這一次，終於可以搭建一個三個多月的長期服務，來幫助新入門的開發者更快學習自動駕駛。人工智慧並不是計算機科學的延伸，但藉助人工智慧來讓機器達到真正的自主性，是前沿技術探索的目標。基於深度學習的自動駕駛方法，不僅能改善開發人員在交通中的控制，同時也能解決路況複雜情況下的駕駛難題。你可以閱讀原文本文將科學技術和實際現實的各種交叉融合，通過自動駕駛服務平臺搭建一個可以持續運行、人性化和智能化的服務，包括uber無人駕駛汽車。
從構思到實施一個優質、易用、可拓展的服務平臺，需要足夠的資料庫。要實現低成本、高可靠性、更快速度和更好用的訓練集，還需要強大的算力系統。計算機視覺，機器學習和深度學習是計算機科學中最重要的研究領域之一。任何一個不可描述的領域都將需要大量需要工程師來實現複雜算法。算法工程師和數據科學家處理大規模的交易數據，以及現有算法的客戶端部署，是計算機視覺和機器學習的使命。不僅如此，算法工程師也是數據科學家和機器學習工程師之間溝通的中介人。如何從「鐵打的營盤流水的兵」到建立強大而透明的服務平臺？是你自動駕駛技術和交通領域的未來發展的關鍵。
至少，自動駕駛的汽車已經從一個基於人工手動操作控制的設備，通過自動駕駛技術，人能夠掌控，駕駛。實際上，工程師可以向汽車製造商提供直接互操作的資料庫。你還可以繼續探索可以讓你一起駕駛的計算機視覺，機器學習和深度學習領域。為了做到這一點，你需要針對這個重要的重新定義領域，目前存在嚴重的需求不平衡。市場可能通過捆綁大量的概念產品來滿足服務平臺的主要需求。因此，自動駕駛服務平臺的需求定義清晰。清晰是指服務的定義應該非常易用和實際，同時不損害他人。一個可以持續運行的系統需要可以定義新的數據源和相關的問題。這是一個開放的數據源，應該是具有低成本、可拓展、同時廣泛的開放標準的集合。試圖構建以上所有這些條件，是深度學習自動駕駛服務平臺的最基本問題。想要制定出服務平臺，你需要每天精心設計和開發一段時間。
首先，你必須要設計車輛的目標軌跡和目標點，通過預處理數據，他們必須每天在服務平臺中定期更新。同時，服務平臺一定要包含更廣泛的交通和其他路況信息源。如今，我們已經開始探索這個目標並建立了可以持續運行的系統。在過去的四年中，我們完成了建立自動駕駛服務平臺，其中包括處理大型分析問題，隨後還使用了自動駕駛技術和傳感器，來讓汽車和人駕駛更加安全。