Dentro de un entorno de intensa transformación productiva en el que se desenvuelve la industria automotriz considerada pionera en incorporar e implementar continuas y permanentes innovaciones tecnológicas, los vehículos autónomos representan hoy, el futuro de lo que la inteligencia artificial (IA) plantea usando como herramienta el Machine Learning (ML) o aprendizaje automático.
El ML se ha convertido en la pieza clave de la IA para que los robots se desempeñen en forma más inteligente, de manera mucho más flexible y efectiva, se adapten a situaciones de mayor complejidad y/o los robots colaborativos trabajen simultáneamente con los humanos.
En este proceso de interrelación, la IA actúa como el cerebro proporcionando capacidad para pensar y aprender a tomar decisiones de manera que, al identificarse defectos y vulnerabilidades se eleven los estándares en la seguridad integral sobre todo cuando se conduce.
Si se suministra una completa, abundante y buena base de datos, fotos, señales de tráfico, estacionamientos libres u ocupados, peatones, usuarios, modelos de vehículos, congestión y caos vehicular, rutas, emergencias, condiciones climáticas, de navegación, informaciones administrativas relacionadas con infracciones de tránsito, excesos de velocidad, consecuencias de conducir ebrio o inapropiadamente, entre otras condiciones más, los vehículos autónomos reconocerán nuestras instrucciones, las aceptarán o simplemente responderán que no están en condiciones de ayudarnos.
Es así como el ML interpretará y aprenderá bajo varias modalidades de aprendizaje, sin supervisión o con ella, por refuerzo, ensayo y error o a través de adiestramiento intenso le será posible establecer patrones de uso y de conducción de cada piloto.
En esta interrelación la IA simula la inteligencia humana, mientras que el ML con técnicas específicas determina que el vehículo aprenda de los datos alojados para que tome decisiones.
Para que un vehículo autónomo identifique un semáforo y pare cuando está en rojo recopila miles de imágenes de semáforos en diferentes ángulos y condiciones de iluminación, luego etiqueta los colores para identificarlos y establecer el verde, rojo y ámbar.
El entrenamiento supervisado al que es sometido el vehículo autónomo se hace vía un algoritmo que corresponde a un conjunto ordenado de datos y diseñado para encontrar soluciones, clasificando todo lo que ve en tiempo real analizando el entorno, realizando predicciones de posibles cambios y determinando patrones.
La IA se convierte en la pantalla de visualización para reconocimiento facial, detección de objetos, inspección de calidad, mientras que el ML permite que los vehículos autónomos aprendan de la experiencia, mejorando su capacidad de tomar decisiones, a planificar rutas y controlar la dirección, aceleración y los frenos.
En este cambiante mundo que continuará evolucionando esperemos que lo que se viene nos permita disfrutar vehículos autónomos dándole órdenes para que nos trasladen sin afectar nuestra tranquilidad.
Los espero en el siguiente artículo
Juan Távara Balladares
CEO y fundador
www.carrosok.com
Autoridad automotriz