информация того нейрона, вес которого больше будет доминирующей в следующем нейроне.

Сама нейросеть представляет собой систему из множества таких нейронов (процессоров). По отдельности эти процессоры достаточно просты (намного проще, чем процессор персонального компьютера), но будучи соединенными в большую систему нейроны способны выполнять очень сложные задачи.

В зависимости от области применения нейросеть можно трактовать по-разному,  Например, с точки зрения машинного обучения ИНС представляет собой метод распознавания образов.

С математической точки зрения — это многопараметрическая задача. С точки зрения кибернетики — модель адаптивного управления робототехникой.

Совет

Для искусственного интеллекта ИНС — это основополагающее составляющее для моделирования естественного интеллекта с помощью вычислительных алгоритмов.

Читайте также:  Компьютер стал членом совета директоров одной гонконгской компании

Основным преимуществом нейросетей над обычными алгоритмами вычисления является их возможность обучения.

В общем смысле слова обучение заключается в нахождении верных коэффициентов связи между нейронами, а также в обобщении данных и выявлении сложных зависимостей между входными и выходными сигналами.

Фактически, удачное обучение нейросети означает, что система будет способна выявить верный результат на основании данных, отсутствующих в обучающей выборке.

Сегодняшнее положение

Источник: https://gagadget.com/another/27575-prostyimi-slovami-o-slozhnom-chto-takoe-nejronnyie-seti/

Будущее без пробок на дорогах может наступить прямо завтра

Дэвид К. Гибсон BBC Autos

Правообладатель иллюстрации Getty Images

Искусственный разум автомобилей сможет устранить заторы еще до их появления, считает обозреватель BBC Autos.

Автомобильные пробки по определению создает каждый из нас.

Их причиной может стать авария, строительные работы, столкновение внедорожников на выезде с концерта Билли Джоэла…

И если вы являетесь частью транспортного потока, вы же автоматически становитесь и частью проблемы.

Однако устранить проблему некоторых заторов, которые, казалось бы, не имеют очевидной причины, можно при помощи одного неочевидного решения.

Один-единственный водитель, вооруженный начальными познаниями в гидродинамике, может предотвратить или “растворить” даже километровую пробку.

Используя те же методы (и некоторые современные технологии) совместно, водители могут существенно и надолго сократить количество пробок на автострадах.

И для этого не надо дожидаться появления беспилотных автомобилей.

Шокирующая правда об автомобильных пробках

В браузерной видеоигре Error-Prone вы сами и еще 25 участников можете контролировать скорость нарисованного автомобиля, нажимая или отпуская клавишу на клавиатуре.

Конечно, машины собьются в кучу, но это еще не все печальные последствия: как вы понимаете, даже небольшие отклонения в скорости приведут к эффекту резонанса в кольце машин, который будет усиливаться по легко рассчитываемой формуле, пока эти виртуальные путешественники не превратятся в груду металлолома.

Попробуйте поиграть сами, используя всего одну клавишу, и вы, скорее всего, придете к такому же результату.

Обратите внимание

Или посмотрите видео, в котором ученые попытались воспроизвести такой сценарий в реальности.

Error-Prone была придумана, чтобы показать, насколько безопаснее и эффективнее на дорогах были бы автомобили-роботы: действительно, когда все машины запрограммированы из единого центра на движение с одинаковой скоростью по одному и тому же маршруту, они не сталкиваются.

Довольно-таки очевидно, правда?

Но игра еще и отлично демонстрирует формирование так называемых фантомных пробок – тех самых каждодневных ситуаций, когда затор образуется, казалось бы, безо всякой видимой причины.

Как и в большинстве случаев, виновато в этом несовершенство человеческой природы.

Правообладатель иллюстрации ThinkstockImage caption Кто-то впереди притормаживает – в итоге стоит весь поток

Где-то там, в километрах впереди от той точки, в которой вы в итоге застрянете вне себя от злости, некий водитель немного притормаживает, заставляя идущую позади машину тормозить чуть сильнее.

Эта волна замедления движения катится по трассе назад, одновременно расширяясь и замедляясь, пока дорога не превратится в гигантскую парковку.

Японские ученые первыми доказали существование этих волн в транспортном потоке.

(Впрочем, стоит отметить, что объяснить их появление можно на цифровых моделях, и множество инженеров и ученых занимаются именно этим.)

С математической точки зрения эти волны напоминают ударные; в 2009 году их открыла и назвала “джемитонами” (от английского jam – “затор”. – Прим. переводчика) группа ученых, работающая при поддержке Национального научного фонда США.

Даже тогда решение этой проблемы видели в технологиях: они должны были обеспечить перспективу, в которой “электронные вспомогательные устройства будут ненавязчиво помогать водителю разгоняться и тормозить более плавно, что снизит вероятность образования джемитонов”.

Дело не только в научном интересе: джемитоны заставляют транспорт двигаться “короткими перебежками”, что приводит к авариям, которые могут обернуться серьезными задержками движения и иногда – тяжелыми травмами.

Важно

Сегодня, когда автомобили без водителя кажутся уже почти сбывшимся будущим, мы надеемся, что технологии избавят нас от пробок.

По умным улицам поедут напичканные датчиками машины, которые будут обмениваться данными друг с другом и с центральной сетью.

Некий продвинутый алгоритм оптимизирует транспортный поток, машины будут соблюдать достаточную дистанцию на случай снижения скорости, а стоп-сигналы перестанут вспыхивать во время движения.

В этом прекрасном будущем автомобили будут двигаться как детали на конвейере или сцепленные вместе вагоны поезда (иногда о таком варианте говорят в буквальном смысле).

Но, возможно, ждать этого будущего не надо. Может быть, необходимые технологии у нас уже есть: надо только собрать их воедино.

Дорожный воин-одиночка

“В 1996 году я решил в одиночку изменить взгляды людей на вождение”, – вспоминает Уильям Бити год открытия сайта trafficwaves.org.

Это лишь маленькая тихая заводь в громадном море страниц и ссылок, собранных инженером-исследователем из Сиэтла за долгие годы, но она снискала ему репутацию серьезного ученого (коллеги из Би-би-си беседовали с ним еще в 2000 году).

“Я занялся созданием этого сайта еще на заре интернета, во время споров с подписчиками новостных групп Usenet, – вспоминает он. – Чтобы не печатать одни и те же три абзаца всякий раз, когда кто-то начинал рассказывать мне, как надо водить, я просто создал веб-страничку”.

На этой страничке Бити изложил теорию, в которой сравнивал фантомные пробки и те заторы, которые остаются после устранения аварии, с ударными волнами.

Там же было предложено и решение проблемы: Бити не собирался ждать появления спасительных технологий.

Совет

Если эти явления подобны ударным волнам, рассуждал он, то их можно погасить, убрав среду, в которой они распространяются.

Дополнительное пространство между машинами приведет к рассасыванию пробок, а “бутылочные горлышки” расширятся, если дать людям возможность перестроиться заранее.

В целом, речь идет о том, что если водители будут ехать медленнее, то доберутся до места назначения быстрее.

По сути, его теория заключается в том, что водителям следует поддерживать постоянную среднюю скорость вместо того, чтобы резко разгоняться и тормозить до остановки.

Бити строил модели, снимал видео и претворял свои рекомендации в жизнь во время 45-минутных поездок на работу.

Но, кроме собственных экспериментов, получал он и другие практические подтверждения этой теории.

Автомобили дорожной полиции зачастую без видимой причины вклиниваются в трафик, чтобы замедлить поток: обычно таким образом они создают разрыв, который останавливает волну торможения, идущую от аварии в нескольких километрах впереди.

“В Бельгии и Голландии уже около 15 лет, когда вся страна одновременно отправляется на каникулы, используются так называемые Blokrijden – автомобили, регулирующие скорость потока”, – отмечает Бити.

Методы Бити (которые, впрочем, в сухом остатке сводятся к рекомендации “быть вежливым и не торопиться”) получили популярность среди некоторых водителей, хотя невозможно определить, какой эффект они оказывают на ежедневные поездки.

Обратите внимание

Ведь принимать в расчет приходится и такие факторы, как GPS-навигация, возросшая загрузка и адаптивный круиз-контроль.

Бити надеется, что его теории будут включены в программы автошкол, но он знает, что главное препятствие на дороге – сами водители и их навязчивое желание доехать до цели назначения как можно быстрее.

Сегодняшние технологии – завтра!

Люди – иррациональные существа. Даже если они теоретически понимают, что соблюдение дистанции и отсутствие разгонов и резких торможений позволит им самим и всем остальным участникам движения добраться до цели быстрее, в действительности они так поступать не будут.

Как же, ведь это означает, что какой-то другой тип прибудет на место на целых 2,35 секунды быстрее, чем я!

Но лень, орудием которой станет адаптивный круиз-контроль, может победить эту дурную наклонность.

Правообладатель иллюстрации Getty ImagesImage caption Чтобы у агрессивных водителей не было соблазна отключить круиз-контроль, ученые предлагают лишить беспилотные автомобили руля

“Даже если лишь немногие водители будут использовать адаптивный круиз-контроль при затрудненном движении, их машины уже не станут демонстрировать агрессивную и опасную езду впритирку”, – говорит Бити.

“Всего 10% таких машин на автостраде приведут к тому, что пробки исчезнут. Но, подозреваю, что если водитель заподозрит круиз-контроль в том, что тот мешает его агрессивной манере езды, он просто его отключит”.

Ситуацию ничуть не улучшает тот факт, что адаптивный круиз-контроль, как правило, ставят на автомобили с шикарными кожаными сиденьями и громогласными злобными двигателями, чьи водители редко отличаются особенным бескорыстием.

Но есть и другой класс водителей, которые, возможно, справятся с природной тягой к резкому и неровному вождению: это шоферы-профессионалы.

Важно

Дальнобойщики, шоферы служб доставки, такси Uber или автобусов – все они финансово заинтересованы в том, чтобы поток продолжал двигаться.

Если добавить сюда муниципальный и государственный транспорт, легко понять, что как только этот транспорт оснастят соответствующим образом и сделают использование адаптивного круиз-контроля обязательным, 10-процентный порог будет преодолен.

Будущее без пробок

Наши проблемы решит за нас искусственный разум.

Но он бывает самостоятельным лишь в фантастических фильмах: в реальности это только обозначение (с научной точки зрения неточное) систем, которые обучаются недоступными для человека способами: например, при помощи скоростного анализа данных и использования сложнейшей сети датчиков.

Все дело в алгоритмах: в их мире пробки превращаются в математическую задачу, обрабатываемую сверхбыстрыми компьютерами.

Доктор Ларри Хэд из недавно созданного Института транспортных исследований Аризонского университета видит два научно-исследовательских подхода к решению проблемы пробок.

“Первый и наиболее реальный пункт – взаимосвязанные автомобили (в Европе эта технология называется V2X, – говорит он. – Машины “разговаривают” друг с другом (протокол V2V), обмениваясь информацией 10 раз в секунду”.

“Каждый автомобиль узнает, что делают машины вокруг него, гораздо быстрее, чем может понять и среагировать человек. Благодаря этому такие автомобильные приложения, как коллективный адаптивный круиз-контроль, смогут помочь человеку за рулем значительно повысить уровень безопасности”.

Технология V2V уже не за горами: в США Национальное управление безопасности дорожного движения провозгласило ее внедрение первоочередной задачей, и в 2017 году она появится на Cadillac CTS.

Правообладатель иллюстрации General MotorsImage caption Седан Cadillac CTS 2017 модельного года получит технологию V2V

“Взаимосвязанные автомобили – важный шаг вперед, который позволит сократить смертность в авариях в США, составляющую сегодня 34 тысячи человек в год, – уверен Хэд. – Мы считаем, что эффект от их внедрения будет таким же, как от появления ремней безопасности”.

“Другое приложение под названием “Упорядочение скорости” меняет скоростной лимит в динамическом режиме, выравнивая поток”, – поясняет Хэд.

“Приложение “Предупреждение о затруднениях” сообщит автомобилям и их водителям об “ударных волнах” торможения, движущихся им навстречу, чтобы автомобилисты были начеку и при необходимости реагировали более быстро”.

Эта технология, снижающая воздействие волн путем замедления всех водителей до средней скорости на данном отрезке дороги, недавно заменила Blokrijden в странах Бенилюкса; ее даже применяют на том самом участке автострады, где Уильям Бити снимал на видео свои самые первые водительские эксперименты. И то, и другое оказалось весьма успешным.

“Второе направление исследований – автономные, или беспилотные автомобили, – продолжает Хэд. – На сегодняшний день эти направления развиваются независимо”.

“Думаю, дело в том, что беспилотники должны работать в любых обстоятельствах – есть на дороге взаимосвязанные автомобили или нет. До тех пор, пока на рынке не появится достаточное количество моделей с возможностью взаимосвязи, чтобы это положительно сказалось на беспилотниках, интеграция вряд ли произойдет”.

Итак, полный переход на автомобили, не нуждающиеся в водителях, остается волшебной палочкой, способной сделать транспортный поток плавным и безопасным.

Совет

Но Бити все равно настроен скептически: “Хорошо воспитанные” и безопасные беспилотные автомобили будут подрезаться агрессивными водителями”.

Он изображает разгневанного автомобилиста: “Нет, так дело не пойдет!” – одно нажатие на кнопку, и вот он уже переключился в ручной режим управления”.

Решая задачу, как добиться идеального транспортного потока, мы не можем перестать быть самими собой.

Источник: https://www.bbc.com/russian/vert-aut-36665418

Ссылка на основную публикацию