Uno dei brevetti più recenti che Tesla ha recentemente richiesto mostra cosa serve per guidare un’industria. Nel nuovo documento, intitolato “Generating Ground Truth For Machine Learning From Time Series Elements”, la casa americana ha inventato un modo per consentire al computer (AI) di prevedere, con elevata precisione, le azioni che un veicolo intraprenderà. Questa è una cosa che si fa come pedone quando si attraversa la strada. Per Tesla insegnare ai computer come sapere istintivamente quando un’auto incrocerà la sua strada è davvero strabiliante.
Il brevetto utilizza molti termini tecnici, tra cui “verità fondamentale” e “serie temporali”. La verità si riferisce al controllo della precisione dei risultati dell’apprendimento automatico rispetto al mondo reale. La formulazione è presa in prestito dalla meteorologia, dove verità al suolo significa informazioni raccolte in loco. Nell’apprendimento automatico, le serie temporali sono una sequenza di osservazioni che vengono prese in sequenza nel tempo. Le previsioni del machine learning prendono modelli e li adattano ai dati storici; quindi li usa per prevedere osservazioni future.
Secondo il deposito del brevetto, vengono ricevuti i dati del sensore, che include un gruppo di elementi di serie temporali (immagini e video sequenziali). Successivamente, viene determinato un set di dati di addestramento, viene sviluppato un modello di apprendimento automatico e i risultati vengono confrontati con il mondo reale o ciò che dovrebbe accadere nel mondo reale. In altre parole, Tesla è in grado di insegnare alla sua intelligenza artificiale a verificare l’accuratezza dei suoi risultati e a confrontarli con il mondo reale.
Il brevetto fornisce anche altri dettagli su come Tesla può selezionare un’immagine e applicare la verità sul terreno a diverse caratteristiche, comprese le linee di corsia e le previsioni del percorso per i veicoli. Quest’ultimo include altri veicoli che l’auto vede, determinando le distanze di profondità di oggetti come un segnale di stop o anche una persona che attraversa la strada più avanti.
Utilizzando le serie temporali delle immagini e il percorso effettivo che sta percorrendo l’altro veicolo, è possibile formare un’unica immagine del gruppo e il percorso effettivo effettuato può essere utilizzato per prevedere il percorso dell’altro veicolo. Un modo più semplice per visualizzarlo è immaginare di camminare per strada verso un negozio e di dover attraversare un parcheggio.
Ti potrebbe interessare: Tesla Model 3 entry-level riceve una batteria più efficiente