Nomadic Kumpulkan Dana $8,4 Juta untuk Atasi Krisis Data Tersembunyi Kendaraan Otonom

Kendaraan otonom dan robot menghasilkan lebih banyak data sensor daripada yang bisa digunakan sebagian besar organisasi. Nomadic telah mengumpulkan dana $8,4 juta dalam pendanaan awal untuk memperbaikinya — membangun lapisan infrastruktur yang mengubah rekaman mentah AV dan robot menjadi kumpulan data terstruktur yang dapat dicari menggunakan pembelajaran mendalam, mengatasi hambatan yang secara diam-diam membatasi kecepatan pengembangan sistem otonom di seluruh industri.

Daftar Isi

• Apa yang Sebenarnya Dilakukan Nomadic?
• Mengapa Data AV dan Robot Begitu Sulit Dikelola?
• Bagaimana Pendekatan Pembelajaran Mendalam Nomadic Bekerja?
• Apa Artinya bagi Robotika dan Otomasi?
• Pertanyaan yang Sering Diajukan

Apa yang Sebenarnya Dilakukan Nomadic?

Nomadic membangun platform infrastruktur data yang mengubah rekaman video mentah dan data sensor yang ditangkap oleh kendaraan otonom dan robot menjadi kumpulan data terstruktur yang dapat ditanyakan. Alih-alih rekaman mentah yang hanya disimpan — mahal untuk disimpan, hampir mustahil untuk dicari — sistem Nomadic menggunakan model pembelajaran mendalam untuk memberi tag, mengklasifikasikan, dan mengindeks data tersebut sehingga para insinyur dapat benar-benar menemukan apa yang mereka butuhkan.

Menurut TechCrunch, putaran pendanaan awal $8,4 juta menempatkan Nomadic sebagai infrastruktur untuk tumpukan Physical AI yang lebih luas — tidak hanya untuk program AV, tetapi untuk sistem robot apa pun yang menghasilkan aliran sensor berkelanjutan yang perlu diubah menjadi sinyal pelatihan.

Anggap saja seperti perbedaan antara gudang yang penuh dengan kotak tanpa label dan sistem inventaris yang terindeks sepenuhnya. Rekamannya ada bagaimanapun juga, tetapi hanya satu versi yang berguna secara operasional. Analogi itu memang tidak sempurna dalam skala besar — masalah dengan data AV bukan hanya pelabelan, tetapi volume yang sangat besar dikombinasikan dengan biaya anotasi manusia dan kelangkaan kasus tepi yang kritis terhadap keselamatan yang terkubur di dalam jam-jam rekaman rutin.

Mengapa Data AV dan Robot Begitu Sulit Dikelola?

Satu kendaraan otonom dapat menghasilkan antara 1 hingga 40 terabyte data sensor mentah per hari, tergantung pada rangkaian sensornya — kamera, LiDAR, radar, IMU. Armada kecil yang terdiri dari sepuluh kendaraan yang beroperasi terus menerus menghasilkan lebih banyak data per minggu daripada yang dirancang untuk ditangani oleh sebagian besar saluran data perusahaan.

Masalahnya bertambah parah dalam dua arah. Pertama, biaya penyimpanan menumpuk dengan cepat ketika data berskala petabyte harus disimpan untuk pelatihan model, audit keselamatan, dan tinjauan regulasi. Kedua, dan yang lebih penting, sebagian besar data itu tidak aktif secara operasional — data tidak dapat ditanyakan, disaring, atau dimunculkan tanpa upaya pelabelan manual yang signifikan.

Untuk tim robotika khususnya, hal ini menciptakan lingkaran umpan balik yang menyakitkan:

1. Menyebarkan robot di lapangan
2. Mengumpulkan data sensor dalam jumlah besar
3. Berjuang untuk mengekstrak skenario kegagalan spesifik, kasus tepi, atau peristiwa khusus domain yang diperlukan untuk meningkatkan model
4. Iterasi pelatihan melambat
5. Performa penerapan stagnan

Alur kerja anotasi manusia — solusi tradisional — tidak ekonomis pada skala besar. Biaya pelabelan untuk kumpulan data kendaraan otonom secara historis berkisar antara $0,05 hingga $0,50 per frame, dan satu jam video pada 30fps berisi 108.000 frame. Ekonomi ini secara aktif menghalangi tim untuk memanfaatkan sepenuhnya data buangan dari armada mereka.

Bagaimana Pendekatan Pembelajaran Mendalam Nomadic Bekerja?

Sistem inti Nomadic menerapkan model pembelajaran mendalam pada rekaman mentah untuk secara otomatis mengekstrak struktur semantik dari aliran sensor. Alih-alih mengharuskan insinyur untuk memberi label rekaman secara manual sebelum dapat dicari, platform ini menyimpulkan apa yang terjadi dalam suatu adegan, memberi tag pada peristiwa dan objek, dan mengatur keluaran ke dalam bentuk yang dapat ditanyakan.

Implikasi praktisnya signifikan: tim robotika dan AV dapat mengeluarkan pertanyaan dalam bahasa alami atau terstruktur — "tunjukkan semua kejadian di mana kendaraan mendekati pejalan kaki dalam jarak kurang dari 2 meter saat hujan" — dan memunculkan klip yang relevan dari jutaan jam rekaman tanpa tinjauan manual.

Pendekatan ini mencerminkan apa yang dilakukan basis data vektor modern untuk teks tidak terstruktur, tetapi diterapkan pada data sensor multimodal termasuk video, point cloud, dan aliran IMU. Model pembelajaran mendalam bertindak sebagai lapisan anotasi otomatis, secara dramatis mengurangi biaya per contoh berlabel sambil meningkatkan kepadatan sinyal yang dapat diekstraksi dari data yang ada.

Nomadic vs. Pendekatan Saluran Data Tradisional

Catatan penting: anotasi berbasis pembelajaran mendalam mewarisi semua titik buta yang ada dalam distribusi pelatihan model. Untuk kasus tepi yang langka dan kritis terhadap keselamatan — tepatnya peristiwa yang paling berharga untuk pelatihan — model yang belum melihat cukup contoh mungkin masih gagal untuk memunculkannya dengan andal. Proposisi nilai jangka panjang Nomadic kemungkinan tergantung pada seberapa baik modelnya dapat digeneralisasi di berbagai penerapan robot dan kendaraan yang beragam.

Apa Artinya bagi Robotika dan Otomasi

Hambatan data yang diserang Nomadic tidak unik untuk kendaraan otonom. Ini adalah masalah yang sama yang dihadapi oleh AMR (autonomous mobile robots) gudang, robot inspeksi industri, sistem otomasi pertanian, dan program robot humanoid — sistem AI yang diwujudkan yang menghasilkan data perseptual berkelanjutan di dunia nyata.

Bagi tim yang mengoperasikan atau mengakuisisi armada robot, ini penting dalam dua cara konkret.

Kecepatan pelatihan: Laju peningkatan sistem robot secara langsung dibatasi oleh seberapa cepat tim dapat mengekstrak sinyal pelatihan yang bermakna dari data penerapan. Infrastruktur yang mempercepat putaran itu — bahkan dengan faktor 2–3× — memampatkan timeline perbaikan secara proporsional.

Kecerdasan armada dalam skala besar: Saat armada robot tumbuh, nilai operasional dari data sensor tersebut melampaui pelatihan model. Data terstruktur membuka deteksi anomali, sinyal pemeliharaan prediktif, dan tolok ukur performa di seluruh unit — mengubah armada robot itu sendiri menjadi sistem yang terus mendokumentasikan dirinya sendiri.

Bagi operator yang mempertimbangkan penerapan robot bekas atau yang diperbaharui — di mana konfigurasi sensor dapat bervariasi dan kumpulan data yang sudah ada kurang dikurasi — platform seperti Nomadic menjadi sangat relevan. Memberi makan data lapangan dari robot industri bekas kembali ke saluran pelatihan terstruktur secara historis merupakan proses manual yang mahal. Infrastruktur penataan otomatis mengubah kalkulasi tersebut.

Angka pendanaan awal $8,4 juta juga menandakan ke mana investasi infrastruktur mengalir dalam tumpukan Physical AI. Perangkat keras — robot itu sendiri — mendapat perhatian. Namun lapisan data antara penerapan dan peningkatan model semakin menjadi tempat keunggulan kompetitif dibangun dan di mana modal mulai terkonsentrasi.

Operator yang mengevaluasi cobot bekas untuk dijual atau membangun program otomasi skala kecil harus memperhitungkan biaya saluran data ke dalam total biaya penerapan — pertanyaan yang langsung diposisikan oleh Nomadic untuk dijawab.

Pertanyaan yang Sering Diajukan

Nomadic adalah perusahaan infrastruktur data yang menggunakan pembelajaran mendalam untuk mengubah rekaman sensor mentah dari kendaraan otonom dan robot menjadi kumpulan data terstruktur yang dapat dicari. Ini memecahkan masalah penskalaan data sistem otonom — di mana sejumlah besar rekaman dihasilkan di lapangan tetapi tetap tidak dapat digunakan secara operasional tanpa anotasi manual yang mahal.

Berapa banyak data yang dihasilkan kendaraan otonom per hari?

Satu kendaraan otonom biasanya menghasilkan antara 1 hingga 40 terabyte data sensor mentah per hari, tergantung pada konfigurasi kamera, LiDAR, dan radar. Armada sepuluh kendaraan dapat mengumpulkan ratusan terabyte setiap minggu, membuat pemrosesan manual tidak ekonomis dalam skala besar.

Bagaimana pendekatan pembelajaran mendalam Nomadic berbeda dari pelabelan manual?

Pelabelan manual membutuhkan biaya antara $0,05 dan $0,50 per frame, membuatnya sangat mahal dalam skala armada. Nomadic menerapkan model pembelajaran mendalam untuk secara otomatis memberi tag dan mengindeks rekaman, memungkinkan insinyur untuk melakukan kueri di seluruh kumpulan data besar tanpa tinjauan manusia frame per frame — secara signifikan mengurangi biaya anotasi dan waktu untuk mendapatkan wawasan.

Apakah masalah hambatan data mempengaruhi robot selain kendaraan otonom?

Ya. Sistem AI yang diwujudkan apa pun — AMR gudang, robot inspeksi, otomasi pertanian, platform humanoid — menghasilkan data sensor berkelanjutan yang menghadapi tantangan penataan dan pengambilan yang sama. Masalahnya berskala dengan ukuran armada dan jam operasi terlepas dari aplikasi robotik spesifik.

Apa arti pendanaan ini bagi ekosistem Physical AI yang lebih luas?

Putaran pendanaan awal $8,4 juta menandakan pengakuan investor yang berkembang bahwa lapisan infrastruktur data — bukan hanya perangkat keras atau model AI inti — adalah hambatan kritis dalam pengembangan sistem otonom. Investasi infrastruktur dalam saluran data adalah indikator utama dari program penerapan Physical AI yang semakin matang.

Keluaran data dari sistem otonom selalu sangat besar. Bagian yang hilang adalah infrastruktur untuk mengubahnya menjadi sinyal yang dapat digunakan. Pendekatan Nomadic — menerapkan pembelajaran mendalam sebagai lapisan penataan otomatis — mengatasi kendala yang mempengaruhi setiap organisasi yang menyebarkan robot atau kendaraan dalam skala besar. Pendanaan awal tidak akan menyelesaikan masalah dalam semalam, tetapi ini menandai taruhan arah yang jelas bahwa lapisan data adalah tempat keunggulan kompetitif berikutnya dalam Physical AI dibangun.

Apakah infrastruktur saluran data merupakan hambatan yang membatasi peningkatan armada robot Anda — atau perangkat keras masih menjadi kendala?