Umělá inteligence způsobuje automobilovému průmyslu vrásky na čele: nedostatek odborných znalostí a dovedností a stále rostoucí složitost informačních technologií jsou totiž velmi často překážkou její ho zavádění do výrobní praxe.Vyplývá to z průzkumu, který provedla v osmi zemích poradenská společnost Capgemini. Zúčastnilo se jej 500 manažerů z automobilového průmyslu. Jen 10 % dotazovaných uvedlo, že v jejich společnosti již byla AI implementována. V současnosti přitom počet společností, které do svých provozů zavádějí pilotní projekty AI, klesá. K hlavním důvodům tohoto vývoje patří obtížnost integrace stávajících systémů a nástrojů AI a nedostatek odpovídajících znalostí. Výrobci automobilů mají také problémy s tím, aby dostatečně doložili výhody a návratnost investic do podobných projektů, a v neposlední řadě také s výběrem správných škálovatelných aplikací. V článku uveřejněném na portálu elektroniknet.de se uvádí, že očekávání, která mnozí v souvislosti s AI mají, by neměla být příliš vysoká. V tomto duchu článek shrnuje závěry studie „Future of AI in Automotive“, kterou provedla Asociace německých inženýrů (VDI), a cituje Patricka van der Smagta, ředitele AI ve Volkswagenu, který říká, že plně autonomní řízení je stále ještě stále mimo realitu. Přesto nelze popřít, že AI se v automobilovém průmyslu prosazuje, a nedávný Hannover Messe byl dokladem toho, že v některých segmentech se to daří velmi dobře. Naučit automobily lépe vidět Takovým příkladem může být sofistikované řešení, které na letošním Hannover Messe představila společnost Toposens. Výrobcům automobilů by mělo pomoci využít potenciálu, jejž skýtá 3D vidění na bázi ultrazvuku, a to jak pro sériově vyráběná vozidla, tak i pro budoucí autonomně řízené modely. Společnost Toposens, která byla založena v roce 2015 v Mnichově Alexandrem Rudoyem, Rinaldem Persichinim a Tobiasem Bahnemannem, od svých počátků chytře využívá veletržního prostředí Hannover Messe k prezentaci svých inovativních řešení. Firma má pobočku i v kalifornském Sunnyvale, díky čemuž mohla zintenzivnit kontakty s tamními špičkovými odborníky na robotiku a výzkumnými centry. Řešení Toposens, které se nazývá DevKit, je určeno zvláště pro ty výrobce, kteří do automobilů sami instalují 3D ultrazvukové technologie a chtějí provádět vlastní testy. DevKit se skládá ze čtyř 3D ultrazvukových senzorů, řídicí jednotky a grafického uživatelského rozhraní. Dokáže spolehlivě rozpoznat pohybující se i stacionární objekty. Speciálně optimalizované algoritmy běžící na čipu v senzorovém systému umožňují „vnímat“ okolí ve 3D podobně tak, jak to dělá netopýr – a to v reálném čase. Senzor tak spojuje výhody cenově dostupného, osvědčeného ultrazvukového hardwaru s kvalitou dat a řadou komplexních 3D senzorických systémů. Výsledkem této unikátní kombinace sofistikovaného softwaru a konvenčního hardwaru je 3D senzor, který lze dobře integrovat do různých automobilových aplikací. Minimalizovat chyby v detekc i objektů V některých případech může být kvalita umělé inteligence zabudované v automobilech otázkou života nebo smrti. Vědci se proto pokoušejí vyvinout spolehlivou metodu, která by minimalizovala chyby v detekci objektů. Většina systémů takovéto detekce je založena na strojovém učení. Problémem však je, že jejich algoritmy lze jen obtížně stoprocentně otestovat. Nový testovací software, který vytvořili vědci z University of Southern California a Arizona State University, funguje poněkud jinak. Software „rozumí“ například tomu, že objekt se nemůže zjevit takříkajíc z ničeho nic nebo naopak zmizet, tzn. že mezi jednotlivými snímky videa musí být určitá logická kontinuita. Pokud v tomto ohledu software selže, je v jeho algoritmu pravděpodobně chyba. Vědci novou metodu, nazvanou Timed Quality Temporal Logic, použili k otestování dvou populárních nástrojů strojového učení – Squeeze Det a YOLO. Ukázalo se, že jejich systém se úspěšně zdokonaluje i v případech, kdy nástroje strojového učení porušují „principy zdravého rozumu“. Tyto nástroje totiž často objekt vůbec nedetekovaly, nebo jej klasifikovaly špatně. V jednom případě například systém nedokázal rozpoznat cyklistu zezadu, když pneumatiku bicyklu identifikoval jako tenkou svislou čáru. Cyklistu tak označil za chodce. Takováto chyba však může mít fatální následky, protože systém nemusí správně předvídat další pohyb cyklisty. Výskyt „fantomových objektů“, tzn. že systém „rozpoznává“ objekt tam, kde žádný není, bývá také poměrně běžný. Tato chyba může způsobit, že autonomní systém začne prudce brzdit – což může mít rovněž vážné následky. Hlavním záměrem tohoto projektu je identifikovat prostřednictvím virtuálních testů problémy, které může mít algoritmus s rozpoznáváním svého okolí, a učinit jej před nasazením do ostrého provozu co možná nejbezpečnějším a nejspolehlivějším. Inovací je zde to, že tato metoda se opírá o knihovnu „principů zdravého rozumu“, není proto třeba, aby lidé označovali jednotlivé objekty v souboru testovacích dat, což je časově náročné a často se při tom nelze vyvarovat chyb. V budoucnu americký výzkumný tým hodlá aplikovat tuto logiku tak, aby „rekvalifikoval“ celé algoritmy vnímání, zjistí-li chybu. Mělo by jít o aplikaci v reálném čase, tzn. o jakýsi real-time bezpečnostní monitoring. Desetkrát rychleji Zlepšovat „schopnost vnímání“ autonomních vozidel se pokouší řada firem. Jednou z takovýchto společností je i start-up Artisense, sídlící v Garchingu nedaleko Mnichova. Jeho zakladatelé si stanovili smělý cíl: naučit stroje vidět tak, jako vidí lidé. Nový software této firmy tuto snahu demonstruje tím, že výrazně usnadňuje 3D mapování a lokalizaci v reálném čase. Autonomní řízení je možné pouze tehdy, pokud vozidla dokážou spolehlivě „rozpoznávat“ své okolí. Proces této identifikace nyní může být rychlejší a efektivnější, a to díky vhodnému využití umělé inteligence. Autonomní řízení potřebuje velké množství fotografických a video materiálů, aby mohlo správně kategorizovat objekty. Jak vysvětluje počítačový vědec Philip Kessler, ponechání tohoto procesu na lidech je časově náročné. Se svým kolegou Marcem Menglerem proto založil start-up understand.ai a představil řešení, které by mělo proces označování a identifikace objektů desetkrát zrychlit a zpřesnit. Celý proces probíhá většinou zcela automatizovaně, konečnou kontrolu kvality však vždy provádí člověk, aby se eliminovaly případné chyby.
