德基老板如何利用长尾词提高网络推广效果
当你驾驶着车,看到水泥未干的地面,一定会绕道而行,而一辆智能驾驶汽车却会因此陷入尴尬。
当一个骑着自行车的人手中拿着一个Stop的标识牌,我们并不会因此停下车,但智能驾驶汽车或许会因此停了下来。
这些看似极端的情况,实则指向的是智能驾驶的长尾问题。这些充满了巧合性与不可预见性的场景也被称为边缘场景(corner case),正是它们,困住了智能驾驶L5级别的商业化落地。
值得警惕的长尾问题
或许你对上面举例的这两个场景不以为然,甚至可能觉得智能驾驶因“水泥未干”而翻车,有点哭笑不得。但其实,长尾问题造成了智能驾驶在道路上难以消除的不确定性,直接影响了行车安全。它是一个很严肃的问题。
比如,特斯拉在美国发生的多起事故中,其中有十余起就是因长尾问题造成,甚至直接导致了人员伤亡。在这些事故中,智能驾驶的车辆无法识别前方因应急救援临时搭建起的警告措施,比如闪着警灯的警车、照明棒和亮灯的告示牌、交通锥等。
然而,一根照明棒、一个静止的交通锥,只是边缘场景中的沧海一粟。复杂的道路状况给智能驾驶带来的挑战还有很多。智能驾驶在技术上已经解决了90%的问题,但剩下10%的长尾问题却可能要花费同样多甚至更多的精力去解决。
数据,是核心竞争力
在硬件方面,解决智能驾驶长尾问题有两个关键:单车智能和车路协同。单车智能是通过摄像头、雷达等传感器以及先进算法,赋予车辆智能驾驶的能力;车路协同是通过5G高精度地图感知路况,使得车辆具备智能驾驶能力。
单车智能像是军队里的士兵,如果士兵单兵作战能力足够强,可以处理各种不同的突发情况。车路协同则更像是指挥官,把所有士兵协调在一起,实现统一行动。
而在软件方面,算法和高质量数据是解决智能驾驶长尾难题的核心。无论是单车智能还是车路协同,其本质还是需要通过不断获取数据,不断优化智能驾驶算法和模型,从而解决智能驾驶的长尾问题。跑得越多,意味着数据越多,有更多稀缺场景的积累,算法和模型也会因此训练得更为成熟。
如何获得海量的数据?无人车领域的先行者Waymo,用“后装改造车辆—路测收集数据—试运营”的方式,走出来了一条路。
但显然这种模式是无法复制的,因为自建运营车队成本十分高昂,早期投入资金甚至高达1000亿美元,这还没算上后期解决问题的成本。并且,获取数据的效率也十分低。
能不能自己不建车队,让跑在路上的量产车来采集数据?这诞生了另一种模式——“数据众包”。理解起来很简单,就是利用已经跑在路上量产的L2-L3级智能驾驶的车辆收集道路数据,持续不断地为L4级智能驾驶提供数据流。
其实,我们生活中也有很多数据众包的案例,比如导航。大家在使用导航的同时,为导航提供了你所在地的交通数据,实现了数据众包,所以导航能实时显示哪里拥堵,计算出准确的到达时间。
让静止的飞轮转起来
除了收集数据,更重要的是建立自动化的数据工厂,将源源不断收集来的有效数据,通过自动化的工具,加工成可用的模型,以更快的速度、更高效的方式应对边界化难题。
智己携手阿里共同打造“云上数据超级工厂”
这就是智己IM AD“飞轮式”智能驾驶解决方案。整个飞轮一共有三个关键因子:数据驱动的算法、海量数据、闭环自动化。
智己IM AD“飞轮解决方案
具体来说,整个闭环过程是这样的:
1、当车辆收集到高价值样本时,系统就会对观测结果进行全自动标注。
2、数据积累到一定水平,就会自动触发无人工干预的模型训练迭代,完成训练。
3、模型评测自动启动,研发团队只需阅读由系统所推送的评测报告来决定模型发版,即可完成整个闭环。
这个过程不断循环,自动“消化”海量长尾数据,从而低成本、高效率地打通整个链路,而不是依靠“传统”的人工驱动,耗时耗力。
这是IM AD迭代进化、领跑赛道的关键所在。IM AD采用人工智能超级算法,以全流程数据驱动为技术路线,利用车端持续产生的实际数据,能够全面高效的解决10%低概率长尾问题,真正帮助用户获得安全、良好的智能驾驶体验。
不断地循环,就像一个转起来的飞轮。为了使静止的飞轮转动起来,一开始你必须使很大的力气,一圈一圈反复地推,但是每一圈的努力都不会白费,飞轮会转动得越来越快,终成厚积薄发之势。
如发现本站有涉嫌抄袭侵权/违法违规等内容,请<举报!一经查实,本站将立刻删除。