Banyak Masalah pada Mobil Otonom, Teori Komputasi Hyperdimensional Tawarkan Solusi

Praktik pengemudi semi otonom ternyata menimbulkan banyak masalah. Mei 2016, seorang pengemudi Tesla terbunuh ketika sistem buatan pengemudi semo otonom gagal melihat trailer putih sebuah semi—truk, dan kendaraan menabraknya dengan kecepatan tinggi. Hal yang sama terjadi awal Mei 2019, dialami oleh Tesla versi autopilot.

Sebenarnya apa yang terjadi? Elon Musk, seorang ilmuwan dari University of Maryland mengatakan, alasannya rumit, tetapi bisa dengan mudah dijelaskan. Karena Artificial Intelligence (AI) tidak tahu seperti apa bentuk mobil, orang, trailer, atau hotdog. AI dapat dilatih untuk mengenali gambar hotdog dengan akurasi 99,9%, tetapi tidak akan pernah tahu apa yang sebenarnya terlihat seperti.

Sementara kasus di jalanan, ketika sebuah mobil mengemudi sendiri, ia tidak melihat jalan, kamera tidak memungkinkan AI untuk melihatnya. Otak komputer berbasis AI untuk mobil tanpa pengemudi mungkin juga orang di bilik isolasi mendengarkan deskripsi tentang apa yang terjadi di jalan-jalan di negara yang berbeda, diucapkan oleh seseorang yang menerjemahkannya dengan buruk dari bahasa yang tidak mereka gunakan.

“Ini bukan sistem yang optimal, dan orang-orang yang memahami bagaimana pembelajaran yang dalam bekerja tidak terkejut orang sekarat di kendaraan otonom,” uja Elon, seperti dikutip thenextweb.

Baca Juga: Kendaraan Otonom Masih Butuh Sopir Jarak Jauh

Sementara, sebuah tim ilmuwan dari University of Maryland baru-baru ini mengambil teori komputasi hyperdimensional yang dapat memberikan kenangan dan refleks robot. Ini bisa memecah kebuntuan yang tampaknya kita hadapi dengan kendaraan otonom dan robot dunia nyata lainnya, dan mengarah pada model AI yang lebih mirip manusia.

Anton Mitrokhin, mahasiswa PhD dan penulis di makalah penelitian tim, menjelaskan, metode teori hyperdimensional ini dapat menciptakan ingatan, yang akan membutuhkan perhitungan yang jauh lebih sedikit, dan seharusnya membuat tugas-tugas seperti itu jauh lebih cepat dan lebih efisien. Penciptaan kenangan adalah sesuatu yang tidak dimiliki AI saat ini, padahal itu penting untuk prediksi tugas di masa depan.

Seperti bermain tenis, seorang pemain tidak melakukan perhitungan setiap kali memukul bola yang baru saja dilewati, mendengus, dan memukulnya. Kemampuan untuk menerjemahkan persepsi ini menjadi tindakan tanpa filter pada hakekatnya adalah kemampuan kita untuk berfungsi di dunia nyata.

Teori komputasi Hyperdimensional menawarkan kemampuan bagi AI untuk benar-benar melihat dunia dan membuat kesimpulannya sendiri. Tidak hanya mencoba untuk memaksa proses seluruh alam semesta dengan melakukan matematika untuk setiap objek dan variabel yang dapat dipahami, hypervektor juga dapat mengaktifkan persepsi aktif dalam robot.

Yiannis Aloimonos, penulis utama pada makalah penelitian juga menjelaskan, seorang pengamat yang aktif tahu mengapa ia ingin merasakan, kemudian memilih apa yang akan dirasakan, dan menentukan bagaimana, kapan dan di mana untuk mencapai persepsi tersebut. Ini memilih dan memperbaiki pada adegan, momen dalam waktu, dan episode. Kemudian pengamat menyelaraskan mekanisme, sensor, dan komponen lainnya untuk bertindak berdasarkan apa yang ingin dilihatnya, dan memilih sudut pandang yang paling baik untuk menangkap apa yang diinginkannya.

Baca Juga: Cihuy! Startup Kendaraan Otonom Ini Terima Rp7,3 Triliun dari Investor-investor Raksasa

“Kerangka kerja hyperdimensional kami dapat mengatasi masing-masing tujuan ini,” sebut Yiannis Aloimonos.

Sementara penciptaan dan implementasi sistem operasi komputasi hyperdimensional untuk robot masih bersifat teoritis, ide-ide tersebut memberikan jalan ke depan untuk penelitian yang dapat menghasilkan paradigma untuk AI mobil tanpa pengemudi yang memecahkan masalah pemecahan-kesepakatan generasi saat ini.

Lebih jauh, implikasinya lebih dari sekadar robot. Tujuan utama para peneliti adalah untuk menggantikan model jaringan saraf iteratif - yang memakan waktu untuk melatih dan tidak mampu persepsi aktif - dengan yang berbasis komputasi hyperdimensional yang lebih cepat dan lebih efisien. Ini bisa mengarah pada semacam bagaimana itu tidak tumbuh itu pendekatan untuk mengembangkan model pembelajaran mesin baru.