反転 AI でシミュレーションをより人間らしくする
「モデルとデータのバージョンが多すぎて、それらすべてを手動で追跡することは不可能になりました。Artifacts を活用し始めてからは、非常に役に立ちました。」
アダム・シビオル
CTO 兼共同創設者
カナダの技術系人材
パンデミックは、仕事の未来を含め、さまざまな面で現代生活を変えました。リモートワークやハイブリッドワークが定着する中、テクノロジー業界で成功するには、サンフランシスコ、ニューヨーク、シアトルなどの伝統的な人材ハブに住む必要はなくなりました。世界クラスの大学や研究プログラムのおかげで、カナダが着実にテクノロジー大国へと成長しつつある国境の北に目を向ける時が来ました。
ブリティッシュコロンビア大学の支援を受けるスピンオフ企業、 Inverted AIは、高度なシミュレーション技術で自動運転車（AV）業界に旋風を巻き起こしている。不完全なAVには固有のリスクがあるため、この分野でのトレーニングの多くは現実世界では行えず、代わりにシミュレーション環境を活用して行われている。こうした環境の多くで問題となるのは、あまりにも無味乾燥だということだ。車や歩行者の挙動は不自然で、特殊性やニュアンスのある混沌とした都市環境に自動運転車を対応させるには不十分だ。また、不自然なシミュレーションでトレーニングしても、実際の自然界に対応できるモデルにはならない。
Inverted AI はまさにこの問題を解決しようとしています。彼らの使命は、反応性があり、現実的で、行動が多様な AI エージェント (具体的にはノン プレイアブル キャラクター (NPC)) を構築することです。簡単に言えば、彼らは人間と同じように行動するエージェントを構築しています。
「人間のようなNPCは完全自律走行車の実現に不可欠ですが、現時点では市場にはそれが見当たりません」とInverted AIのCEO、フランク・ウッド氏は語る。
間
反応性、リアリティ、行動の多様性の点で人間に非常に似た NPC を構築するために、Inverted AI は、世界中を飛行するドローン パイロットから得た膨大な量のビデオ データから学習した予測的な人間行動モデルを使用します。この現実世界のデータは、リアルな NPC をトレーニングするのに最適です。結局のところ、NPC は実際のドライバーから運転行動を学習しているのです。
Inverted AI の秘密のソースは何でしょうか? それは、Imagining the Road Ahead (将来の道を想像する) の略称であるITRAと呼ばれる予測モデルです。Wood 氏の説明によると、Inverted AI は ITRA を行動の GPT として考えています。
上の画像では、地図上の ITRA 条件とエージェントの過去の位置データの一部を使用して、すべてのエージェントの将来を共同で予測しています。緑の線は、さまざまなエージェントが取る可能性のあるさまざまな実用的なルートを示しています。よく見ると、ラウンドアバウトにとどまっている 2 台の青い車は、より速い車が遅い車を追い越しているという、微妙ですが現実的な反応を強調しています。
Inverted AI の最後の秘訣は、これらのモデルをシミュレートされた環境に転送する独自の技術がシミュレータに依存しないことです。2 つの API エンドポイント ( INITIALIZE と DRIVE ) を利用すると、どの企業でもマップとエージェントの数を指定するだけで、INITIALIZE と DRIVE がシミュレーション スタックにシームレスに統合されます。
現在、Inverted AI は、学生研究者とフルタイムのスタッフで構成される 15 人の小規模チームです。限られたリソースでこのような世界クラスの予測モデルを開発するのは簡単なことではありません。そこで、Weights & Biases の出番です。
重みとバイアスで企業を拡大する
成長を続けるチームである Inverted AI には、会社として順調に成長できるツールが必要です。日々の業務を支援し、品質を犠牲にすることなく迅速に行動できるものが必要でした。拡張性を考慮して構築された W&B により、チームは努力を拡大し、成果を上げることができました。
当初、W&B の自動実験追跡機能がチームの主な用途でした。環境を生成またはテストする際、Inverted AI は、モデルが現実的で反応性が高く、多様な動作をシミュレートしていることを確認するために、特定の主要業績評価指標 (KPI) を認識する必要があります。W&B を使用すると、チームはメトリックとログを使用してすべての実験を追跡し、モデルをライブで比較してパフォーマンスを評価できます。Inverted AI モデルは、パフォーマンスの向上が実証されるとすぐに本番環境にデプロイされるため、モデルを迅速かつ正確に評価する機能はチームにとって不可欠です。
会社の従業員数が増加するにつれて、Inverted AI はチームの効率と生産性を高めるために、より多くの W&B 機能を使用するようになりました。
たとえば、ハイパーパラメータの選択を考えてみましょう。最適なハイパーパラメータ値を見つけることは、どの ML モデルでも優れたパフォーマンスを達成する上で重要であり、ITRA には調整すべきハイパーパラメータが多数あります。さらに、動作予測のインタラクティブな性質により、エピソードの長さや終了条件など、トレーニング環境に追加の構成オプションが導入されます。これらすべてのハイパーパラメータの異なる値を試すことは、オーケストレーションの観点から見ても困難です。特に、異種クラスターの寄せ集めで実験を実行することが多い学生研究者にとっては困難です。W&B Sweeps を使用すると、チームはジョブを簡単に整理およびオーケストレーションして、何千もの異なる構成を把握できました。また、W&B Reports により、結果を社内で迅速かつ便利に配布できるようになり、社内の情報の流れが加速しました。
さらに、同社は W&B Artifacts を活用して、ML パイプライン全体のデータセット、モデル、評価結果を保存し、追跡しています。「モデルとデータ バージョンが多すぎて、すべてを手動で追跡することは不可能になりました。Artifacts を活用し始めてから、非常に役立っています」と Inverted AI の CTO、Adam Ścibior 氏は述べています。
チームが ITRA の改良版を作り続ける中で、スピード、正確性、効率性はすべて、そのミッションを達成する上で不可欠な要素です。W&B のようなツールがあれば、まさにそれが実現できます。
注目すべきスタートアップ
Waymo や NVIDIA などの競合他社と競争したいと願う小規模組織として、Inverted AI はチームが迅速かつ自信を持って反復できるようにするソリューションを必要としていました。チームが W&B の使用を増やすにつれて、研究を加速し、より短時間で、そして最も重要なことに、大規模に価値のあるモデルを構築できるようになりました。
AV 業界は現在、米国の企業で溢れているかもしれませんが、Inverted AI はカナダが侮れない勢力であることを示しています。人間のような NPC を運転するために使用できる世界クラスの予測モデルを構築することは、野心的なミッションです。Weights & Biases を使用して機械学習ワークフローを合理化するということは、より多くの優れたモデルをより速くトレーニングし、それらを迅速かつ自信を持って展開することを意味しました。チームが行っている作業により、運転の改善、事故の減少、そして最も重要なことに、誰にとってもより安全な道路が保証されます。