Andmepõhised sõidupoliitikad ja käsitsi kodeeritud sõidureeglid esindavad kahte vastandlikku lähenemisviisi autonoomse sõidukäitumise arendamisele. Üks õpib otse reaalsetest andmetest masinõppe abil, teine aga tugineb inseneride kirjutatud selgesõnalisele loogikale. Mõlema lähenemisviisi eesmärk on tagada sõiduki ohutu ja usaldusväärne juhtimine, kuid need erinevad paindlikkuse, skaleeritavuse ja tõlgendatavuse poolest.
Tehisintellektil põhinevad juhtimissüsteemid, mis õpivad masinõppemudelite abil käitumist suurtest andmekogumitest.
Traditsioonilised süsteemid, kus sõidukäitumine on selgesõnaliselt määratletud, kasutades if-then loogikat ja konstrueeritud reegleid.
| Funktsioon | Andmepõhised sõidupõhimõtted | Käsitsi kodeeritud sõidureeglid |
|---|---|---|
| Põhimeetod | Õpib andmetest | Määratletud selgesõnaliste reeglitega |
| Paindlikkus | Väga paindlik uutes stsenaariumides | Jäik ja reeglitega piiratud |
| Skaleeritavus | Skaala suurema hulga andmetega | Reeglite keerukuse tõttu raske skaleerida |
| Tõlgendatavus | Sageli madal (musta kasti mudelid) | Väga kõrge (täielikult läbipaistev loogika) |
| Arenduspüüdlused | Andmete kogumine ja koolitus on intensiivsed | Inseneriteadus ja reeglite kujundamine on raskendatud |
| Toimivus keerulistes stsenaariumides | Tugev struktureerimata keskkondades | Äärmiselt plahvatuslik raskus |
| Värskendusmehhanism | Täiustatud ümberõppe abil | Uuendatud reeglite käsitsi ümberkirjutamise teel |
| Ebaõnnestumise käitumine | Võib ettearvamatult laguneda | Ebaõnnestub etteaimatavatel ja määratletud viisidel |
Andmepõhised sõidureeglid püüavad õppida sõitma suure hulga sõiduandmete jälgimise abil, võimaldades süsteemil järeldada mustreid, mida inimesed ei pruugi otseselt määratleda. Käsitsi kodeeritud sõidureeglid tuginevad iniminseneridele, kes määravad selgesõnaliselt kindlaks, kuidas sõiduk peaks igas olukorras käituma. See loob selge piiri õpitud intelligentsuse ja konstrueeritud juhtimise vahel.
Andmepõhised süsteemid saavad keerukate ja ettearvamatute keskkondadega paremini hakkama, kuna nad üldistavad mitmekesiste treeningnäidete põhjal. Käsitsi kodeeritud süsteemidel on raskusi äärealade arvu kasvades, mis nõuab pidevat reeglite lisamist ja hooldamist. Aja jooksul võivad reeglipõhised süsteemid muutuda äärmiselt keerukaks ja hapraks.
Käsitsi kodeeritud reegleid on lihtsam siluda, kuna iga otsuse saab jälgida kindla tingimuse või reeglini. Andmepõhiseid poliitikaid on raskem tõlgendada, kuna otsused on sisse põimitud õpitud mudeli kaaludesse. See muudab valideerimise keerulisemaks, kuid võimaldab väljendusrikkamat käitumist.
Reeglipõhised süsteemid vajavad pidevat käsitsi värskendamist uute stsenaariumide ilmnemisel, mis suurendab aja jooksul inseneritöö mahtu. Andmepõhised lähenemisviisid nõuavad märkimisväärseid esialgseid investeeringuid andmete kogumise ja koolituse infrastruktuuri, kuid võivad uute andmete lisamisel automaatselt täiustuda.
Käsitsi kodeeritud süsteemid pakuvad ennustatavat ohutuskäitumist, mistõttu sobivad need kontrollitud keskkondadesse. Andmepõhised süsteemid võivad neist keerukates keskkondades üle olla, kuid harvadel juhtudel võivad nad käituda ootamatult. Enamik tänapäevaseid autonoomseid süsteeme ühendab mõlemad lähenemisviisid, et tasakaalustada ohutust ja kohanemisvõimet.
Andmepõhised sõidureeglid on alati paremad kui käsitsi kodeeritud reeglid.
Kuigi andmepõhised süsteemid on keerukates keskkondades suurepärased, ei ole need siiski universaalselt paremad. Struktureeritud või ohutuskriitilistes stsenaariumides võivad käsitsi kodeeritud reeglid siiski pakkuda usaldusväärsemat ja prognoositavamat käitumist. Parim valik sõltub kontekstist ja nõuetest.
Käsitsi kodeeritud sõidureeglid on aegunud ja neid enam ei kasutata.
Käsitsi kodeeritud reegleid kasutatakse tootmissüsteemides endiselt laialdaselt, eriti ohutuskihtides, varuloogikas ja juhiabifunktsioonides. Need on oma läbipaistvuse ja usaldusväärsuse tõttu endiselt väärtuslikud.
Andmepõhised süsteemid ei vaja inimese inseneritööd.
Isegi andmepõhised süsteemid nõuavad märkimisväärset inimtööd andmete kogumisel, mudeli kujundamisel, koolitusstrateegia loomisel ja ohutuse valideerimisel. Need vähendavad reeglite kirjutamist, kuid ei välista inseneritööd.
Reeglipõhised süsteemid ei saa reaalses sõidus hakkama.
Reeglipõhised süsteemid suudavad hoolikalt kavandatud lahendusena tõhusalt toime tulla paljude reaalsete stsenaariumidega. Nende haldamine muutub aga keerukuse ja äärmusjuhtude arvu suurenedes raskemaks.
Andmepõhised sõidureeglid sobivad paremini keerukatesse ja dünaamilistesse keskkondadesse, kus kohanemisvõime ja kogemustest õppimine on kriitilise tähtsusega. Käsitsi kodeeritud sõidureeglid on suurepärased ohutuskriitilistes ja täpselt määratletud keskkondades, kus prognoositavus ja läbipaistvus on kõige olulisemad. Praktikas kombineerivad hübriidsüsteemid sageli mõlemat, et saavutada robustne ja usaldusväärne sõidukäitumine.
Tehisintellekti kaaslased keskenduvad vestluslikule suhtlusele, emotsionaalsele toele ja adaptiivsele abile, samas kui traditsioonilised tootlikkuse rakendused seavad esikohale struktureeritud ülesannete haldamise, töövoogude ja efektiivsustööriistad. Võrdlus toob esile nihke jäigast ülesannete jaoks loodud tarkvarast adaptiivsete süsteemide poole, mis ühendavad tootlikkuse loomuliku, inimliku suhtluse ja kontekstuaalse toega.
Tehisintellekti lohakus viitab vähese pingutusega, masstoodanguna loodud tehisintellekti sisule, millel on vähe järelevalvet, samas kui inimese juhitav tehisintellekt ühendab tehisintellekti hoolika redigeerimise, juhtimise ja loomingulise otsustusvõimega. Erinevus taandub tavaliselt kvaliteedile, originaalsusele, kasulikkusele ja sellele, kas päris inimene kujundab aktiivselt lõpptulemust.
Tehisintellektil põhinevad turuplatsid ühendavad kasutajaid tehisintellektil põhinevate tööriistade, agentide või automatiseeritud teenustega, samas kui traditsioonilised vabakutseliste platvormid keskenduvad inimspetsialistide palkamisele projektipõhiseks tööks. Mõlema eesmärk on lahendada ülesandeid tõhusalt, kuid need erinevad teostuse, skaleeritavuse, hinnamudelite ning automatiseerimise ja inimliku loovuse vahelise tasakaalu poolest tulemuste saavutamisel.
Aju plastilisus ja gradiendi laskumise optimeerimine kirjeldavad mõlemad, kuidas süsteemid muutuste kaudu täiustuvad, kuid need toimivad põhimõtteliselt erinevalt. Aju plastilisus kujundab bioloogilistes ajus närviühendusi kogemuste põhjal ümber, samas kui gradiendi laskumine on matemaatiline meetod, mida kasutatakse masinõppes vea minimeerimiseks mudeli parameetreid iteratiivselt kohandades.
Andurite fusioonsüsteemid ühendavad andmeid mitmelt andurilt, näiteks kaameratelt, LiDAR-ilt ja radarilt, et luua keskkonnast usaldusväärne arusaam, samas kui ühe anduriga süsteemid tuginevad ühele tajuallikale. Kompromiss keskendub usaldusväärsusele ja lihtsusele, kujundades seda, kuidas autonoomsed sõidukid tajuvad, tõlgendavad ja reageerivad reaalsetele sõidutingimustele.
