רכבים עם טכנולוגיות נהיגה עצמאית יכולים להביא יתרונות רבים לחברה האנושית. אחד מסדרי העדיפויות הגבוהים במכון המחקר של טויוטה (Toyota Research Institute) הוא ליישם את הפיתוחים העדכניים ביותר בתחומי הבינה המלאכותית (Artificial Intelligence, ר"ת AI) על מנת לסייע לטויוטה (Toyota) לייצר מכוניות בטוחות יותר, נגישות יותר, וידידותיות יותר לסביבה. על מנת לסייע לו להשיג את יעדיו בחר מכון המחקר של טויוטה בפתרונות ה"למידה העמוקה" (Deep Learning) של אמזון ווב סרוויס (AWS).
באמצעות פתרון ה-Amazon EC2 P3 המכון מקבל מהירות גבוהה פי ארבע של זמני לימוד המודלים מאשר בגרסת P2, שעשו בה שימוש בעבר, תוך הורדת זמני לימוד המודל מימים לשעות. הדבר מעניק לחוקרי המכון יכולות אג'יליות משמעותיות על מנת לבצע אופטימיזציה ולאמן מחדש את המודלים שלהם במהירות, ולפרוס אותם במכוניות הניסוי שלהם או סביבות הסימולציה להמשך בדיקות. בנוסף, שיפורי הביצועים המשמעותיים בגרסת P3 לעומת גרסת P2, בצירוף עם מודל הצריכה על בסיס שימוש בפועל, מתורגם לעלויות תפעוליות נמוכות יותר.
ליצור מודלים של "למידה עמוקה" לנהיגה אוטומטית
פיתוח ופריסה של כלי רכב אוטונומיים מחייב יכולות איסוף, אחסון, וניהול של כמויות מידע מאסיביות, ביצועים גבוהים של מערך המחשוב, ושימוש בטכניקות מתקדמות של "למידה עמוקה" (Deep Learning), בנוסף ליכולת לבצע עיבוד של המידע בתוך הרכב בזמן אמת (real-time).
באמצעות שימוש בפלטפורמת PyTorch ללמידה עמוקה מכון המחקר של טויוטה יצר מודלים של ראייה באמצעות מחשב המסוגלים בצורה אוטומטית לספק ניטור ושליטה במצבי נהיגה שונים. על מנת לאסוף מידע עושה מכון המחקר של טויוטה שימוש בסנסורים מסוגים שונים המותקנים בצי רכבי הניסוי שלהם, כגון: מצלמות, ראדאר, ו-LIDAR (טכנולוגיה שמייצרת ייצוג לאובייקט בתלת מימד). רכבי ניסוי אלה נוסעים במתחמי תפעול ייעודיים - Operational Design Domains – אוספים אינפורמציה המצטברת לטרהבייטים של מידע מדי יום לכול רכב. מידע זה נדרש להיות מאוחזר במהירות, לעבור הכנה, ולהפוך אותו זמין לניתוח במודלים של לימוד מכונה וסימולטורים.
מכון המחקר של טויוטה מאמין שאימון של מודלים בצורה מדויקת מחייב טריליונים של מיילים בנסיעות מבחן. במהלך ניסויי הרכבים מכון המחקר של טויוטה עושה שימוש בסימולטורים המיועדים לשחזר מגוון של תנאי נהיגה נדירים. סימולטורים אלה מייצרים מידע אמיתי העובר במודלים של לימוד מכונה ומיועד לבחון את התגובות למצבי קיצון, דוגמת: סופות גשם, סופות שלג, או סנוור בזמנים שונים של יום ולילה, בתנאי דרך שונים וסביבה משתנה.
"באמצעות השימוש ב-Amazon EC2 P3 הורדנו את הזמן ללימוד והרצה של המודלים שלנו ב-75%. זה מאפשר לנו להאיץ בצורה משמעותית את המחקר שלנו ולשלב במהירות מידע חדש ולבדוק אותו שנית במודלים, לבדוק רעיונות, להגדיל את הדיוק, ולהציג פיצ'רים חדשים במהירות רבה יותר", ציין ד"ר אדריאן גאידון, מוביל תחום לימוד מכונה, במכון המחקר של טויוטה.
"למידה עמוקה" מבוססת ענן
מכון המחקר של טויוטה נדרש לפלטפורמת IT המסוגלת לטפל בכמויות מידע גדולות, בעלת כוח עיבוד גבוה להרצה של מודלי לימוד מכונה במהירות, ויכולת גידול על מנת לענות על הדרישות של המכון. באמצעות השימוש ב-AWS קיבל מכון המחקר את משאבי העיבוד והאחסון במודל של On Demand ובנוסף גם יכולות ניהול גבוהות יותר. השילוב נתן לצוותי הפיתוח במכון המחקר של טויוטה אג'יליות גבוהה ויכולת לבצע סבבי פיתוח מהירים והרצה של ניסויים על כמויות מידע גדולות.
מכון המחקר של טויוטה משתמש ב-Amazon S3 כדי לאחסן ולאחזר כול כמות של מידע מכול מקום, וב-Amazon SQS על מנת לסנכרן העברת מידע מתוך ואל אתרי איסוף מידע מרוחקים. יכולות העיבוד הנדרשות על ידי המכון על מנת להאיץ את תהליך הלימוד וההרצה של מודלי לימוד המכונה מונעים על ידי Amazon EC2 P3 המבוססים על הגרסה האחרונה של מעבדי NVIDIA Tesla V100 GPU. P3 הינו מהפתרונות המהירים בתחום ה-GPU בעולם הענן, והפתרון מסייע להאיץ לימוד מודל לימוד מכונה לשעות או דקות, וכך מאפשר למדעני המידע ומהנדסי לימוד מכונה להאיץ תהליכים, להריץ יותר מודלים, ולבנות יתרון תחרותי.
"בזכות השימוש בענן של AWS, ובייחוד Amazon EC2 P3, הצלחנו לבנות יישומים סקיילביליים ובעלי ביצועים גבוהים לטיפול ועיבוד של כמויות מידע גדולות שאנו אוספים", אמר מייק גאריסון, מוביל תחום טכני, הנדסה תשתיתית, במכון המחקר של טויוטה.
השימוש ביכולות הלמידה העמוקה על גבי תשתיות Amazon EC2 P3, Amazon S3, Amazon SQS, ו-Amazon Networking Services, איפשר למכון המחקר של טויוטה לבנות פתרון סקיילבילי המאפשר לצוותי הפיתוח שלהם לבצע התקדמות מהירה, ולקדם את יישום החזון של שימוש ב-AI על מנת לסייע לטויוטה לייצר מכוניות מהירות יותר, ובטוחות יותר.