AI Day 2022: Một số công nghệ nổi bật
Các tính năng của hệ thống giám sát người lái DMS (trên) và quan sát nâng cao ASVM (dưới) trong xe ô tô | Ảnh: VinAI
Khoa học & Phát triển đã nghe phần thuyết trình của hơn 30 diễn giả và chọn ra một số công nghệ nổi bật trong số đó để giới thiệu đến độc giả.
VinAI: Hệ thống giám sát xe ô tô thông minh
Chủ đề “AI và Đảm bảo an toàn” cho xe ô tô/xe tự lái chính là điểm nhấn của hội nghị trong bối cảnh tập đoàn mẹ Vingroup đang có ý định phát triển những loại xe ô tô cao cấp ở thị trường Mỹ và Việt Nam. TS Bùi Hải Hưng, Tổng Giám đốc VinAI, nhấn mạnh rằng, người ta thường nói về các hệ thống lái xe tự hành cấp độ 4, cấp độ 5 và cho đó là giải pháp, tuy nhiên những hệ thống như vậy có thể phải mất nhiều năm nữa mới đạt được. Do vậy, mục tiêu của VinAI hiện nay là tạo ra các hệ thống hỗ trợ lái xe nâng cao.
Theo thống kê, mỗi năm, khoảng 1,3 triệu người thiệt mạng trong các vụ tai nạn giao thông xe hơi trên toàn cầu; trong đó 60% nguyên nhân là do tài xế mất tập trung, 20% là do tài xế ngủ gật. Để giảm thiểu những nguy cơ này, VinAI đã phát triển một hệ thống giám sát người lái (Driver Monitoring System - DMS) sử dụng các camera chất lượng cao và các hệ thống AI để phân tích khuôn mặt của người lái nhằm phát hiện những trạng thái như buồn ngủ, mệt mỏi, sử dụng điện thoại, mất tập trung, bị ảnh hưởng bởi nồng độ cồn,… từ đó đưa ra cảnh báo cho tài xế trong suốt hành trình.
Khi người dùng lên xe, tính năng điều chỉnh gương tự động cho phép AI tính toán tầm nhìn tương đối của mắt với gương và tự động xoay mặt gương để tránh các điểm mù. Hệ thống có thể hoạt động tốt ngay cả khi tài xế đeo kính râm hoặc trong điều kiện ban đêm với ánh sáng yếu, và tương thích với nhiều phần cứng sẵn có.
TS Hưng cũng giới thiệu hệ thống quan sát toàn cảnh 360 độ nâng cao (Advanced Surround View Monitoring - ASVM), vốn chỉ có trên những dòng xe cao cấp. Hệ thống này kết hợp hình ảnh từ 4 camera fisheye gắn xung quanh xe và dùng thuật toán ghép hình tiên tiến để tái tạo hình ảnh ở cả những nơi mà camera không hướng tới, ví dụ như gầm xe. Hệ thống có chế độ xem 3D và xem trong suốt (Jelly View), cho phép tài xế nhìn xuyên thấu toàn bộ chiếc xe để thấy tất cả các chướng ngại vật tại điểm mù.
Ngoài ra, hệ thống ASVM có thể ước lượng bề rộng không gian trong các cung đường hẹp nhằm tính toán và xác định xem xe có thể di chuyển qua được hay không, đồng thời đưa ra những hỗ trợ cần thiết cho người điều khiển xe như tự động phát hiện chỗ trống trong bãi đỗ. Người đứng đầu VinAI cho biết, tất cả các tính năng này đã được cài đặt trong dòng ô tô VF e34 ra mắt hồi đầu năm ngoái.
Intel: Tiện ích mở rộng hỗ trợ học liên hợp
Thông thường, một công ty khó có thể thu thập đầy đủ dữ liệu cho AI, bởi vậy họ phải lấy từ nhiều nguồn, sau đó sử dụng dữ liệu tổng hợp này để đào tạo mô hình một cách “tập trung”. Cách làm này dẫn đến rủi ro dữ liệu bị lấy trộm hoặc sử dụng cho những mục đích không phù hợp, nhất là với những dữ liệu nhạy cảm cần bảo mật như dữ liệu y tế hoặc dữ liệu tài chính. Để đối phó, các nhà thiết kế thường sử dụng kỹ thuật bảo mật dựa trên mật mã học và thống kê, hoặc các giải pháp can thiệp phần cứng.
Tại bài thuyết trình ở AI Day 2022, ông Ayush Batra, Trưởng bộ phận Chiến lược chuyển đổi kỹ thuật số khu vực châu Á Thái Bình Dương - Nhật Bản (APJ-T) ở Tập đoàn Intel, đã giới thiệu một giải pháp bảo vệ dữ liệu riêng tư phổ biến khác đang được phát triển là “học liên hợp” - Federated Learning (FL). Phương pháp học máy này cho phép huấn luyện các mô hình AI trên từng thiết bị lưu trữ dữ liệu khác nhau trước khi tổng hợp chúng lại thành một mô hình chung, do đó, tránh chuyển dữ liệu đến một nơi tập trung. Điều này giúp duy trì tính cục bộ của dữ liệu và giữ cho dữ liệu an toàn trong khi vẫn duy trì hiệu năng tương đương với học tập trung.
Bộ xử lý trung tâm (chip) có các mã bảo mật để ngăn dữ liệu bị truy cập trái phép | Ảnh: Intel
Để phục vụ cho lĩnh vực học liên hợp, Intel đã phát triển hai nền tảng Intel Software Guard Extensions (SGX) và Intel Trust Domain Extensions (TDX). Chúng là tập hợp các mã lệnh liên quan đến bảo mật, được tích hợp vào chip của Intel, nhằm đảm bảo dữ liệu chỉ có thể được truy cập trong môi trường dự kiến của nó. Đã có một số nghiên cứu tại Đại học Pennsylvania áp dụng bộ xử lý này để thực hiện các nhiệm vụ phân đoạn khối u não, cho ra kết quả AI chính xác tương đương so với phương pháp đào tạo tập trung.
Ông Ayush Batra đề cập một số hợp tác giữa Intel và Consilient (công ty cung cấp các giải pháp công nghệ về tuân thủ và phòng chống tội phạm tài chính cho khách hàng dịch vụ tài chính), Magnit (nhà bán lẻ lớn của Nga) để chứng minh hiệu quả của học liên hợp trong bài toán tài chính và chăm sóc sức khỏe. Ông cho biết Intel đã cung cấp mã nguồn mở của khung phần mềm Intel cho FL với một số thuật toán được tích hợp.
AWS: Hệ thống học tự động AutoGluon
Bắt đầu bài phát biểu của mình, GS. Alexander J. Smola, Phó Chủ tịch Amazon Web Services (AWS), chỉ ra rằng nguồn cung nhân sự chuyên môn trong lĩnh vực AI toàn cầu đang thiếu hụt trầm trọng, và học máy tự động (AutoML) có thể là tất cả những gì cần để phát triển lĩnh vực AI.
Ông giả thiết rằng điều mà người dùng ML thực sự muốn chính là những hệ thống có thể hoạt động độc lập hoặc tự động mà không cần nhiều sự can thiệp của họ. Nếu như vào năm 2017, việc tạo ra một mạng thần kinh thị giác máy tính bằng học sâu là một bài toán cấp độ tiến sĩ, thì vào năm 2021, việc tạo ra một mạng xử lý ngôn ngữ tự nhiên để hỏi đáp bằng AutoML và Python có thể là bài toán cấp độ đại học, thậm chí ngay cả học sinh trung học cũng có thể đạt được.
Amazon đang tham gia vào quá trình phát triển AutoML bằng việc tạo ra một mã nguồn mở học máy tự động của riêng mình gọi là AutoGluon. Theo các đánh giá của AutoML và Kaggle năm 2020, AutoGluon của Amazon có số trường hợp mắc lỗi ít nhất, trong khi các hệ thống AutoML khác bị lỗi rất nhiều. Vào năm 2022, phiên bản AutoGluon 0.4 được đánh giá trên 92 bộ dữ liệu và được xem như hệ thống AutoML tân tiến nhất hiện tại. AutoGluon hoạt động tốt trong vòng vài giờ đào tạo trong khi con người phải mất khoảng 2 tháng để đạt được trình độ tương tự.
Áp dụng AutoML có thể đẩy nhanh việc tạo ra các giải pháp AI giải quyết vấn đề | Ảnh: Medium
Trong phần mềm AutoGluon có rất nhiều quá trình đã tự động hóa, bao gồm: (1) lựa chọn mô hình, điều chỉnh tham số, đánh giá và giám sát hiệu năng, pre-training mô hình (2) khám phá, thu thập, tiền xử lý và gán nhãn dữ liệu (3): huấn luyện, triển khai và đưa ra kết quả, (4) người dùng: cộng tác, lặp lại và tùy chỉnh.
GS. Smola giới thiệu các khái niệm về dữ liệu bảng trong AutoGluon là bagging, stacking, ensembling và fusion. Các kỹ thuật này đôi khi giúp các mô hình đơn giản hoạt động tốt hơn mô hình học sâu, và khi một số tính năng này bị tắt đi, thì hiệu suất của mô hình AI được đào tạo bị giảm đáng kể.
Đại diện của Amazon kêu gọi cộng đồng đóng góp cho sự phát triển mã nguồn mở của AutoGluon hoặc phát triển các tính năng như nhập dữ liệu, mô hình hóa GUI, trực quan hóa, tăng tốc độ, phần cứng và tích hợp mô hình trong những phiên bản tương lai của AutoGluon.
https://khoahocphattrien.vn/
