تكشف Parallel Domain عن مفاعل ، وهو محرك توليد بيانات تركيبية قائم على الذكاء الاصطناعي

أعلنت منصة البيانات الاصطناعية Parallel Domain اليوم عن إطلاق Reactor ، وهو محرك حديث لتوليد البيانات الاصطناعية يدمج تقنيات الذكاء الاصطناعي التوليدية المتقدمة مع إمكانات المحاكاة ثلاثية الأبعاد الخاصة. تهدف المنصة إلى تزويد مطوري التعلم الآلي (ML) بالتحكم وقابلية التوسع ، مما يمكنهم من إنشاء بيانات مشروحة بالكامل تعزز أداء الذكاء الاصطناعي وتعزز إنشاء أنظمة ذكاء اصطناعي أكثر أمانًا ومرونة لتطبيقات العالم الحقيقي.

وفقًا للشركة ، يعزز Reactor أداء الذكاء الاصطناعي في مختلف الصناعات ، مثل المركبات ذاتية القيادة والطائرات بدون طيار ، من خلال توليد صور عالية الجودة. بالإضافة إلى ذلك ، تسخر الأداة قوة الذكاء الاصطناعي التوليدي لإنتاج بيانات مشروحة ، وهو مطلب أساسي لمهام تعلم الآلة.

من خلال إنشاء كل من المربعات المحيطة (لاكتشاف الكائن) وشروح التجزئة الشاملة (التي توفر مناظر شاملة / بانورامية) ، يضمن Reactor أن نماذج الذكاء الاصطناعي يمكنها استخدام البيانات المرئية بشكل فعال ، مما يؤدي إلى نتائج أكثر دقة وموثوقية.

قال كيفن ماكنمارا ، الرئيس التنفيذي ومؤسس Parallel Domain ، لـ VentureBeat: “تتيح تقنية الذكاء الاصطناعي التوليدية الخاصة بنا للمستخدمين إنشاء ومعالجة البيانات التركيبية باستخدام مطالبات لغة طبيعية بديهية مع إنشاء الملصقات المقابلة المطلوبة لتدريب واختبار نماذج ML”. “أدت قدرة Reactor على إنشاء أمثلة تركيبية متنوعة إلى تحسينات كبيرة في الأداء في مهام مثل تقسيم المشاة والحطام واكتشاف عربات الأطفال. تساهم قدرتها على تعزيز تنوع مجموعات البيانات ، لا سيما للفئات النادرة ، في التدريب المتفوق للنماذج “.

التكرار والتحسين السريع لنموذج ML

قالت الشركة إن أداتها تمكن المستخدمين من إنشاء مجموعة واسعة من البيانات التركيبية لتدريب واختبار نماذج الإدراك. يتم تحقيق ذلك من خلال دمج Python واللغة الطبيعية ، مما يلغي الحاجة إلى إنشاء أصول مخصصة تستغرق وقتًا طويلاً وتبسيط سير العمل لتحسين الكفاءة. نتيجة لذلك ، يمكن لمطوري التعلم الآلي تكرار نماذجهم وتنقيحها بسرعة ، مما يقلل من وقت الاستجابة وتسريع تقدم تطوير الذكاء الاصطناعي.

قال ماكنمارا لموقع VentureBeat: “يتيح دمج هذه التقنيات في نظامنا الأساسي للمستخدمين إنشاء بيانات باستخدام لغة Python وأوامر اللغة الطبيعية ، مما يعزز مرونة توليد البيانات الاصطناعية”. “يُزود Reactor مطوري تعلم الآلة بالتحكم وقابلية التوسع ، مما يعيد تعريف مشهد توليد البيانات التركيبية. باستخدام Reactor ، يمكن للمستخدمين إنشاء أي أصل تقريبًا في ثوانٍ باستخدام مطالبات اللغة الطبيعية “.

الاستفادة من الذكاء الاصطناعي التوليدي لتحسين خطوط أنابيب البيانات التركيبية

وفقًا لماكنمارا ، بينما تستخدم الشركات الأخرى الذكاء الاصطناعي التوليدي لإنشاء بيانات جذابة بصريًا ، فإنها غير قابلة للاستخدام لتدريب نماذج ML بدون تعليقات توضيحية. يتغلب المفاعل على هذا القيد من خلال إنشاء بيانات مشروحة بالكامل ، مما يعزز عملية التعلم الآلي ويسمح للمطورين بإنشاء أنظمة ذكاء اصطناعي أكثر أمانًا وفعالية.

قال ماكنمارا لموقع VentureBeat: “نحن نسخر الذكاء الاصطناعي والمحاكاة ثلاثية الأبعاد لإنشاء مجموعة واسعة من البيانات الاصطناعية المفصلة والواقعية”. “يتيح الذكاء الاصطناعي التوليدي إنتاج سيناريوهات وأشياء متنوعة ، بينما تضيف المحاكاة ثلاثية الأبعاد الواقعية المادية ، مما يضمن متانة نماذج الذكاء الاصطناعي المدربة على هذه البيانات. قبل الآن ، كافحت النماذج التوليدية لفهم ما تقوم بإنشائه ، مما جعلها فقيرة جدًا في تقديم التعليقات التوضيحية مثل المربعات المحيطة والتجزئة الشاملة ، والتي تعد ضرورية لتدريب نماذج الذكاء الاصطناعي واختبارها “.

قال ماكنمارا أن الأداة توفر مجموعة واسعة من خيارات تخصيص البيانات والمشهد. بالإضافة إلى ذلك ، تسمح ميزة إنشاء الخلفية التكيفية بتعديل سهل للمشاهد التي تم إنشاؤها ، مما يتيح لنماذج ML التعميم عبر بيئات مختلفة. على سبيل المثال ، يمكن للمستخدمين تحويل أحد ضواحي كاليفورنيا إلى مشهد صاخب في وسط مدينة طوكيو.

توليد صور بديهية

تقدم مطالبات لغة المفاعل الطبيعية طريقة بديهية لإنشاء اختلافات في الصور ، وفقًا لماكنمارا. يمكن للمستخدمين تعديل الصور الحالية باستخدام مطالبات بسيطة مثل “اجعل هذه الصورة تبدو وكأنها عاصفة ثلجية” أو “ضع قطرات المطر على العدسة”. تلغي عملية التخصيص المبسطة هذه الحاجة إلى انتظار إنشاء الأصول المخصصة ، مما يؤدي إلى تحسين الكفاءة ووقت الاستجابة.

وأوضح ماكنمارا أن “ميزة إنشاء الخلفية التكيفية في Reactor تثري تنوع بيئات التدريب لنماذج ML”. “يؤدي هذا إلى توسيع السيناريوهات التي يمكن تدريب النموذج عليها ، مما يساعده على التعرف على ظروف العالم الحقيقي المختلفة والاستجابة لها بشكل أفضل.”

تسمح البنية التوليدية للنماذج بفهم بنية الكائنات التي تم إنشاؤها والمشاهد الأساسية ، مما يسهل استخراج البكسل والفهم الدلالي المكاني من الطبقات في العملية التوليدية. ينتج عن هذا تعليقات توضيحية تلقائية ودقيقة بالكامل.

بيانات تركيبية أكثر تنوعًا وواقعية

باستخدام Python ، يمكن للمستخدمين تكوين مجموعات البيانات التركيبية بمرونة عن طريق تحديد معلمات مختلفة مثل المواقع (سان فرانسيسكو وطوكيو) والبيئات (الحضرية والضواحي والطرق السريعة) وظروف الطقس وتوزيع الوكيل (المشاة والمركبات).

بمجرد تكوين مجموعة البيانات التأسيسية ، يمكن للمستخدمين استخدام Reactor لتحسين بياناتهم التركيبية بتنوع أكبر وواقعية. باستخدام موجهات اللغة الطبيعية ، يمكن للمستخدمين إدخال مجموعة كبيرة من الأشياء والسيناريوهات في المشهد ، مثل “سلة المهملات” ، أو “صندوق من الورق المقوى مليء بالنظارات الشمسية المتسربة على الأرض” ، أو “صندوق خشبي من البرتقال” أو “عربة أطفال”.

ينشئ المفاعل بيانات تركيبية مع التعليقات التوضيحية الأساسية – بما في ذلك المربعات المحيطة والتجزئة الشاملة – مما يسرع بشكل كبير تدريب واختبار نموذج ML.

قال ماكنمارا إن الأداة “تُحدث ثورة” في سير العمل التقليدي لإنشاء الأصول المخصصة ، والتي عادة ما تتضمن عملية تصميم تستغرق وقتًا طويلاً ، وتكوينًا يدويًا وتكاملًا بواسطة فنانين أو مطورين.

وأضاف ماكنمارا: “تعمل ميزات التخصيص السريع المدعومة بالذكاء الاصطناعي على تحسين الكفاءة وتحسين أوقات الدوران”. “نتيجة لذلك ، يمكن للمطورين إنشاء ودمج أصول جديدة في مجموعات البيانات التركيبية على الفور تقريبًا ، مما يتيح التكرارات الأسرع والتحسين المستمر لنماذجهم.”

رؤى مرئية مفصلة للمركبات ذاتية القيادة

وقالت الشركة إنها لاحظت تحسينات ملحوظة في سلامة المركبات ذاتية القيادة وأنظمة مساعدة سائق السيارات المتقدمة (ADAS). كما زعمت أنه من خلال تقنيات الانتشار المتقدمة ، حققت الأداة مؤخرًا نتائج رائعة في سيناريوهات العالم الحقيقي.

علاوة على ذلك ، سلطت الشركة الضوء على أن الأداة حسنت مؤخرًا بشكل كبير نتائج التجزئة الدلالية على مجموعة بيانات مناظر المدينة المحترمة – وهي معيار معترف به على نطاق واسع للقيادة الذاتية.

أوضح ماكنمارا: “غالبًا ما تفتقر بيانات العالم الحقيقي إلى أمثلة تدريب كافية لهذه الأشياء الأقل شيوعًا ولكنها مهمة للغاية”. تم استخدام المفاعل لتوليد بيانات تركيبية تصور سيناريوهات مختلفة تتضمن عربات أطفال لسد هذه الفجوة. من خلال إدخال هذه البيانات التركيبية في مجموعات التدريب ، يمكن للنماذج أن تتعلم بشكل أفضل وتعمم اكتشاف عربات الأطفال في سيناريوهات العالم الحقيقي ، وبالتالي تعزيز سلامة الأنظمة المستقلة. ”

وأضاف أنه بالنسبة لمجموعة بيانات Cityscapes ، تم إنشاء نماذج تركيبية للقطارات بواسطة المفاعل وتم إدخالها في مجموعة البيانات.

قال ماكنمارا: “أدت هذه البيانات المخصبة إلى تحسين أداء النموذج في اكتشاف القطارات وتقسيمها ، مما يساهم في توفير أنظمة قيادة ذاتية القيادة أكثر أمانًا وفعالية”.

وأضاف أن العديد من عملاء Parallel Domain بدأوا مؤخرًا في دمج قدرة المفاعل في سير عمل تطوير الذكاء الاصطناعي. على الرغم من أنها لا تزال في مراحلها الأولى ، إلا أن الشركة متحمسة لإمكانية Reactor لتحسين نماذج ML.

قال ماكنمارا: “قام كل من العملاء وفريق Parallel Domain ML بتدريب نماذج للحالات التي تفوقت بشكل كبير على أداء خط الأساس السابق”. هذا لأن أمثلة Reactor المتنوعة تعزز بشكل كبير تنوع مجموعة البيانات. تعمل البيانات المتنوعة على تدريب نماذج رائعة ، ونعمل على إعادة تعريف مشهد توليد البيانات التركيبية “.