Nomadic raccoglie 8,4 milioni di dollari per discutere i dati provenienti dai veicoli autonomi

Per costruire le macchine autonome del futuro, a volte il tuo modello ha bisogno di un modello.

Le aziende che sviluppano automobili a guida autonoma, robotic che manipolano l’ambiente fisico o macchine edili autonome raccolgono migliaia, se non milioni, di ore di dati video per la valutazione e la formazione.

Organizzare e catalogare quel video è ormai un lavoro per gli esseri umani, che devono guardarlo tutto. Anche l’avanzamento veloce non è scalabile. NomadeMLuna startup fondata dal CEO Mustafa Bal e dal CTO Varun Krishnan, vuole risolvere i problemi dei clienti che hanno il 95% dei dati della loro flotta negli archivi.

La sfida diventa più difficile quando si cercano casi limite: i dati più preziosi descrivono eventi che si verificano raramente e possono confondere i modelli fisici di intelligenza artificiale inesperti.

Nomadic sta lavorando per risolvere questo problema con una piattaforma che trasforma il filmato in un set di dati strutturato e ricercabile attraverso una raccolta di modelli di linguaggio visivo. Ciò, a sua volta, consente un migliore monitoraggio della flotta e la creazione di set di dati unici per l’apprendimento di rinforzo e un’iterazione più rapida.

Martedì la società ha annunciato un spherical seed da 8,4 milioni di dollari con una valutazione post-money di 50 milioni di dollari. Il spherical è stato guidato da TQ Ventures, con la partecipazione di Pear VC e Jeff Dean, e consentirà all’azienda di acquisire più clienti e di continuare a perfezionare la propria piattaforma. Anche nomade vinto il primo premio al pitch contest di Nvidia GTC il mese scorso.

I due fondatori, che si sono incontrati come studenti universitari di informatica advert Harvard, “hanno continuato a imbattersi nelle stesse sfide tecniche ancora e ancora nel nostro lavoro” in aziende come Lyft e Snowflake, ha detto Bal a TechCrunch.

“Stiamo fornendo alle persone informazioni approfondite sui propri filmati, qualunque cosa guidi i propri AV [and] robotic”, ha detto. “Questo è ciò che fa avanzare questi costruttori di sistemi autonomi, non dati casuali.”

Immagina, advert esempio, di provare a mettere a punto la comprensione di un AV che può passare con il semaforo rosso se un agente di polizia gli cube di farlo, o di isolarsi ogni volta che i veicoli passano sotto un tipo specifico di ponte. La piattaforma di Nomadic consente di identificare questi incidenti sia ai fini della conformità, sia di inserirli direttamente nei canali di formazione.

Clienti come Zoox, Mitsubishi Electrical, Natix Community e Zendar stanno già utilizzando la piattaforma per sviluppare macchine intelligenti. Antonio Puglielli, vicepresidente di Engineering presso Zendar, ha affermato che lo strumento di Nomadic ha consentito all’azienda di ampliare il proprio lavoro molto più rapidamente rispetto all’alternativa dell’outsourcing e che la sua esperienza nel settore la distingue dagli altri concorrenti.

Questo tipo di strumento di annotazione automatica basato su modello sta emergendo come un flusso di lavoro chiave per l’intelligenza artificiale fisica. Aziende affermate di etichettatura dei dati come Scale, Kognic ed Encord stanno sviluppando strumenti di intelligenza artificiale per svolgere questo lavoro, mentre Nvidia ha rilasciato una famiglia di modelli open supply, Alpamayoche può essere adattato per affrontare il problema.

Varun sostiene che lo strumento della sua azienda è più di un’etichettatrice; è un “sistema di ragionamento agente: tu descrivi ciò di cui ha bisogno e lui capisce come trovarlo”, utilizzando più modelli per comprendere l’azione in atto e inserirla nel contesto. I sostenitori di Nomadic si aspettano che l’attenzione della startup su questa specifica infrastruttura abbia la meglio.

“È lo stesso motivo per cui Salesforce non crea il proprio cloud e Netflix non crea il proprio [content distribution facilities]”, ha dichiarato a TechCrunch Schuster Tanger, companion di TQ Ventures che ha guidato il spherical. “Nel momento in cui un’azienda di veicoli autonomi tenta di costruire Nomadic internamente, viene distratta da ciò che la fa vincere, ovvero il robotic stesso.”

Tanger elogia il talento di Nomadic, sottolineando che Krishnan è un maestro di scacchi internazionale classificato come il 1.549esimo miglior giocatore del mondo. Krishnan, nel frattempo, si vanta del fatto che tutta la dozzina di ingegneri dell’azienda hanno pubblicato articoli scientifici.

Ora stanno lavorando duramente per sviluppare strumenti specifici, come uno che comprende la fisica dei cambi di corsia dalle riprese della telecamera, o un altro che ricava posizioni più exact per le pinze di un robotic in un video. La prossima sfida, dal punto di vista di Nomadic e dei suoi clienti, è sviluppare strumenti simili per dati non visivi come le letture dei sensori Lidar o integrare i dati dei sensori in più modalità.

“Destreggiarsi tra terabyte di video, confrontarli con centinaia di modelli con oltre 100 miliardi di parametri e quindi estrarne informazioni correct, è davvero follemente difficile”, ha affermato Bal.