หิมะทั้งหมดไม่ได้เกิดมาเท่ากัน

หิมะทั้งหมดไม่ได้เกิดมาเท่ากัน" บอสกล่าว โดยชี้ให้เห็นว่าหิมะที่หลากหลายทำให้การตรวจจับเซ็นเซอร์เป็นเรื่องท้าทาย Rawashdeh เสริมว่าการประมวลผลข้อมูลล่วงหน้าและการติดฉลากที่ถูกต้องเป็นขั้นตอนสำคัญเพื่อรับรองความถูกต้องและปลอดภัย: "AI เปรียบเสมือนพ่อครัว ถ้าคุณมีวัตถุดิบที่ดี ก็จะมีอาหารที่ยอดเยี่ยม" เขากล่าว "ให้ข้อมูลเซ็นเซอร์สกปรกแก่เครือข่ายการเรียนรู้ AI และคุณจะได้รับผลลัพธ์ที่ไม่ดี"

ข้อมูลคุณภาพต่ำเป็นปัญหาหนึ่งและสิ่งสกปรกก็เช่นกัน เช่นเดียวกับคราบสกปรกบนถนน หิมะ ที่จับตัวเป็นก้อนบนเซ็นเซอร์เป็นปัญหาที่แก้ไขได้แต่ก็น่ารำคาญใจ เมื่อมองเห็นได้ชัดเจนแล้ว เซ็นเซอร์ของรถยนต์อัตโนมัติยังคงไม่เห็นด้วยกับการตรวจจับสิ่งกีดขวางเสมอไป บอสกล่าวถึงตัวอย่างที่ดีของการค้นพบกวางในขณะที่ทำความสะอาดข้อมูลที่รวบรวมในท้องถิ่น Lidar บอกว่าหยดนั้นไม่เป็นอะไร (โอกาส 30% ของสิ่งกีดขวาง) กล้องมองเห็นเหมือนคนง่วงนอนที่พวงมาลัย (โอกาส 50%) และเซ็นเซอร์อินฟราเรดตะโกนว่า WHOA (90% แน่ใจว่าเป็นกวาง)

การรับเซ็นเซอร์และการประเมินความเสี่ยงเพื่อพูดคุยและเรียนรู้จากกันและกันก็เหมือนกับคำอุปมาของชายตาบอดสามคนที่พบช้าง แต่ละคนสัมผัสส่วนต่าง ๆ ของช้าง - หู, งวงและขาของสัตว์ - และมาถึง ข้อสรุปที่แตกต่างกันว่าเป็นสัตว์ชนิดใด Rawashdeh และ Bos ใช้เซ็นเซอร์ฟิวชันโดยใช้เซ็นเซอร์อัตโนมัติเพื่อหาคำตอบร่วมกัน ไม่ว่าจะเป็นช้าง กวาง หรือเนินหิมะ ดังที่บอสกล่าวไว้ "แทนที่จะลงคะแนนอย่างเข้มงวด เราจะสร้างค่าประมาณใหม่โดยการใช้เซ็นเซอร์ฟิวชัน"