Példakép

Az autóipar csúcsintelligenciája

UNIside | 2022-10-06
Négy évvel ezelőtt kezdte meg működését a Continental Mesterséges Intelligencia Fejlesztő Központja Budapesten. A vállalat az autógyártás területén a deep learning alapú szoftverek fejlesztésében látja a jövőt, ami lehetővé teszi, hogy a hagyományos programozás helyett a szenzorba kerülő alkalmazások tapasztalati úton, a felhalmozott vezetési adatok alapján tanuljanak. Ez a módszer komplexebb algoritmusok fejlesztését teszi lehetővé, amelyek képesek biztosítani azt a teljesítményt, amit az autóipari rendszerek következő generációja elvár. Az újításokról, azok gyakorlati kivitelezéséről, valamint a budapesti egység felsőoktatási kapcsolatairól Aleksziev Ritát, a cég fejlesztési központjának deep learning szakértőjét kérdeztük.

Mivel foglalkozik a vállalat budapesti központja?

A Continental nevet alapvetően a gumiabroncsokról ismerheti a közvélemény, de a portfóliója ennél sokkal szélesebb. A különböző gumitermékektől az autóalkatrészeken át a mesterséges intelligencia fejlesztéséig minden szerepel a profiljában. Mi, a budapesti központban az utóbbival foglalkozunk,

konkrétan a vezetéstámogató rendszerek szoftverjeit fejlesztjük.

Olyan dolgokra kell gondolni, amivel az ember nap mint nap találkozik, például a parkoló- és a sávtartó asszisztens vagy a tolatóradar. Ezeket a szoftveres megoldásokat már most is használjuk, de még csak egy részük épül a deep learning alapú szoftverekre. Az algoritmusok fejlesztésével azon dolgozunk, hogy az erre alapuló technológia széles körben elterjedjen, és elérhetővé tegye a vezetéstámogató rendszerek következő generációját. 

Elsősorban milyen területeken fejlesztenek?

Alapvetően a biztonság és a parkolás szegmensében dolgozunk. Az előbbinél kiemelt terület a vészfékasszisztens fejlesztése, ami egy az autó elé hirtelen, váratlanul kilépő gyalogos esetén életet menthet. A parkolási szegmens pedig valamennyi, a területtel összefüggő manővert magában foglalja, beleértve azt is, amikor egy jól ismert környezetben az autó már vagy támogatja a sofőrt, vagy magától parkol.

Az önvezető autók tökéletesítése, vagy a vezető segítése az elsődleges cél?

Jelenleg az utóbbi. Az önvezetésnek öt szintjét különböztetjük meg. Az elsőn a gépjármű még csak alapvető segítséget nyújt a vezetőnek, ilyen a sávelhagyásjelző, ami figyelmeztetésképpen „megrezegteti” a kormányt.

A teoretikus ötös szint még nem létezik, és nem valószínű, hogy egy évtizeden belül elérjük.

Ott az embernek már be sem kell szállnia a járműbe, az autó valóban bárhol, bármilyen körülmények között képes önmagát vezetni. Mi a kettes és hármas szint funkcióival foglalkozunk jelenleg, ami alapvetően két dolgot kontrollál: merre menjen az autó és milyen sebességgel. A deep learning alkalmazásával ezeken a szoftvereken dolgozunk. A távlati terv pedig a négyes szintű autonómia elérése.

A deep learninghez honnan szerzik az adatokat?

A kutatás-fejlesztés során publikus és licencelhető, a termékfejlesztéshez pedig saját adathalmazokat használunk fel. A Continentalnak van saját, kamerákkal és érzékelőkkel ellátott autóflottája, amelynek tagjai az európai nagyvárosokban – többek között Budapesten is – mozognak, és felvételeket, illetve adatokat rögzítenek a forgalomban. Hogy milyeneket, az mindig attól függ, hogy mire szeretnénk használni azokat. Ha például sávtartóasszisztenst fejlesztünk, akkor az utak, valamint a parkolók felfestései kerülnek fókuszba. Ezeket az adatokat először anonimizáljuk, kitakarjuk a rendszámokat, a gyalogosok arcát, aztán az annotáló csoportokhoz küldjük, akik az adathalmazt elemzik, jelölésekkel látják el, majd előállítják azt az információmennyiséget, ami a deep learninghez szükséges. 

Mi történik, ha az adatok alapjául szolgáló információ módosul, például megváltoztatják a közlekedési jelzéseket?

Amennyiben például egy táblát áthelyeznek, nem kell változtatni az algoritmuson, hiszen az magát a táblát tanulja meg felismerni, nem pedig annak a helyét. Ha viszont egy új táblafajtát vezetnek be, akkor a deep learninghez használt adathalmazt az új információkkal bővíteni kell. 

Hol tudják tesztelni a részeredményeket?

A Continentalnak több országban van tesztpályája. Amint valamilyen fejlesztési szintet elérünk, annak eredményeit máris a tesztpályára küldik, mi pedig a visszajelzés alapján finomítunk vagy haladunk tovább. 

Hányan dolgoznak a központban?

A budapesti létszám dinamikusan nő. Jelenleg több mint 150-en vagyunk, és még az idén szeretnénk tovább növelni a létszámot, megtalálni több tucat új kollégát.

A terület és vele együtt a mesterséges intelligencia fejlesztése is dinamikusan bővül, illetve az eddigi eredményekre alapozva további témákkal bővítjük a portfóliónkat.

Minden lehetőséget felhasználunk, hogy a legtehetségesebb szakembereket vegyük fel: jelen vagyunk az állásbörzéken, különböző expókon, technológiai fórumokon, egyszóval minden olyan helyen, ahol meg tudjuk szólítani a leendő kollégákat. 

Felsőoktatási intézményekkel is kötöttek együttműködési megállapodást?

Természetesen. A Budapesti Műszaki és Gazdaságtudományi Egyetem kiemelt partnerünk. Az együttműködésünk a Professional Intelligence for Automotive (PIA) projekt. Az általunk tartott gyakorlati oktatáson túl a hallgatók nálunk írják a záró labordolgozatukat, egy BME-s és egy continentalos konzulens mentorálásával. Nem titkolt célja az együttműködésnek az is, hogy a kiemelkedő tehetségű diákoknak gyakornoki, illetve tanulmányaik végeztével teljes állást kínáljunk.

Együttműködési megállapodást kötöttünk a PPKE-vel, az ELTE-vel, emellett vidéki egyetemekkel is egyeztetéseket folytatunk.

A gyakornoki programunk keretében természetesen a kötelező gyakorlat teljesítése mellett hasznos tudást kapnak a minket választó egyetemisták, illetve túlnyomó többségük a gyakorlati idő alatt állásajánlatot is kap és nálunk helyezkedik el.

 

Névjegy

  • 28 éves.
  • Mesterdiplomáját alkalmazott matematika szakon az Eötvös Loránd Tudományegyetemen szerezte, 2017-ben.
  • A végzést követően az MTA SZTAKI gépi tanulási specialistája, 2019-ben a Continental gépi tanulásmérnöke és a Continental Mesterséges Intelligencia Fejlesztési Központjának deep learning szakértője lett.