Uber, aktif olarak çalışan milyonlarca sürücüsünü geleneksel bir yolcu taşıma ağı olmanın ötesinde, otonom araç üreticileri için gerçek dünya verileri toplayan geniş bir sensör ağına dönüştürmeyi planlıyor. Şirketin gelecekteki hedeflerinden biri, insan sürücülerin araçlarında sensör kitleri kullanarak, bu araçlardan toplanan verileri otonom sürüş sistemlerinin eğitiminde kullanmak.
Otonom Araç Veri Stratejisi
Uber’in mevcut AV Labs programı, mevcut sistemler üzerinden toplanan verilerle destekleniyor. Bu program çerçevesinde, Uber, kendi işletiminde bulunan küçük bir sensör donanımlı araç filosu ile sürekli veri topluyor. Şirketin planları arasında, bu sistemi dünya genelindeki sürücülerini de kapsayacak şekilde genişletmek yer alıyor. Otonom araçlar için ihtiyaç duyulan gerçek dünya verilerinin toplanması, destekleyici teknoloji ve altyapılar ile pekiştirilecek.
Veri Toplama ve Engel Analizi
Uber Teknolojiden Sorumlu Başkanı Praveen Neppalli Naga, otonom araç geliştirme sürecinde karşılaşılan en büyük zorlukların, artık temel teknoloji gelişiminden ziyade veri eksikliklerinden kaynaklandığını ifade ediyor. Farklı şehirlerde ve karmaşık trafik koşullarında gerçekleşen gerçek dünya senaryolarına olan ihtiyaç, otonom araçların başarısını doğrudan etkileyen bir faktör oldu. Uber, geniş sürücü ağı sayesinde belirli bölgelerde veri sağlayabilmek için gereken altyapıyı oluşturma aşamasında önemli bir adım atıyor.
Geçmiş Çalışmalar ve Yeni Yaklaşımlar
Uber, geçmişte otonom araç geliştirme projelerinde geri adım atmıştı. Ancak yeni veri odaklı stratejisi, doğrudan bir otomobil üreticisi olmaksızın, otonom araç ekosisteminde değerli bir veri katmanı sunmayı amaçlıyor. Şirketin şu anda 25 farklı otonom araç şirketiyle işbirliği bulunuyor. Bu iş birlikleri çerçevesinde AV cloud adında, etiketlenmiş sensör verilerinin depolandığı bir veri kütüphanesi kuruluyor. Bu veri kümesi, partner şirketlerin otonom sürüş modellerini eğitebilmesine olanak tanıyor.
Simülasyon ve Test Süreçleri
Ortak şirketler, geliştirdikleri modelleri simülasyon mantığıyla test edebiliyor. Bu süreçte, “shadow mode” adı verilen bir yöntemle, otonom araçların fiziksel olarak yola çıkmadan önce gerçek Uber yolculukları üzerinde modelin performansı değerlendirilebiliyor. Bu yaklaşım, sistemin gerçek koşullar altında nasıl çalıştığını görmek için kritik öneme sahiptir. Praveen Neppalli Naga, Uber’in bu verilerden kar elde etmeyi ana hedef olarak görmediğinin altını çiziyor, bunun yerine bu tür verilerin daha geniş bir çevreye sunulmasını istediklerini vurguluyor.
Düzenleyici Zorluklar ve Hazırlıklar
Uber’in bu planının önünde bazı hukuki ve teknik engeller yer alıyor. İnsan sürücülerin araçlarına sensör kitleri yerleştirilmeden önce, söz konusu kitlerin çalışma prensipleri ve veri paylaşım kurallarının netleştirilmesi gerekiyor. Bu aşama, hem kullanıcıların mahremiyeti hem de verilerin güvenliği açısından son derece önemli. Şirket, bu tür düzenleyici başlıkları aşmanın yanı sıra, elde ettiği verilerle otonom araç pazarındaki müzakere gücünü artırmayı hedefliyor.
