Data science

การนำทางความเป็นส่วนตัวของผู้ขับขี่และความปลอดภัยของยานพาหนะไฟฟ้า รถยนต์ที่ขับด้วยตนเอง

จำนวนที่เพิ่มขึ้นของรถยนต์ไฟฟ้าที่เชื่อมต่อกัน ตลอดจนวิวัฒนาการของรถยนต์ขับเคลื่อนด้วยตนเองและยานยนต์อัตโนมัติ ทำให้ความต้องการกำลังในการประมวลผลเพิ่มมากขึ้น เทคโนโลยีใหม่กำลังก้าวหน้าอย่างรวดเร็วด้วยการแนะนำวิธีการประมวลผลแบบใหม่ ตามที่ผู้เชี่ยวชาญของ BrainChip Holdings Ltd (ASX: BRN) (OTCQX: BRCHF) ซึ่งเป็นผู้ให้บริการชั้นนำด้านเทคโนโลยีปัญญาประดิษฐ์ประสิทธิภาพสูงที่ใช้พลังงานต่ำเป็นพิเศษ ระบบยานยนต์เหล่านี้อาศัยปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง (AI/ML) เป็นหลักในการฝึกอบรมเซ็นเซอร์ ส่วนประกอบ รูปภาพ และวิดีโอโปรเซสเซอร์ในรถยนต์แต่ละคันที่เพิ่มขึ้น ยานพาหนะที่เป็นอิสระและยานพาหนะที่เกือบจะเป็นอิสระคาดว่าจะสร้าง – เทราไบต์ (1014) ของข้อมูลทุก ๆ สองชั่วโมงของการขับรถ และข้อมูลทั้งหมดนี้มีช่องโหว่เมื่ออัปโหลดไปยังคลาวด์ ผู้สนับสนุนผู้บริโภคได้ส่งสัญญาณเตือนเกี่ยวกับความเป็นส่วนตัวของผู้ปฏิบัติงานและผู้โดยสาร ซึ่งรวมถึงข้อมูลตำแหน่ง สุขภาพของผู้ขับขี่ ความเร็ว และอื่นๆ ด้วยการพึ่งพาระบบคลาวด์ Peter van der Made ผู้ก่อตั้งและซีอีโอของ BrainChip กล่าวว่า “ข้อกังวลมากมายเกี่ยวกับรถยนต์ไร้คนขับและระบบช่วยเหลือผู้ขับขี่สามารถแก้ไขได้ด้วยการทำงาน AI/ML ที่ได้รับการปรับปรุงและส่วนประกอบภายใน “ความปลอดภัยเป็นสิ่งสำคัญอย่างยิ่ง แต่ประสิทธิภาพในการใช้พลังงาน ความเป็นส่วนตัวและความปลอดภัยเป็นข้อพิจารณาที่สำคัญสำหรับอุตสาหกรรมยานยนต์และห่วงโซ่อุปทานที่ต้องแก้ไข” วิธีเด่นๆ ที่เทคโนโลยีที่ปรับปรุงแล้ว “อย่างเหลือเชื่อ” จะช่วยลดอุบัติเหตุ ปกป้องข้อมูล และประหยัดพลังงาน ได้แก่ การเรียนรู้แบบเรียลไทม์ ชิปที่ปรับปรุงแล้วสามารถดำเนินการ “เรียนรู้เพิ่มเติม” และเพิ่มความรู้เกี่ยวกับโลกเมื่อต้องเผชิญกับข้อมูลใหม่ . การจดจำวัตถุเป็นสถานการณ์หนึ่งที่การเรียนรู้แบบเรียลไทม์สร้างผลกระทบ รถยนต์จำเป็นต้อง “ดู” ว่าวัตถุที่อยู่บนถนนเป็นหิน สัตว์ หรือถุงพลาสติก และสามารถรับรู้ความแตกต่างของแต่ละรายการเพื่อให้ตอบสนองตามนั้นได้ ภายใต้วิธีการประมวลผล AI/ML ในปัจจุบัน ทั้งหมดถูกมองว่าเป็นอุปสรรค “การเรียนรู้ที่เพิ่มขึ้นตามเวลาจริง ซึ่งบางครั้งเรียกว่าการเรียนรู้แบบครั้งเดียว ทำให้สามารถฝึกชิปได้ภายในเสี้ยววินาที และกระตุ้นการดำเนินการแก้ไข” Van der Made กล่าว “เนื่องจากสิ่งนี้ถูกนำไปใช้อย่างกว้างขวาง การปรับปรุงความปลอดภัยจะมีขนาดมหึมา” การเรียนรู้บนชิป ไมโครโปรเซสเซอร์แบบดั้งเดิมนั้นช้าเกินไปที่จะทำการคำนวณประเภทที่จำเป็นต่อการจดจำวัตถุ เซลล์ปฏิบัติการแบบขนานจำนวนมาก ซึ่งแต่ละเซลล์ทำงานตามหลักการเดียวกันกับเซลล์สมอง ดำเนินการคำนวณอย่างรวดเร็วในรถ แทนที่จะส่งข้อมูลไปยังคลาวด์ / ศูนย์ข้อมูล แล้วรอคำสั่ง สิ่งนี้ไม่เพียงลดเวลาแฝงเพื่อให้ตัดสินใจได้เร็วขึ้น แต่ยังช่วยขจัดความจำเป็นในการเชื่อมต่ออินเทอร์เน็ต ดังนั้นรถจึงทำงานต่อไปได้แม้ในขณะที่ไม่มีอินเทอร์เน็ต และด้วยการเก็บรักษาข้อมูลภายในตัวรถเอง แทนที่จะส่งข้อมูลไปยังสถานที่ห่างไกล ความปลอดภัยและความเป็นส่วนตัวของข้อมูลส่วนบุคคลได้รับการปรับปรุงอย่างมาก Van der Made กล่าวว่า “การเรียนรู้แบบ On-chip น่าจะเป็นความก้าวหน้าครั้งใหญ่ที่สุดสำหรับอุตสาหกรรมยานยนต์ เพราะสิ่งนี้สามารถจัดการกับข้อกังวลที่สำคัญ เช่น เวลาตอบสนองและความเป็นส่วนตัวของข้อมูล “รถที่วิ่งด้วยความเร็ว 110 กม./ชม. วิ่ง 12 เมตรในหนึ่งวินาที ความล่าช้าหนึ่งวินาทีหรือแม้แต่เสี้ยววินาทีในการรับข้อมูลจากคลาวด์อาจเป็นอันตรายถึงชีวิตได้” การประมวลผลที่เป็นมิตรกับสิ่งแวดล้อมมากขึ้น รถยนต์หรูหราในปัจจุบันมีไมโครชิปจำนวนมาก ในอนาคต รถยนต์ที่ขับเคลื่อนด้วยตัวเองขั้นสูงจะมีระบบคอมพิวเตอร์ออนบอร์ดจำนวนมาก ซึ่งการใช้พลังงานจะมีผลกระทบอย่างมากต่อประสิทธิภาพของรถ ชิปที่เล็กกว่า น้ำหนักเบา และประหยัดพลังงานจะช่วยลดผลกระทบนี้ได้ โปรเซสเซอร์ที่คล้ายกับสมองที่ใช้พลังงานต่ำเป็นพิเศษ ซึ่งสามารถให้การจดจำวัตถุประสิทธิภาพสูงและช่วงประสิทธิภาพโดยรวมที่สูงขึ้น ดังนั้นประสิทธิภาพแบตเตอรี่ของรถยนต์หรือการใช้พลังงานโดยรวมจึงเพิ่มขึ้นสูงสุด “เมื่อรวมกับการเรียนรู้บนชิปแล้ว โปรเซสเซอร์ที่ประหยัดพลังงานยังช่วยประหยัดพลังงานจำนวนมหาศาลเมื่อเทียบกับการส่งข้อมูลผ่านระบบคลาวด์” van der Made กล่าว “การคำนวณหลังซองแนะนำการประหยัดพลังงาน 97% เมื่อเทียบกับเทคโนโลยีปัจจุบัน ซึ่งไม่เพียงแต่ปรับปรุงประสิทธิภาพของรถเท่านั้น แต่ยังช่วยลดพลังงานของศูนย์ข้อมูล ใช้.” แต่ละอินสแตนซ์ที่ทำงานบนศูนย์ข้อมูลระยะไกลมีส่วนทำให้เกิดคาร์บอนฟุตพริ้นท์จำนวนมาก การตรวจสอบทางกล การประมวลผล AI ขั้นสูงสามารถใช้เพื่อตรวจสอบสถานะสุขภาพของยานพาหนะสำหรับการวินิจฉัยเบื้องต้นผ่านการวิเคราะห์ข้อมูลเซ็นเซอร์แบบเรียลไทม์ เซ็นเซอร์สามารถระบุเสียง การสั่นสะเทือน แม้กระทั่งกลิ่นเพื่อระบุปัญหาหรือความล้มเหลวที่จะเกิดขึ้น ซึ่งเป็นคุณลักษณะด้านความปลอดภัยที่ช่วยขจัดข้อผิดพลาดของมนุษย์ ลดต้นทุนแรงงานและการบำรุงรักษา และป้องกันการเสื่อมสภาพของเครื่องจักร การตรวจสอบผู้ปฏิบัติงาน ระบบในอนาคตจะสามารถ “มองเห็น” คนขับเพื่อวัดความสนใจ เพื่อยืนยันตัวตนเพื่อให้แน่ใจว่าพวกเขาได้รับอนุญาตให้ควบคุมรถ และเตือนคนขับที่ง่วงหรือฟุ้งซ่านในทันที “มีเหตุผลที่ถูกต้องที่จะตั้งคำถามต่อความปลอดภัยและความปลอดภัยของรถยนต์ที่ขับด้วยตนเอง แต่ภัยคุกคามที่ใหญ่ที่สุดและอันตรายที่สุดคือข้อจำกัดในการประมวลผลของเทคโนโลยีในปัจจุบัน” แวน เดอร์ เมด กล่าว “โปรเซสเซอร์ที่มีความสามารถน้อยกว่านั้นเป็นอุปสรรคที่แท้จริง โดยเฉพาะอย่างยิ่งหากมีการตัดมุม จำเป็นอย่างยิ่งที่ข้อมูลทั้งหมดจะได้รับการประมวลผลภายในตัวรถ ข้อมูลจะได้รับการปกป้องจากการรั่วไหลหรือการโจมตี และการพัฒนาเหล่านี้จะไม่ทำให้ผู้คนหรือแม้แต่โลกของเราเสียค่าใช้จ่ายมากขึ้น” Akida™ ของ BrainChip นำปัญญาประดิษฐ์มาสู่ขอบในลักษณะที่แตกต่างจากเทคโนโลยีที่มีอยู่ โซลูชันนี้มีประสิทธิภาพสูง ขนาดเล็ก ใช้พลังงานต่ำเป็นพิเศษ และช่วยให้มีความสามารถด้านขอบที่หลากหลาย Akida AKD1000 และทรัพย์สินทางปัญญาของ Akida สามารถใช้ในแอปพลิเคชันต่างๆ ได้ เช่น Smart Home, Smart Health, Smart City และ Smart Transportation แอปพลิเคชันเหล่านี้รวมถึงแต่ไม่จำกัดเฉพาะระบบอัตโนมัติในบ้านและการควบคุมระยะไกล, IoT อุตสาหกรรม, หุ่นยนต์, กล้องรักษาความปลอดภัย, เซ็นเซอร์, เครื่องบินไร้คนขับ, ยานยนต์อัตโนมัติ, เครื่องมือทางการแพทย์, การตรวจจับวัตถุ, การตรวจจับเสียง, การตรวจจับกลิ่นและรสชาติ, การควบคุมด้วยท่าทางและความปลอดภัยทางไซเบอร์ ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button