AUTOMAZIONE

L’apprendimento predittivo ora è pronto ad affrontare il traffico

La startup Helm.AI ha ottenuto un finanziamento che l’aiuterà a far affermare il suo software per la guida autonoma basato sull’approccio di unsupervised learning

Una delle fonti riconosciute come più attendibili per seguire lo scenario delle startup è TechCrunch. La testata americana segnala costantemente i round di finanziamento delle piccole e ambiziose società assorbite da traguardi innovativi

Uno dei più recenti, per un’entità di $13 milioni, riguarda Helm.AI, fondata quattro anni fa da Vlad Voroninski e Tudor Achim, si tratta di una delle numerose aziende che stanno cercando di farsi largo nel settore della tecnologia per l’automazione della guida grazie al deep learning.

Il metodo di programmazione basato sulla ricchezza dei dati (esempi) e che finora si è rivelato particolarmente efficace a risolvere problemi, in particolare basati sulla percezione e la mappatura contestuale.

A supportare la società diretta dal matematico Voroninski sono investimenti di A.Capital Ventures, Amplo, Binnacle Partners, Sound Ventures, Fontinalis Partners ed SV Angel, oltre a investitori individuali, tra i quali la star della pallacanestrot NBA Kevin Durant.

Helm.AI userà il supporto economico per migliorare la propria tecnologia e potenziare il proprio gruppo di ricercatori, oltre che aumentare i contatti coi potenziali clienti. Il lavoro dell’azienda di Menlo Park, California, è concentrato tutto sul software.

Helm.AI non costruisce sensori o piattaforme che possono essere utili a veicoli autonomi per compiere i loro percorsi. Quello a cui mira la startup è creare un software che capisca i dati raccolti dalla suite di sensori bene quanto lo farebbe un essere umano e li impieghi per guidare, ha spiegato Voroninski a TechCrunch, e mettere i clienti in condizioni di usarlo. Alcune collaborazioni in corso sarebbero già oltre la fase-pilota.

A prima vista fin qui non c’è niente di particolarmente insolito nel lavoro dell’azienda americana. Le applicazioni di AI nell’automazione, che sia riconoscimento facciale o guida senza supervisione si basano su petabyte di dati raccolti, etichettati in modo certosino per aumentarne la precisione ed utilità e fare di questi esempi il carburante che fa viaggiare velocemente i programmi.

La combinazione di dati reali e quelli ancora più esponenzialmente raccolti dalle simulazioni è ciò a cui si affida ogni società ritenuta all’avanguardia nello sviluppare sistemi di guida autonoma, da Waymo a Cruise. Ma Helm.AI intende velocizzare i tempi e ridurre i costi facendo ricorso all’approccio dell’unsupervised learning.

“Allenare” il software a cercare tutti i casi estremi che si possono presentare in uno scenario di guida naturale, basandosi sui più diffusi metodi di programmazione può richiedere una quantità di tempo e dati quasi infinita perché quasi infinita può essere la coda lunga degli imprevisti.

Il tema rinvia alla recente discussione tra matematici e scienziati che stanno approfondendo come creare sistemi che duplichino nel software il senso comune umano nel fare predizioni.

La fiducia nella possibilità di far apprendere le macchine a partire da una raccolta di dati privi di etichette e classificazioni è la sfida che è stata chiamata appunto unsupervised learning, chiamato da altri predictive learning.

In particolare il Professor Yann LeCun, a partire da una celebre conferenza del 2017, è stato il più determinato a sostenere la necessità di far apprendere alle macchine un senso comune virtuale acquisito osservando il mondo, afferrando i paletti che la realtà presenta e agendo di conseguenza.

Quello che il Professor LeCun sostiene è che la capacità di software e sistemi di apprendere modelli predittivi senza lo strato intermedio della classificazione e delle etichette inserite dai programmatori è il pilastro per arrivare a progressi che facciano svoltare definitivamente l’intelligenza artificiale.

Non tutti nella stessa sfera della programmazione avanzata sono convinti che il percorso prescelto dal Professor LeCun, e da Helm.AI nello specifico per quanto riguarda la guida autonoma, siano così promettenti quanto sembrano.

In un articolo sulla Technology Review del MIT Karen Hao scriveva che nel caso di unsupervised learning la macchina cerca qualsiasi schema possa trovare, aggiungendo: “è come lasciar annusare a un cane tonnellate di oggetti diversi e suddividerli in gruppi in base ai diversi odori”.

Il curioso esempio della Hao sembra volerci mettere in guardia che con criteri di questo genere potremmo classificare insieme, in basi ai loro odori, materiali di origine vegetale e minerale, e non è detto che sia la classificazione sperata. Il mondo è solo in parte prevedibile, dopo tutto.

Ma LeCun e chi come lui lavora all’unsupervised learning lo trova una soluzione valida per acquisire uno sfondo di conoscenza abbastanza affidabile da far emergere un senso comune adeguato a interpretare le situazioni e a riempire le caselle vuote su cui non abbiamo informazioni sufficienti.

Helm.AI col suo software per la guida autonoma ritiene di poter essere già in grado di riempire le caselle vuote per programmi che affrontino sistemi di guida di Livello 2 SAE per assistenza alla guida e anche di Livello 4 SAE, a supporto di flotte di veicoli a guida autonoma avanzata.

Credito foto di apertura: ufficio stampa Helm.AI via BusinessWire