L’apprentissage en profondeur a poussé les capacités de l’intelligence artificielle à de nouveaux niveaux, mais il reste encore quelques problèmes à régler. En particulier dans les applications critiques pour la sécurité telles que les voitures autonomes. Si un moteur de recommandation d’intelligence artificielle (IA) se trompe dans ses prédictions et place une publicité étrange dans la fenêtre de votre navigateur, vous pourriez lever un sourcil. Mais aucun dommage à long terme n’aurait été fait. Les choses sont bien sûr très différentes lorsque les algorithmes prennent le volant et rencontrent quelque chose qu’ils n’ont jamais vu auparavant. Les événements rares, ou cas extrêmes, posent un problème délicat aux développeurs de véhicules autonomes. Heureusement, des données synthétiques pour l’IA, basées sur des simulations réalistes d’événements réels, pourraient aider à combler les lacunes.
Aucun pixel n’a été endommagé pendant le tournage
La possibilité de créer des images générées par ordinateur qui impressionnent le public des films peut être réutilisée. Au lieu de donner vie aux extraterrestres, les outils numériques peuvent, par exemple, créer une vaste gamme de scénarios automobiles improbables, mais théoriquement possibles. De tels événements inattendus pourraient inclure un camion et une remorque renversés sur l’autoroute. Et ensuite, ces données synthétiques pour l’IA peuvent être déployées pour tester en toute sécurité les systèmes de conduite autonome.
Les véhicules autonomes naviguent sur les perspectives du marché
Les programmes d’ingénierie peuvent également être utilisés. Les ordinateurs sont devenus hautement capables d’exécuter des modèles physiques pour tester la conception des bâtiments et l’intégrité d’autres structures mécaniques. Et cette fonctionnalité peut être appliquée pour générer des données réalistes pour les algorithmes d’IA de conduite autonome à ingérer. Les outils de clustering peuvent comparer les données synthétiques avec les informations recueillies dans le monde réel pour vérifier que les deux ensembles sont comparables.
Les données synthétiques pour l’IA aident les développeurs de véhicules autonomes à accélérer leurs programmes de formation en permettant aux algorithmes de tester leurs capacités 24h/24 et 7j/7 dans un environnement purement numérique. Les exemples incluent des solutions telles que NVIDIA’s Omniverse Replicator. L’outil permet aux utilisateurs d’augmenter les environnements du monde réel avec des scénarios rendus numériquement, comme une couche de neige épaisse recouvrant la route, obscurcissant les panneaux de signalisation. Une autre illustration de ses capacités est de simuler numériquement un enfant courant sur la route à la poursuite d’un ballon.
Analyse coûts-avantages
Les développeurs pourraient, bien sûr, utiliser des mannequins de test de collision et divers accessoires pour obtenir le même résultat, mais le temps et les dépenses nécessaires pour le faire sont bien gonflés par rapport au déploiement de données synthétiques. De plus, si les choses tournent mal, vous risquez d’endommager le véhicule et ses capteurs, alors que dans un environnement simulé, tout peut être simplement actualisé et réexécuté.