테슬라 인공지능 학습 & 자율주행 투자자 행사 Q&A (인공신경망 / 뉴럴넷 / 데이터 / 시뮬레이션 / 라벨링 / 카메라 / 라입니다 / 레이더 / 알고리즘 / AI) 대박

>

​ ​*Tesla Autonomy Day행사에서 발표한 스토리도 ​ ​ 1. 테슬라의 인공 지능 뉴롤넷(신경망은 어떻게 구성되어 학습되는가?사람은 첼로, 보트, 이구아 본인, 가위 끝을 보면 금방 구별할 수 있지만 컴퓨터는 그렇지 않다고 소리. 컴퓨터에 앞선 단순한 방대한 픽셀이 격자상에 놓인 것으로 각 픽셀은 밝기의 값인 숫자로 표현된다.

>

<출처:테슬라 유튜브:Tesla Autonomy Day>-이구아 나쁘지 않지만 몸의 색깔을 바꾸고 다른 동작을 취해 배경이 바뀌어도 사람은 이구아 나쁘지 않다는 것을 알 수 있다sound. 눈을 통해 대상을 보고 신경을 통해 뇌로 신호가 전달되는 과정 등을 통해 수위학습되었기 때문에 - 이러한 인간의 학습 과정을 컴퓨터로 가져온 것이 즉시 '인공신경망'

>

<출처: 테슬라 유튜브: Tesla Autonomy Day> ※ 인공신경망의 구조와 학습에 대한 자세한 설명은 아래 참조

​ ​-자율 주행에서 예를 들면 이하의 이미지 같은 상황 1시 에쵸무에 인공 지능이 판단하는 것으로 볼 수 없는 다음만 따라가다 계속 직진하고 의무다 수도 있음

>

<출처: 테슬라 유튜브: Tesla Autonomy Day>

>

<출처:테슬라 유튜브:Tesla Autonomy Day>​ ​-두곳에서 인간이 해야 할 1은 인공 지능 알고리즘을 수정하는 일이 없고, 아래 아프소지처럼 표시(Labeling, 정답 제공)이 정확하게 된 데이터를 제공한다. 그러면 인공지능은 학습하고 스스로 알고리즘을 수정해서 새로운 특징을 찾고 정확도를 높입니다.

>

<출처:테슬라 유튜브:Tesla Autonomy Day>​ ​ ​ ​ 2. 테슬라의 차량이 인공 지능 개발에 왜 중요한가.-테슬라도 자율주행을 위해 시뮬레이션 데이터를 인공지능에 많이 주입하고 있는데 실제 주행 데이터를 대체할 것은 아무것도 없다-시뮬레이션에서는 대상이 본인의 환경 묘사, 물리법칙, 주변 모든 물체의 움직인다- 등을 모델링하는데 상당히 어렵고 정확하지 않은 소음-특히 눈의 본인 비가 내리는 상황, 갑작스러운 도로공사, 차도상의 보행자와 같은 하나도 반적이지 않은 상황을 전체 시뮬레이션 할 수 없다-인공신경망 학습에 있어서 필수는 방대하고 다양한 그리고 실제 세계를 반영한 데이터. 그래서 도로 위를 달리는 수백만 대의 실제 차량을 보유한 테슬라는 자율주행 개발에 상당히 유리한 위치를 차지한다-역시 인간이 일일이 데이터에 라벨링(무엇을 의미하는지 태그를 붙이는지)을 하는 것은 상당히 비효율적이다.테슬라 차량은 이러한 라벨링을 대체하기 때문에, 라벨링 된 대량의 데이터를 얻기 쉽다.

>

<출처:테슬라 유튜브:Tesla Autonomy Day> - 그래서 만약 테슬라 차량의 전방에 옆 차선의 차가 끼어들면, 이 녹화된 영상에 차선 변경 시 걸리는 때때로 이본인의 차량 간 거리 등에 관해 인간이 주석을 달 수 있다. 이 데이터는 다시 신경망의 학습에 사용되고 성능을 더욱 높이게 되는 것 ​ ​ ​ ​ 3.Depth perception거리 인식&카메라 비전 ​-테슬라 차량은 라이더 없이 카메라를 사용.전혀 가보지 않은 길이 본인도 잘 보이지 않는 경사로, 커브길 등을 가는데도 불구하고 높은 예측력을 보이는 소리

>

<출처:테슬라 유튜브:Tesla Autonomy Day>-인간의 경우, 두 눈으로 대상을 보지만 왼쪽과 오른쪽 눈, 해당지만 3개가 삼각형의 구조를 이룬다. 뇌는 이와 같이 각 눈으로부터 오는 정보를 통합해 대상의 멀고 가까움을 인지. 따라서 한쪽 눈을 감으면 대상의 원근을 느끼기 어렵다-동물의 경우 대부분은 눈이 양쪽으로 많이 떨어져 있어 각 눈에서 들어오는 대상이 거의 겹치지 않는다. 그러므로 본인의 머리를 여러 방향으로 움직이고 거리를 판단 ​-테슬라 차량에 달린 카메라들은 몇초간 운행하면서 찍은 데이터만 Multi-view stereo기술을 통해서 이들을 통합하여 멀고 가까운 거리가 인식되게 3차원으로 만들어 낼 수 있다. 사람의 물건을 보는 듯한 방법

자율주행에 있어서 거리를 인식하는데 라임입니다.없이 카메라를 이용하는 것만으로도 충분히 높은 성능을 내고 있다.라임입니다라는 카메라 비전에 비해 정보가 더 부족하고, 카메라는 더 디테일한 정보를 제공한다-차도에 쓰레기 같은 이물질이 있으면 라임이라면 뭔지 몰라 표준 장애물로 소견하지만 카메라 비전은 이를 구별할 수 있다. 또한 옆으로 달리고 있는 자전거가 내 쪽으로 올지 반대로 갈지도 카메라 비전으로 머리를 움직입니다, 몸의 방향 등을 보고 판단할 수 있는 소음. 이는 운행 및 안전 제어에 큰 영향을 미침 ​ ​ ​ ​ 4.Q&A​(1)인공 지능 신경망에 활성화 함수에서 ReLU함수를 썼는데 다른 함수를 사용하는 유연성이 있는가?유연성 있는 소음 tan h자신 sigmoid함수를 사용하기도 하는 소리 ​ ​ ​(2)14쟈싱 노핑펫 공정 기반이라고 했지만 10잔 노자 키 마코토 7쟈싱노에 대해서는?​-제가 디자인을 시작했을 때는 우리가 구매하기 바란다 IP가 10쟈싱의 기반이 없었기 때문에 14자신 노루를 해야 합니다 소리. 해안세대 칩으로는 그 아래에서도 준비하는 소리 ​ ​ ​(3)엔비디아 제품보다 7배나 실행력이 높다는 것의 토우쯔룰 쉽게 설명하면?​-7배나 큰 신경망을 사용할 수 있고 더 정교한 자율 주행 인공 지능이 가능 ​ ​ ​(4)AMD, 인텔의 프로세서 아키텍처의 방향이 다르지만 둘 중에 더 흥미의 아키텍처는?-관심은 있지만 테슬라에서 소견한 것이 아니라 소음. AMD와 인텔의 전부가 훌륭하지만 그들은 많은 고객을 위해 제품을 일반화시켜야 한다. 반면 우리는 오직 자율주행자 자신만 고려해 칩을 디자인할 수 있고 소프트웨어도 그 칩에 최적화시킬 수 있는 소음. 이에 관해서는 우리를 이기는 자가 없을 것 ​ ​ ​(5)라임니다 센서에 대한 소견은? - 전혀 불필요하고 비싼 만큼 한 부록일 뿐.금방 사라진 ​ ​ ​(6)에너지 소비량에 대한 자세한 설명?​-모델 3은 마일 당 250와트가 목표 ​ ​ ​(7)차세대 칩 디자인의 주요 목표는?​- 자세한 사항은 이야기할 수 없는 우쟈 신, 현재의 시스템보다 3배 더 좋은 성능을 내지 ​ ​ ​(8)칩을 독자의 대량 생산에 따른 비용 절감 효과는?~앞으로 연간 백만대 이상의 차가 생산되는데 그렇다면 칩 자체 대량 생산에 의한 비용 절감 효과가 충분히 있다. 제공에 관한 사고 없이 소리 ​ ​ ​(9)칩 디자인은 외부 IP를 사왔어?아니면 독자적인 설계. ​-동사 자체 설계 ​ ​ ​(10)칩 설계의 기본이 된 디자인이 있다면?​- 없는 소리.다 독자 설계 ​ ​ ​(11)칩 생산은 어디?​-삼성 ​ ​ ​(12)칩 관련 IP를 지키는 비결은?-소프트웨어 알고리즘을 베꼈다고 해도 그것을 설치하는데 힘든 시간이 걸린다. 그 사이에 우리는 몇 배 성장할 수 있다-또 다른 경쟁자에게는 fleet(테슬라 차량 같은 하드웨어)이 없다. 우리는 그들의 수백배가 넘는 소프트웨어와 하드웨어가 결합된 차량이 존재하며, 그 차량들은 인공지능 학습에 필요한 데이터를 계속 모으고 있다. 테슬라도 이와 같습니다 소리 ​ ​ ​(13) 다른 경쟁, 자율 주행사가 많은 시뮬레이션 주행 데이터를 축적하고 있지만 실제로 주행 데이터와 시뮬레이션 데이터의 차이가 미치는 효과는?-테슬라도 좋은 시뮬레이션 테스트 시스템을 갖고 있다. 그렇게 자신의 시뮬레이션은 실제 세계에서 자신의 타자 신고 극단적인 이상치(롱 테일, Long tail)을 잡아내지 못하​ ​ ​(14)차 랴은당 어느 정도 자신 많은 데이터를 수집하는가?-수집하는 데이터의 양도 중요하지만 어느 정도 자신의 다양한 데이터를 수집하느냐가 더 중요하다. 그래서 우리에게 필요한 데이터만을 수집할 수 있도록 전략을 취하는 소리 ​ ​ ​(15)인간의 차량 주행은 비이성적인 때가 많아서 테슬라의 자율 주행 차는 안전을 최우선으로 매우 조심할 텐데 그러면 어떻게 그 많은 롱 테일을 극복할 수 있는가?​-계속하고 수많은 레어 케이스의 데이터를 수집하고 학습하고 있으며 성능은 좋아지는 소리 ​ ​ ​(16)99.99%의 극단적인 경우 자신의 보조용으로 라이 무니르에 도움이 될지 모르나?스페이스X의 경우 우주정거장 길을 찾아 도킹하는데 직접 개발한 라임니더 사용. 그러면 새 차에 '라임니다'를 쓰는 건 어리석은 짓이죠. 비전이 해결되면 운전에 지장이 없는 높은만 하고 쓸모가 없는 소리 ​-안개, 자신의 먼지 등은 레이더가 그것을 뚫고 시야를 제공할 수 있다, 준 고리 정보는 울트라 소닉이 제공 ​ ​ ​(17)의 차가 데이터를 선택적으로 회사에 보낸다고 했는데, 어떻게 이루어지고 그것은 실시간 처리인가, 아니면 저장된 정보를 처리하는가?우리가 원하는 정보에 대해 먼저 명시하고 있으며 관련 정보만 차량에서 회사로 전송된다. 이 과정은 차로 실시간 처리된다. 이 수백만대의 차량 자체가 모여서 거대한 데이터 센터와 보이는 소리 ​ ​ ​(18)눈이 많이 쌓이는 경우 카메라와 레이더에도 차선을 인식할 수 없지만 해결책은?-먼저 차선이 숨어 있는 여러 상황에 관한 데이터를 모아 여기 사람이 정답( 바른 차선이 그려진 데이터)를 제공하는 인공 지능을 학습시킨다. 이를 통해 이미 학습된 곳이라면 차선이 보이지 않아도 자율주행 가능-차선보다 중요한 것은 운전 가능한 공간인지 아닌지를 가리는 것. 사람도 그냥 그려진 차선뿐 아니라 주변 환경을 모두 고려해 올바른 차선으로 가고 있는지를 판단할 수 있도록 테슬라의 자율주행도 마찬가지다. 이러한 예측력, 판별력에 대해서는 매우 자심프지안이에요. 있어 올해 겨울에 확인하고 보이는 소리 ​-잘 알고 있는 마을 라면 GPS를 이용하기보다 표준 아는 길로 다니는 것이 더 효율적인 것처럼 학습된 인공 지능은 GPS, HD맵 등에 크게 의존할 필요 없는 소리 ​ ​ ​(19)더 정교한 맵에 관한 경쟁 회사들의 이야기가 많은데 어떻게 소견?고 정밀 GPS는 매우 좋지 않은 액세스. 그것은 매우 불안정하고, 도로상의 어떠한 사소한 전천도 인식하고 있지 않을 것