152 AB’nin AİHK’ya Katılımının AB Divanı’nın CETA’ya İlişkin Görüşü Işığında Değerlendirilmesi yan derin öğrenme29 bilgileri bulunmaktadır.30 Buradan yola çıkarak örneğin, otonom bir arabaya yol ağı üzerinden planlanan bir rota verildiğinde, arabanın ilk görevi kendi çevresindeki ortamı anlamak ve konumlandırmaktır. Bu temsile dayalı olarak sürekli bir yol planlanır ve arabanın sonraki eylemleri davranış tahkim sistemi tarafından belirlenir. Son olarak, hareket kontrol sistemi, planlanan hareketin yürütülmesinde oluşan hataları tepkisel olarak düzeltir.31 Bu şekilde ortaya çıkan hiyerarşik karar sürecini, çevredeki duyusal gözlemleri ve bilgileri doğrudan kontrol çıktılarına eşleyen tek bir derin öğrenme sistemine kodlamak için End2End öğrenme sistemi kullanılır. Otonom sürüş bağlamında End2End Learning Control sistemi, duyusal verilerden kontrol komutlarına doğru, doğrudan yapılan bir eşleme olarak tanımlanır.32 En popüler End2End sistemlerinden biri yol takibinde etkisi olan Alvinn (Autonomous Land Vehicle in a Neural Network) sistemidir. Bu sistemle simüle edilmiş yol görüntüleri kullanılarak eğitim gerçekleşmektedir. Carnegie Mellon, otonom navigasyon test aracı üzerinde yapılan başarılı testlerde, sistemin etkin bir şekilde gerçek yolları takip edebildiğini gösterdi.33 Oto pilot sisteminin uygunluğunun değerlendirilmesi için Tesla gibi şirketler tarafından End2End Konvolüsyonel Sinir Ağları (Convolutional Neural Network) sistemi34 önerildiğini belirtmek isteriz. 29 Deep Learning (derin öğrenme), her bir kavramın daha basit kavramlarla ilişkili olarak tanımlandığı ve daha soyut temsillerin daha az soyut olanlarla hesaplandığı, iç içe geçmiş bir kavramlar hiyerarşisi olarak dünyayı anlaması için benzetimler kumayı öğrenerek büyük güç ve esneklik sağlayan özel bir makine öğrenimi türüdür. Belli bir makinenin öğrenim türü olan derin öğrenme sistemini iyi anlamak için makine öğreniminin temel ilkelerine dair sağlam bir anlayışa sahip olmak gerekir. Ayrıntılı bilgi için bkz. Ian Goodfellow/Yoshua Bengio/Aaron Courville, Deep Learning, MIT Press, 2016, s. 8. Makine öğrenim türleriyle ilgili ayrıntılı açıklama için ayrıca bkz. Goodfellow/Bengio/Courville s. 98-164. 30 Grigorescu/Trasnea/Cocias/Macesanu, s. 4. Otonom sürüşte kullanılan derin öğrenme ve yapay zekâ teknolojilerinin yanı sıra yukarıda zikredilen hiyerarşik karar verme sürecini tasarlamak için kullanılan; üst düzey yol planlaması, davranış tahkim veya alt düzey yol planlaması ve hareket denetleyicileri şeklinde dört farklı metot vardır. Mevcut AI metodolojileri günümüzde sürücüsüz bir araba için farklı bileşenler tasarlanırken ya kullanılıyor ya da dikkate alınıyor. Ayrıntılı açıklama için bkz. s. 10-24. 31 Grigorescu/Trasnea/Cocias/Macesanu, s. 4. 32 Grigorescu/Trasnea/Cocias/Macesanu, s. 19. 33 Grigorescu/Trasnea/Cocias/Macesanu, s. 20. Ayrıca diğer popüler End2End sistemlerinin bulunduğu “End2End öğrenme yöntemlerinin” özeti başlığı altındaki Tablo-1 için bkz. s. 20. 34 Derin öğrenme sistemlerinden biri olan, Konvolüsyonel Sinir Ağları (Convolution Neural Network-CNN) çok katmanlı algılayıcıların (Multi Layer PerceptronMLP) bir türüdür. CNN sistemi, görüntü işleme, anlamsal ayrışma, cümle model-
RkJQdWJsaXNoZXIy MTQ3OTE1