តើធ្វើដូចម្តេចដើម្បីកំណត់ប្រព័ន្ធបើកបរស្វ័យភាពពីចុងដល់ចប់?
និយមន័យទូទៅបំផុតគឺថាប្រព័ន្ធ "ពីចុងដល់ចុង" គឺជាប្រព័ន្ធដែលបញ្ចូលព័ត៌មានឧបករណ៍ចាប់សញ្ញាឆៅ និងបញ្ចេញដោយផ្ទាល់នូវអថេរនៃការព្រួយបារម្ភចំពោះកិច្ចការ។ ឧទាហរណ៍ ក្នុងការទទួលស្គាល់រូបភាព ស៊ីអិនអិន អាចត្រូវបានគេហៅថា "ពីចុងដល់ចប់" បើប្រៀបធៀបជាមួយលក្ខណៈប្រពៃណី + វិធីសាស្ត្រចាត់ថ្នាក់។
នៅក្នុងកិច្ចការបើកបរដោយស្វ័យភាព ទិន្នន័យពីឧបករណ៍ចាប់សញ្ញាផ្សេងៗ (ដូចជាកាមេរ៉ា LiDAR រ៉ាដា ឬ IMU...) គឺជាការបញ្ចូល ហើយសញ្ញាបញ្ជាយានយន្ត (ដូចជា បិទបើក ឬមុំចង្កូត) ត្រូវបានបញ្ចេញដោយផ្ទាល់។ ដើម្បីពិចារណាលើបញ្ហានៃការសម្របខ្លួននៃម៉ូដែលរថយន្តផ្សេងៗគ្នា ទិន្នផលក៏អាចត្រូវបានបន្ធូរបន្ថយចំពោះគន្លងបើកបររបស់រថយន្តផងដែរ។
ដោយផ្អែកលើមូលដ្ឋាននេះ គំនិតពីចុងទៅចុងនៃម៉ូឌុលក៏បានលេចឡើងផងដែរ ដូចជា UniAD ដែលធ្វើអោយប្រសើរឡើងនូវការអនុវត្តដោយការណែនាំពីការត្រួតពិនិត្យលើកិច្ចការកម្រិតមធ្យមដែលពាក់ព័ន្ធ បន្ថែមពីលើសញ្ញាត្រួតពិនិត្យទិន្នផលចុងក្រោយ ឬចំណុចផ្លូវ។ ទោះជាយ៉ាងណាក៏ដោយ ពីនិយមន័យតូចចង្អៀតបែបនេះ ខ្លឹមសារនៃការបញ្ចប់ទៅទីបញ្ចប់គួរតែជាការបញ្ជូនព័ត៌មានដែលមិនមានការបាត់បង់។
អនុញ្ញាតឱ្យយើងពិនិត្យមើលឡើងវិញនូវចំណុចប្រទាក់រវាងម៉ូឌុល sensing និង PnC នៅក្នុងប្រព័ន្ធដែលមិនមែនជាចុងដល់ចុង។ ជាធម្មតា យើងរកឃើញវត្ថុដែលបានដាក់ក្នុងបញ្ជីស (ដូចជារថយន្ត មនុស្សជាដើម) ហើយវិភាគ និងទស្សន៍ទាយលក្ខណៈសម្បត្តិរបស់វា។ យើងក៏រៀនអំពីបរិស្ថានឋិតិវន្ត (ដូចជារចនាសម្ព័ន្ធផ្លូវ ការកំណត់ល្បឿន ភ្លើងចរាចរណ៍។ល។)។ ប្រសិនបើយើងលម្អិតជាងនេះ យើងក៏នឹងរកឃើញឧបសគ្គជាសកលផងដែរ។ សរុបមក លទ្ធផលព័ត៌មានដោយការយល់ឃើញទាំងនេះបង្កើតបានជាគំរូបង្ហាញនៃឈុតឆាកបើកបរដ៏ស្មុគស្មាញ។
ទោះជាយ៉ាងណាក៏ដោយ សម្រាប់ឈុតឆាកជាក់ស្តែងមួយចំនួន ការអរូបីជាក់ស្តែងបច្ចុប្បន្នមិនអាចពណ៌នាបានពេញលេញអំពីកត្តាដែលជះឥទ្ធិពលដល់ឥរិយាបថនៃការបើកបរនៅក្នុងកន្លែងកើតហេតុ ឬកិច្ចការដែលយើងត្រូវកំណត់គឺតូចពេក ហើយវាពិបាកក្នុងការរាប់បញ្ចូលកិច្ចការដែលត្រូវការទាំងអស់។ ដូច្នេះ ប្រព័ន្ធពីចុងដល់ចប់ផ្តល់នូវតំណាងដ៏ទូលំទូលាយ (ប្រហែលជាដោយប្រយោល) ជាមួយនឹងក្តីសង្ឃឹមនៃការធ្វើសកម្មភាពដោយស្វ័យប្រវត្តិ និងគ្មានការបាត់បង់លើ PnCs ជាមួយនឹងព័ត៌មាននេះ។ តាមគំនិតរបស់ខ្ញុំ ប្រព័ន្ធទាំងអស់ដែលអាចបំពេញតម្រូវការនេះអាចត្រូវបានគេហៅថាទូទៅពីចុងដល់ចប់។
ចំពោះបញ្ហាផ្សេងទៀត ដូចជាការបង្កើនប្រសិទ្ធភាពមួយចំនួននៃសេណារីយ៉ូអន្តរកម្មថាមវន្ត ខ្ញុំជឿថា យ៉ាងហោចណាស់មិនត្រឹមតែពីចុងដល់ចប់អាចដោះស្រាយបញ្ហាទាំងនេះបាននោះទេ ហើយការបញ្ចប់ទៅទីបញ្ចប់ប្រហែលជាមិនមែនជាដំណោះស្រាយដ៏ល្អបំផុតនោះទេ។ វិធីសាស្រ្តបែបប្រពៃណីអាចដោះស្រាយបញ្ហាទាំងនេះបាន ហើយជាការពិតណាស់នៅពេលដែលបរិមាណទិន្នន័យមានទំហំធំល្មម ចុងបញ្ចប់អាចផ្តល់នូវដំណោះស្រាយប្រសើរជាងមុន។
ការយល់ច្រលំខ្លះអំពីការបើកបរស្វ័យភាពពីចុងដល់ចប់
1. សញ្ញាត្រួតពិនិត្យ និងចំណុចផ្លូវត្រូវតែចេញជាលទ្ធផលពីចុងដល់ចប់។
ប្រសិនបើអ្នកយល់ស្របជាមួយនឹងគំនិតទូលំទូលាយពីចុងដល់ចប់ដែលបានពិភាក្សាខាងលើ នោះបញ្ហានេះគឺងាយស្រួលយល់។ ពីចុងបញ្ចប់គួរតែសង្កត់ធ្ងន់ទៅលើការបញ្ជូនព័ត៌មានដែលមិនបាត់បង់ជាជាងការចេញដោយផ្ទាល់នូវបរិមាណកិច្ចការ។ វិធីសាស្រ្តចុងទៅចុងតូចចង្អៀតនឹងបង្កឱ្យមានបញ្ហាជាច្រើនដែលមិនចាំបាច់ ហើយត្រូវការដំណោះស្រាយសម្ងាត់ជាច្រើនដើម្បីធានាសុវត្ថិភាព។
2. ប្រព័ន្ធបញ្ចប់ទៅចុងបញ្ចប់ត្រូវតែផ្អែកលើគំរូធំឬចក្ខុវិស័យសុទ្ធ។
មិនមានការតភ្ជាប់ជាចាំបាច់រវាងការបើកបរស្វ័យភាពពីចុងដល់ចប់ ការបើកបរស្វ័យភាពនៃម៉ូដែលធំ និងការបើកបរដោយស្វ័យភាពដែលមើលឃើញសុទ្ធសាធ ព្រោះវាជាគំនិតឯករាជ្យទាំងស្រុង។ ប្រព័ន្ធពីចុងដល់ចប់គឺមិនចាំបាច់ត្រូវបានជំរុញដោយម៉ូដែលធំៗទេ ហើយក៏មិនចាំបាច់ត្រូវបានជំរុញដោយចក្ខុវិស័យសុទ្ធដែរ។ នៃ
3. ក្នុងរយៈពេលវែង តើវាអាចទៅរួចទេសម្រាប់ប្រព័ន្ធចុងទៅចុងដែលបានរៀបរាប់ខាងលើក្នុងន័យតូចចង្អៀត ដើម្បីសម្រេចបាននូវការបើកបរស្វ័យភាពលើសពីកម្រិត L3?
ការអនុវត្តនៃអ្វីដែលបច្ចុប្បន្នហៅថា FSD ពីចុងដល់ចុងសុទ្ធគឺនៅឆ្ងាយពីភាពគ្រប់គ្រាន់ដើម្បីបំពេញនូវភាពជឿជាក់ និងស្ថេរភាពដែលត្រូវការនៅកម្រិត L3 ។ និយាយឱ្យចំទៅ ប្រសិនបើប្រព័ន្ធបើកបរដោយខ្លួនឯងចង់ឱ្យសាធារណជនអាចទទួលយកបាន ចំណុចសំខាន់គឺថាតើសាធារណជនអាចទទួលយកបានថាក្នុងករណីខ្លះ ម៉ាស៊ីននឹងធ្វើខុស ហើយមនុស្សអាចដោះស្រាយវាបានយ៉ាងងាយស្រួល។ នេះគឺពិបាកជាងសម្រាប់ប្រព័ន្ធពីចុងដល់ចុងសុទ្ធសាធ។
ជាឧទាហរណ៍ ទាំង Waymo និង Cruise នៅអាមេរិកខាងជើង បានជួបគ្រោះថ្នាក់ជាច្រើន។ ទោះជាយ៉ាងណាក៏ដោយ ឧបទ្ទវហេតុចុងក្រោយរបស់ Cruise បានបណ្តាលឱ្យមានអ្នករងរបួសចំនួន 2 នាក់ ទោះបីជាគ្រោះថ្នាក់បែបនេះពិតជាជៀសមិនរួច និងអាចទទួលយកបានសម្រាប់អ្នកបើកបរមនុស្សក៏ដោយ។ ទោះជាយ៉ាងណាក៏ដោយ បន្ទាប់ពីគ្រោះថ្នាក់នេះ ប្រព័ន្ធបានវាយតម្លៃខុសទីតាំងនៃឧបទ្ទវហេតុ និងទីតាំងនៃអ្នករបួស ហើយបានបន្ទាបទៅរបៀបទាញពីលើ ទើបបណ្តាលឲ្យអ្នករបួសត្រូវអូសក្នុងរយៈពេលយូរ។ អាកប្បកិរិយានេះមិនអាចទទួលយកបានចំពោះអ្នកបើកបរមនុស្សធម្មតាណាមួយឡើយ។ វានឹងមិនត្រូវបានធ្វើហើយលទ្ធផលនឹងអាក្រក់ណាស់។
ជាងនេះទៅទៀត នេះគឺជាការដាស់តឿនមួយ ដែលយើងគួរពិចារណាដោយប្រុងប្រយ័ត្នអំពីរបៀបជៀសវាងស្ថានភាពនេះក្នុងអំឡុងពេលនៃការអភិវឌ្ឍន៍ និងប្រតិបត្តិការនៃប្រព័ន្ធបើកបរស្វយ័ត។
4. ដូច្នេះនៅពេលនេះ តើដំណោះស្រាយជាក់ស្តែងអ្វីខ្លះសម្រាប់ប្រព័ន្ធជំនួយការបើកបរជំនាន់ក្រោយ?
យោងតាមការយល់ឃើញរបស់ខ្ញុំនាពេលបច្ចុប្បន្ន នៅពេលប្រើអ្វីដែលគេហៅថា គំរូចុងដល់ចុង ក្នុងការបើកបរ បន្ទាប់ពីបញ្ចេញគន្លង វានឹងត្រលប់មកវិញនូវដំណោះស្រាយដោយផ្អែកលើវិធីសាស្ត្រប្រពៃណី។ ម៉្យាងទៀត អ្នករៀបចំផែនការផ្អែកលើការរៀនសូត្រ និងក្បួនដោះស្រាយការធ្វើផែនការគន្លងប្រពៃណី ផ្តល់លទ្ធផលគន្លងច្រើនក្នុងពេលដំណាលគ្នា ហើយបន្ទាប់មកជ្រើសរើសគន្លងមួយតាមរយៈឧបករណ៍ជ្រើសរើស។
ប្រភេទនៃដំណោះស្រាយ និងជម្រើសលាក់កំបាំងនេះកំណត់ដែនកំណត់ខាងលើនៃដំណើរការនៃប្រព័ន្ធល្បាក់នេះ ប្រសិនបើស្ថាបត្យកម្មប្រព័ន្ធនេះត្រូវបានអនុម័ត។ ប្រសិនបើវិធីសាស្ត្រនេះនៅតែផ្អែកលើការរៀនមតិត្រឡប់សុទ្ធ ការបរាជ័យដែលមិនអាចទាយទុកជាមុនបាននឹងកើតឡើង ហើយគោលដៅនៃសុវត្ថិភាពនឹងមិនសម្រេចបានទាល់តែសោះ។
ប្រសិនបើយើងពិចារណាលើការបង្កើនប្រសិទ្ធភាពឡើងវិញ ឬជ្រើសរើសដោយប្រើវិធីសាស្ត្រធ្វើផែនការបែបប្រពៃណីលើគន្លងលទ្ធផលនេះ នេះគឺស្មើនឹងគន្លងដែលផលិតដោយវិធីសាស្ត្រដែលជំរុញដោយការសិក្សា។ ដូច្នេះ ហេតុអ្វីបានជាយើងមិនបង្កើនប្រសិទ្ធភាពដោយផ្ទាល់ និងស្វែងរកគន្លងនេះ?
ជាការពិតណាស់ មនុស្សមួយចំនួននឹងនិយាយថាការបង្កើនប្រសិទ្ធភាព ឬបញ្ហាស្វែងរកនេះគឺមិនប៉ោង មានកន្លែងទំនេរធំ ហើយមិនអាចដំណើរការក្នុងពេលវេលាជាក់ស្តែងនៅលើប្រព័ន្ធក្នុងរថយន្តបានទេ។ ខ្ញុំសូមអង្វរអ្នកគ្រប់គ្នាឱ្យពិចារណាសំណួរនេះឱ្យបានហ្មត់ចត់៖ ក្នុងរយៈពេលដប់ឆ្នាំមកនេះ ប្រព័ន្ធយល់ឃើញបានទទួលភាគលាភថាមពលកុំព្យូទ័រយ៉ាងហោចណាស់មួយរយដង ប៉ុន្តែចុះយ៉ាងណាចំពោះម៉ូឌុល PnC របស់យើង?
ប្រសិនបើយើងក៏អនុញ្ញាតឱ្យម៉ូឌុល PnC ប្រើថាមពលកុំព្យូទ័រធំ រួមជាមួយនឹងភាពជឿនលឿនមួយចំនួននៅក្នុងក្បួនដោះស្រាយបង្កើនប្រសិទ្ធភាពកម្រិតខ្ពស់ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ តើការសន្និដ្ឋាននេះនៅតែត្រឹមត្រូវដែរឬទេ? ចំពោះបញ្ហាបែបនេះ យើងគួរពិចារណាពីអ្វីដែលត្រឹមត្រូវតាមគោលការណ៍ដំបូង។
5.តើធ្វើដូចម្តេចដើម្បីផ្សះផ្សាទំនាក់ទំនងរវាងការជំរុញទិន្នន័យ និងវិធីសាស្រ្តប្រពៃណី?
ការលេងអុកគឺជាឧទាហរណ៍ស្រដៀងនឹងការបើកបរស្វ័យភាព។ នៅក្នុងខែកុម្ភៈនៃឆ្នាំនេះ Deepmind បានបោះពុម្ពអត្ថបទមួយដែលមានឈ្មោះថា "Grandmaster-Level Chess Without Search" ដោយពិភាក្សាថាតើវាអាចទៅរួចក្នុងការប្រើតែទិន្នន័យដែលជំរុញដោយទិន្នន័យ និងបោះបង់ការស្វែងរក MCTS នៅក្នុង AlphaGo និង AlphaZero ដែរឬទេ។ ស្រដៀងទៅនឹងការបើកបរដោយស្វ័យភាព មានតែបណ្តាញមួយប៉ុណ្ណោះដែលត្រូវបានប្រើដើម្បីបញ្ចេញសកម្មភាពដោយផ្ទាល់ ខណៈពេលដែលជំហានបន្តបន្ទាប់ទាំងអស់មិនត្រូវបានអើពើ។
អត្ថបទនេះសន្និដ្ឋានថា ទោះបីជាមានទិន្នន័យ និងប៉ារ៉ាម៉ែត្រគំរូច្រើនសន្ធឹកសន្ធាប់ក៏ដោយ លទ្ធផលដែលសមហេតុផលអាចទទួលបានដោយមិនប្រើការស្វែងរក។ ទោះយ៉ាងណាក៏ដោយមានភាពខុសគ្នាគួរឱ្យកត់សម្គាល់បើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រដែលប្រើការស្វែងរក។ នេះមានប្រយោជន៍ជាពិសេសសម្រាប់ការដោះស្រាយជាមួយនឹងល្បែងបញ្ចប់ស្មុគស្មាញមួយចំនួន។
សម្រាប់សេណារីយ៉ូស្មុគ្រស្មាញ ឬករណីជ្រុងដែលតម្រូវឱ្យមានហ្គេមច្រើនជំហាន ភាពស្រដៀងគ្នានេះនៅតែធ្វើឱ្យមានការពិបាកក្នុងការបោះបង់ចោលទាំងស្រុងនូវការបង្កើនប្រសិទ្ធភាពបែបប្រពៃណី ឬក្បួនដោះស្រាយការស្វែងរក។ ការប្រើប្រាស់ដោយសមហេតុផលនូវគុណសម្បត្តិនៃបច្ចេកវិទ្យាផ្សេងៗដូចជា AlphaZero គឺជាមធ្យោបាយដ៏ល្អបំផុតដើម្បីកែលម្អដំណើរការ។
6.Traditional method = rule-based if else?
ខ្ញុំបានកែតម្រូវគោលគំនិតនេះម្តងហើយម្តងទៀត ពេលកំពុងនិយាយជាមួយមនុស្សជាច្រើន។ មនុស្សជាច្រើនជឿថា ដរាបណាវាមិនមែនជាទិន្នន័យសុទ្ធសាធ វាមិនផ្អែកលើច្បាប់នោះទេ។ ជាឧទាហរណ៍ នៅក្នុងអុក ការទន្ទេញរូបមន្ត និងកំណត់ត្រាអុកដោយ rote គឺផ្អែកលើច្បាប់ ប៉ុន្តែដូចជា AlphaGo និង AlphaZero វាផ្តល់ឱ្យគំរូនូវសមត្ថភាពក្នុងការសមហេតុផលតាមរយៈការបង្កើនប្រសិទ្ធភាព និងការស្វែងរក។ ខ្ញុំគិតថា វាមិនអាចហៅថាជាច្បាប់ទេ។
ដោយសារតែនេះ ម៉ូដែលធំខ្លួនឯងបច្ចុប្បន្នកំពុងបាត់ខ្លួន ហើយអ្នកស្រាវជ្រាវកំពុងព្យាយាមផ្តល់នូវគំរូដែលជំរុញការរៀនសូត្រតាមរយៈវិធីសាស្រ្តដូចជា CoT ជាដើម។ ទោះជាយ៉ាងណាក៏ដោយ មិនដូចការងារដែលទាមទារការទទួលស្គាល់រូបភាពដែលជំរុញដោយទិន្នន័យសុទ្ធ និងហេតុផលដែលមិនអាចពន្យល់បាន រាល់សកម្មភាពរបស់មនុស្សដែលបើកបរមានកម្លាំងជំរុញច្បាស់លាស់។
នៅក្រោមការរចនាស្ថាបត្យកម្មក្បួនដោះស្រាយសមស្រប ផ្លូវនៃការសម្រេចចិត្តគួរតែក្លាយជាអថេរ និងត្រូវបានធ្វើឱ្យប្រសើរស្មើភាពគ្នាក្រោមការណែនាំនៃគោលដៅវិទ្យាសាស្ត្រ ជាជាងការបង្ខិតបង្ខំ និងកែតម្រូវប៉ារ៉ាម៉ែត្រដើម្បីជួសជុលករណីផ្សេងៗ។ ប្រព័ន្ធបែបនេះតាមធម្មជាតិមិនមានគ្រប់ប្រភេទនៃច្បាប់ចម្លែកៗដែលពិបាកសរសេរ។
សេចក្តីសន្និដ្ឋាន
សរុបមក ពីចុងដល់ចប់អាចជាផ្លូវបច្ចេកទេសដ៏ជោគជ័យមួយ ប៉ុន្តែរបៀបដែលគំនិតនេះត្រូវបានអនុវត្តតម្រូវឱ្យមានការស្រាវជ្រាវបន្ថែម។ ខ្ញុំគិតថាបណ្តុំនៃទិន្នន័យ និងប៉ារ៉ាម៉ែត្រគំរូមិនមែនជាដំណោះស្រាយត្រឹមត្រូវតែមួយគត់ទេ ហើយប្រសិនបើយើងចង់លើសពីអ្នកដទៃ យើងត្រូវបន្តប្រឹងប្រែង។
ពេលវេលាផ្សាយ៖ ២៤-មេសា-២០២៤