Nomadic, Otonom Araçların Gizli Veri Krizini Çözmek İçin 8,4 Milyon Dolar Yatırım Aldı

Otonom araçlar ve robotlar, çoğu kuruluşun gerçekten kullanabileceğinden daha fazla sensör verisi üretiyor. Nomadic, bunu düzeltmek için 8,4 milyon dolar tohum yatırım aldı — derin öğrenme kullanarak ham AV ve robot görüntülerini yapılandırılmış, aranabilir veri kümelerine dönüştüren bir altyapı katmanı inşa ediyor ve tüm endüstride otonom sistem geliştirmenin hızını sessizce sınırlayan bir darboğazı ele alıyor.

İçindekiler

• Nomadic tam olarak ne yapıyor?
• AV ve robot verilerini yönetmek neden bu kadar zor?
• Nomadic'in derin öğrenme yaklaşımı nasıl çalışıyor?
• Bu, robotik ve otomasyon için ne anlama geliyor?
• Sıkça Sorulan Sorular

Nomadic tam olarak ne yapıyor?

Nomadic, otonom araçlar ve robotlar tarafından yakalanan ham video ve sensör görüntülerini yapılandırılmış, sorgulanabilir veri kümelerine dönüştüren bir veri altyapısı platformu inşa ediyor. Ham görüntülerin depoda saklanması — pahalı, aranması neredeyse imkansız — yerine Nomadic'in sistemi, derin öğrenme modelleri kullanarak bu verileri etiketler, sınıflandırır ve indeksler, böylece mühendisler ihtiyaç duyduklarını bulabilir.

TechCrunch'a göre, 8,4 milyon dolarlık tohum turu, Nomadic'i daha geniş Fiziksel AI yığını için bir altyapı olarak konumlandırıyor — sadece AV programları için değil, sürekli sensör akışı üreten ve eğitim sinyaline dönüştürülmesi gereken herhangi bir robotik sistem için.

Bunu, etiketsiz kutularla dolu bir depo ile tamamen indekslenmiş bir envanter sistemi arasındaki fark gibi düşünün. Görüntüler her iki şekilde de var, ancak yalnızca bir versiyonu operasyonel olarak kullanışlı. Bu benzetme ölçekte bozuluyor — AV verilerindeki sorun sadece etiketleme değil, aynı zamanda muazzam hacim, insan açıklama maliyeti ve rutin görüntülerin saatleri içinde gömülü olan güvenlik kritik uç durumların seyrekliği.

AV ve robot verilerini yönetmek neden bu kadar zor?

Tek bir otonom araç, sensör paketine bağlı olarak (kameralar, LiDAR, radar, IMU) günde 1 ila 40 terabayt arasında ham sensör verisi üretebilir. Sürekli operasyon yapan on araçlık küçük bir filo, çoğu kurumsal veri hattının işlemek için tasarlandığından daha fazla veriyi haftalık olarak üretir.

Sorun iki yönde birleşir. İlk olarak, petabayt ölçeğindeki veriler model eğitimi, güvenlik denetimleri ve düzenleyici inceleme için saklanmak zorunda olduğunda depolama maliyetleri hızla birikir. İkinci ve daha önemlisi, bu verilerin çoğu operasyonel olarak atıldır — önemli manuel etiketleme çabası olmadan sorgulanamaz, filtrelenemez veya yüzeye çıkarılamaz.

Robotik ekipler için bu, acı verici bir geri bildirim döngüsü oluşturur:

1. Robotları sahada konuşlandırın
2. Büyük hacimlerde sensör verisi toplayın
3. Modeli iyileştirmek için gereken belirli arıza senaryolarını, uç durumları veya alana özgü olayları çıkarmada zorlanın
4. Eğitim iterasyonu yavaşlar
5. Konuşlandırma performansı duraklar

İnsan açıklama iş akışları — geleneksel çözüm — ekonomik olarak ölçeklenmez. Otonom sürüş veri kümeleri için etiketleme maliyetleri tarihsel olarak kare başına 0,05 ila 0,50 dolar arasında değişmiştir ve 30 fps'de bir saatlik video 108.000 kare içerir. Ekonomi, ekiplerin filolarının tüm veri egzozundan yararlanmalarını aktif olarak caydırır.

Nomadic'in derin öğrenme yaklaşımı nasıl çalışıyor?

Nomadic'in temel sistemi, sensör akışlarından otomatik olarak anlamsal yapı çıkarmak için ham görüntülere derin öğrenme modelleri uygular. Mühendislerin görüntüleri aranabilir hale gelmeden önce manuel olarak etiketlemelerini gerektirmek yerine, platform bir sahnede neler olduğunu çıkarır, olayları ve nesneleri etiketler ve çıktıyı sorgulanabilir forma düzenler.

Pratik anlamı önemlidir: robotik ve AV ekipleri doğal dil veya yapılandırılmış sorgular yayınlayabilir — "bana aracın 2 metrenin altında yağmurda bir yayaya yaklaştığı tüm örnekleri göster" — ve milyonlarca saatlik görüntüden manuel inceleme olmadan ilgili klipleri yüzeye çıkarabilir.

Bu yaklaşım, modern vektör veritabanlarının yapılandırılmamış metin için yaptığına benzer, ancak video, nokta bulutları ve IMU akışları dahil çok modlu sensör verilerine uygulanır. Derin öğrenme modeli, etiketlenmiş örnek başına maliyeti önemli ölçüde azaltırken mevcut verilerden çıkarılabilir sinyal yoğunluğunu artıran otomatik bir açıklama katmanı görevi görür.

Nomadic ve Geleneksel Veri Boru Hattı Yaklaşımları

Belirtilmesi gereken uyarı: derin öğrenme tabanlı etiketleme, modelin eğitim dağılımında var olan kör noktaları devralır. Nadir, güvenlik kritik uç durumlar — eğitim için en değerli olaylar — için yeterli örnek görmemiş bir model, bunları güvenilir bir şekilde yüzeye çıkaramayabilir. Nomadic'in uzun vadeli değer teklifi, büyük olasılıkla modellerinin çeşitli robot ve araç konuşlandırmalarında ne kadar iyi genelleştirdiğine bağlıdır.

Bu, robotik ve otomasyon için ne anlama geliyor?

Nomadic'in saldırdığı veri darboğazı yalnızca otonom araçlara özgü değil. Depo AMR'leri (otonom mobil robotlar), endüstriyel denetim robotları, tarımsal otomasyon sistemleri ve insansı robot programları — gerçek dünyada sürekli algısal veri üreten herhangi bir somutlaşmış AI sistemi — aynı sorunla karşı karşıya.

Robot filoları işleten veya tedarik eden ekipler için bu, iki somut şekilde önemlidir.

Eğitim hızı: Bir robotik sistemin iyileşme hızı, ekiplerin konuşlandırma verilerinden anlamlı eğitim sinyali çıkarma hızıyla doğrudan sınırlıdır. Bu döngüyü hızlandıran altyapı — hatta 2–3 kat — iyileştirme zaman çizelgesini orantılı olarak sıkıştırır.

Ölçekte filo zekası: Robot filoları büyüdükçe, sensör verilerinin operasyonel değeri model eğitiminin ötesine geçer. Yapılandırılmış veri, anomali tespiti, tahmini bakım sinyalleri ve birimler arasında performans karşılaştırması sağlar — robot filosunu sürekli olarak kendi kendini belgeleyen bir sisteme dönüştürür.

Sensör konfigürasyonlarının değişebileceği ve önceden var olan veri kümelerinin daha az küratörlü olduğu ikinci el veya yenilenmiş robot konuşlandırmalarını değerlendiren operatörler için Nomadic gibi platformlar özellikle önemli hale gelir. Kullanılmış endüstriyel robotlardan alınan saha verilerini yapılandırılmış eğitim boru hatlarına beslemek tarihsel olarak manuel ve pahalı bir süreçti. Otomatik yapılandırma altyapısı bu hesaplamayı değiştirir.

8,4 milyon dolarlık tohum rakamı aynı zamanda Fiziksel AI yığınında altyapı yatırımının nereye aktığını gösteriyor. Donanım — robotların kendileri — ilgiyi çekiyor. Ancak konuşlandırma ile model iyileştirme arasındaki veri katmanı, rekabet avantajının giderek inşa edildiği ve sermayenin yoğunlaşmaya başladığı yerdir.

Satılık kullanılmış kobotları değerlendiren veya küçük ölçekli otomasyon programları kuran operatörler, toplam konuşlandırma maliyetine veri boru hattı maliyetlerini dahil etmelidir — Nomadic'in doğrudan yanıtlamak için konumlandığı bir soru.

Sıkça Sorulan Sorular

Nomadic, otonom araçlar ve robotlardan gelen ham sensör görüntülerini derin öğrenme kullanarak yapılandırılmış, aranabilir veri kümelerine dönüştüren bir veri altyapısı şirketidir. Otonom sistem verilerinin ölçekleme sorununu çözer — sahada büyük hacimli görüntüler üretilir ancak pahalı manuel açıklama olmadan operasyonel olarak kullanılamaz.

Bir otonom araç günde ne kadar veri üretir?

Tek bir otonom araç, kamera, LiDAR ve radar konfigürasyonuna bağlı olarak tipik olarak günde 1 ila 40 terabayt arasında ham sensör verisi üretir. On araçlık bir filo, haftalık olarak yüzlerce terabayt biriktirebilir ve bu da manuel işlemeyi ölçekte ekonomik olarak sürdürülemez hale getirir.

Nomadic'in derin öğrenme yaklaşımı manuel etiketlemeden nasıl farklıdır?

Manuel etiketleme kare başına 0,05 ila 0,50 dolar arasında maliyet oluşturur ve filo ölçeğinde aşırı pahalı hale getirir. Nomadic, görüntüleri otomatik olarak etiketlemek ve indekslemek için derin öğrenme modelleri uygulayarak mühendislerin kare kare insan incelemesi olmadan büyük veri kümeleri arasında sorgulama yapmasına olanak tanır — etiketleme maliyetini ve içgörü süresini önemli ölçüde azaltır.

Veri darboğazı sorunu otonom araçların ötesindeki robotları da etkiliyor mu?

Evet. Depo AMR'leri, denetim robotları, tarımsal otomasyon, insansı platformlar — herhangi bir somutlaşmış AI sistemi — aynı yapılandırma ve geri alma zorluklarıyla karşı karşıya kalan sürekli sensör verisi üretir. Sorun, belirli robotik uygulamadan bağımsız olarak filo boyutu ve operasyonel saatlerle ölçeklenir.

Bu yatırım daha geniş Fiziksel AI ekosistemi için ne anlama geliyor?

8,4 milyon dolarlık tohum turu, yatırımcıların veri altyapısı katmanının — yalnızca donanım veya temel AI modelleri değil — otonom sistem geliştirmede kritik bir darboğaz olduğuna dair artan tanınırlığını işaret ediyor. Veri boru hatlarına yapılan altyapı yatırımı, olgunlaşan Fiziksel AI konuşlandırma programlarının öncü bir göstergesidir.

Otonom sistemlerden gelen veri egzozu her zaman çok büyük olmuştur. Eksik parça, onu kullanılabilir sinyale dönüştürecek altyapıydı. Nomadic'in yaklaşımı — derin öğrenmeyi otomatik bir yapılandırma katmanı olarak uygulamak — ölçekte robot veya araç konuşlandıran her kuruluşu etkileyen bir kısıtlamayı ele alıyor. Tohum yatırımı sorunu bir gecede çözmeyecek, ancak Fiziksel AI'da bir sonraki rekabet avantajının veri katmanında inşa edileceği yönünde net bir yönelim sinyali veriyor.

Veri boru hattı altyapısı, robot filonuzun iyileşmesini sınırlayan darboğaz mı — yoksa donanım hala kısıtlama mı?