خلبان هوش مصنوعی دقت انسان را در عرصه حمل و نقل افزایش می دهد
“Air-Guardian” که برای اطمینان از آسمان ایمنتر طراحی شده است، شهود انسان را با دقت ماشین ترکیب میکند و رابطه همزیستی بیشتری بین خلبان و هواپیما ایجاد میکند.
تصور کنید در یک هواپیما با دو خلبان، یک انسان و یک کامپیوتر هستید. هر دو “دست” خود را روی کنترلرها دارند، اما همیشه به دنبال چیزهای مختلف هستند. اگر هر دو به یک چیز توجه کنند، انسان باید هدایت کند. اما اگر انسان حواسش پرت شود یا چیزی را از دست بدهد، کامپیوتر به سرعت کار را به دست می گیرد.
با Air-Guardian، سیستمی که توسط محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) توسعه یافته است آشنا شوید. از آنجایی که خلبانان مدرن با هجوم اطلاعات از چندین مانیتور، به ویژه در لحظات حساس دست و پنجه نرم می کنند، Air-Guardian به عنوان یک خلبان فعال عمل می کند. مشارکت بین انسان و ماشین که ریشه در درک توجه دارد.
اما دقیقاً چگونه توجه را تعیین می کند؟ برای انسانها از ردیابی چشم استفاده میکند و برای سیستم عصبی به چیزی به نام «نقشههای برجسته» تکیه میکند که مشخص میکند توجه به کجا هدایت میشود. نقشه ها به عنوان راهنمای بصری برای برجسته کردن مناطق کلیدی در یک تصویر عمل می کنند و به درک و رمزگشایی رفتار الگوریتم های پیچیده کمک می کنند. Air-Guardian به جای مداخله در هنگام نقض ایمنی مانند سیستم های خلبان خودکار سنتی، علائم اولیه خطرات بالقوه را از طریق این نشانگرهای توجه شناسایی می کند.
پیامدهای گسترده تر این سیستم فراتر از هوانوردی است. مکانیزمهای کنترل مشارکتی مشابه روزی میتوانند در خودروها، هواپیماهای بدون سرنشین و طیف وسیعتری از رباتیک مورد استفاده قرار گیرند.
لیانهائو یین، فوق دکترای MIT CSAIL، نویسنده اصلی مقاله جدیدی در مورد Air-Guardian می گوید: «یک ویژگی هیجان انگیز روش ما، تمایز آن است. “لایه مشارکتی ما و کل فرآیند انتها به انتها را می توان آموزش داد. ما به طور خاص مدل شبکه عصبی با عمق پیوسته علی را به دلیل ویژگی های پویا در توجه نقشه برداری انتخاب کردیم. یکی دیگر از جنبه های منحصر به فرد سازگاری است. سیستم Air-Guardian نیست.” سفت نیست؛ می توان آن را بر اساس خواسته های موقعیت تنظیم کرد و از مشارکت متوازن بین انسان و ماشین اطمینان حاصل کرد.”
در آزمایشات میدانی، هم خلبان و هم سیستم بر اساس تصاویر خام یکسانی در هنگام حرکت به سمت ایستگاه مورد نظر تصمیم گرفتند. موفقیت Air-Guardian بر اساس پاداشهای انباشتهای که در طول پرواز و مسیر کوتاهتر به سمت ایستگاه بینالمللی بهدست میآید سنجیده میشود. نگهبان سطح خطر پروازها را کاهش داد و میزان موفقیت در مسیریابی به نقاط هدف را افزایش داد.
رامین حسنی، مؤسسه تحقیقاتی MIT CSAIL و مخترع شبکههای عصبی مایع، میافزاید: «این سیستم نشاندهنده رویکرد نوآورانه هوانوردی مبتنی بر هوش مصنوعی انسان محور است». استفاده ما از شبکههای عصبی مایع، رویکردی پویا و تطبیقی را ارائه میکند و تضمین میکند که هوش مصنوعی صرفاً جایگزین قضاوت انسان نمیشود، بلکه آن را تکمیل میکند و منجر به افزایش ایمنی و همکاری در آسمان میشود.»
نقطه قوت واقعی Air-Guardian فناوری پایه آن است. با استفاده از یک لایه مشارکتی مبتنی بر بهینهسازی با استفاده از توجه بصری از انسان و ماشین، و شبکههای عصبی زمان پیوسته (CfC) که به دلیل مهارتش در رمزگشایی روابط علت و معلولی شناخته شده است، تصاویر دریافتی را برای اطلاعات حیاتی تجزیه و تحلیل میکند. مکمل این الگوریتم VisualBackProp است که نقاط کانونی سیستم را در یک تصویر شناسایی میکند و از درک واضح نقشههای توجه آن اطمینان میدهد.
برای پذیرش انبوه در آینده، نیاز به اصلاح رابط انسان و ماشین وجود دارد. بازخورد نشان می دهد که یک نشانگر، مانند یک نوار، ممکن است برای نشان دادن زمانی که سیستم نگهبان کنترل را به دست می گیرد، شهودی تر باشد.
Air-Guardian منادی عصر جدیدی از آسمان های امن تر است و یک شبکه ایمنی قابل اعتماد برای لحظاتی که توجه انسان متزلزل می شود ارائه می دهد.
دانیلا روس، اندرو (1956) و پروفسور ارنا ویتربی در بخش برق میگوید: «سیستم Air-Guardian همافزایی بین تخصص انسانی و یادگیری ماشین را برجسته میکند، و هدف استفاده از یادگیری ماشینی برای تقویت خلبانها در سناریوهای چالشبرانگیز و کاهش خطاهای عملیاتی را افزایش میدهد. مهندسی و علوم کامپیوتر در MIT، مدیر CSAIL، و نویسنده ارشد در این مقاله.
استفانی گیل، استادیار علوم کامپیوتر در دانشگاه هاروارد، که در این کار دخالتی نداشت، میگوید: «یکی از جالبترین نتایج استفاده از معیار توجه بصری در این کار، امکان اجازه دادن به مداخلات اولیه و تفسیرپذیری بیشتر توسط خلبانهای انسانی است. کار کردن این یک مثال عالی از اینکه چگونه می توان از هوش مصنوعی برای کار با یک انسان استفاده کرد، با استفاده از مکانیسم های ارتباطی طبیعی بین انسان و سیستم هوش مصنوعی، مانع دستیابی به اعتماد را کاهش داد.
این تحقیق تا حدی توسط آزمایشگاه تحقیقاتی نیروی هوایی ایالات متحده (USAF)، شتاب دهنده هوش مصنوعی USAF، شرکت بوئینگ و دفتر تحقیقات دریایی تامین شد. این یافته ها لزوماً منعکس کننده دیدگاه های دولت ایالات متحده یا USAF نیست.
