Helm.ai宣布了一种新的深度教学方法来训练神经网络

下一代AI软件的开发商Helm.ai宣布了无监督学习技术的突破。这种称为“深度教学”的新方法使Helm.ai无需人工注释或模拟即可训练神经网络，以推进AI系统。深度教学对计算机视觉和自动驾驶以及航空，机器人，制造甚至零售等行业的未来具有深远的影响。

人工智能(AI)通常被理解为模拟机器处理的人类智能的科学。监督学习是指使用训练示例训练神经网络以执行某些任务的过程，通常由人工注释者或合成模拟器提供给机器以执行某些任务，而无监督学习是使AI系统能够从未标记信息中学习的过程，在没有预先建立的输入和输出模式的帮助下推断输入并产生解决方案。

深度教学是AI的下一个前沿发展。它使Helm.ai能够以无人监督的方式训练神经网络，并以空前的开发速度和准确性提供超越最先进性能的计算机视觉功能。当应用于自动驾驶时，深度教学使Helm.ai可以更高效地对大量数据进行训练，而无需大规模的机队或大量的人工注释者，从而逐渐接近全自动驾驶系统。

例如，作为Helm.ai的“深度教学”技术的第一个用例，它训练了一个神经网络来检测来自世界各地成千上万个行车记录仪视频的数千万幅图像上的车道，而无需任何人工注释或模拟。所得到的神经网络具有开箱即用的鲁棒性，可应对众多众所周知的自动驾驶行业难以解决的死角情况，例如雨，雾，眩光，褪色/缺少车道标记以及各种照明条件。作为一个健全性检查，Helm.ai使用此神经网络以最少的工程工作便达到了公共计算机视觉基准的最高要求。

此外，Helm.ai还制造了全栈自动驾驶汽车，该汽车仅需使用一个摄像头和一个GPU(无地图，无激光雷达和无GPS)即可在陡峭弯曲的山路上自动驾驶，而无需对这些数据进行训练道路，其性能远远超过了当今最先进的生产系统。从那时起，Helm.ai在整个视音频堆栈中应用了深度教学，包括对数十种对象类别的语义分割，单眼视觉深度预测，行人意图建模，激光雷达视觉融合和高清制图自动化。深度教学与手头的对象类别或传感器无关，其适用范围远不止于自动驾驶。

Helm.ai很快在自动驾驶技术方面取得了许多突破，其生产的系统提供了更高的准确性，敏捷性和安全性，并且能够以传统深度学习方法所需的成本和时间的一小部分解决极端情况。

Helm.ai首席执行官Vlad Voroninski表示：“依赖人工批注数据的传统AI方法完全不适合满足自动驾驶以及其他要求对人类视觉要求精确的安全性至关重要的系统的需求。” “深度教学是无监督学习的一项突破，它使我们能够通过训练真实的传感器数据来充分利用深度神经网络的强大功能，而无需人工注释或仿真。”

现有的AV方法的主要局限性是安全性，这在使用传统的AI方法进行自动驾驶时引起了非常现实的关注，因为它们的资本效率极低，并且无法产生强大的AI系统，而该AI系统已准备好以人为水平来解释每种可能的情况，即使预算达数十亿美元。

不会与世界进行物理交互的AI系统(例如旨在检查产品缺陷或搜索Internet的AI系统)的成功率只有90-99%，而不会造成严重后果，而人类的生命则处于平衡状态自动驾驶汽车和任何性能低于99.999999%的系统都将是灾难性的。这些严格的安全要求和传统AI方法的局限性阻止了自动驾驶汽车的大规模部署。深度教学通过允许对图像和其他传感器数据的巨大数据集进行经济的培训来解决直接解决的核心安全问题，从而在自动驾驶行业取得重大进展。

Quora首席执行官Adam D'Angelo说：“ Helm.ai的自动驾驶技术非常适合发挥自动驾驶的潜力。” “我期待团队在未来几年中将继续取得的进步，并为投资该公司感到兴奋。”

虽然Helm.ai目前正在将其技术应用于其L2 +和L4自动驾驶软件的开发，但深度教学为整个人工智能和计算机视觉的未来提供了有希望的发展。航空，机器人技术和医学成像等行业只是深度教学可以帮助变革的几个领域。