Appen toimittaa korkealaatuisia koulutusdataja autonvalmistajille

Appen Limited (ASX:APX), johtava korkealaatuisen koulutusdatan tarjoaja organisaatioille, jotka rakentavat tehokkaita AI-järjestelmiä suurissa mittakaavoissa, ilmoitti tänään parannellusta kapasiteetistaan varmistamaan, että autonvalmistajat pääsevät korkealaatuisiin koulutusdataihin ja voivat hyödyntää koulutusdataan investoimiaan varoja tehokkaasti. Korkealaatuiset koulutusdatat ovat välttämättömiä varmistamaan, että autonomiset ajoneuvot toimivat turvallisesti ja odotetusti, ja Appen, joka työskentelee 7 suurimman maailmanlaajuisen autoteollisuusyrityksen ja tier 1 -toimittajien kanssa, voi toimittaa 99+%:n tarkkuuden erittäin monimutkaisiin multimodaalisiin AI-projekteihin.

”Ei riitä, että ajoneuvot suoriutuvat hyvin simuloitujen tai hyvän sään olosuhteiden mukaan yhden tyyppisessä maastossa”, sanoi Wilson Pang, Appenin CTO. ”Ne on suoritettava virheettömästi kaikissa sääolosuhteissa jokaisessa ajettavissa olevassa tiessä, jonka ne kohtaavat todellisissa käyttökohteissa. Tämä tarkoittaa, että tiimien on keskityttävä saamaan koulutusdata korkeimmalla mahdollisella tarkkuudella ennen kuin ne voivat ottaa sen käyttöön tiellä. Asiakkaamme luottavat meihin monimutkaisimpien koulutusdata-annotaatiotilanteiden kanssa, koska alan johtava annotaatioplatform ja -palvelumme mahdollistavat meille toimittaa korkealaatuisen datan, joka tarvitaan monimodaalisten itseajavien autojen algoritmien voimakkaaseen toimintaan.”

Jotta autonomiset ajoneuvot voivat ymmärtää ja reagoida oikein tien, sään ja turvallisuusolosuhteiden mukaan, niiden on tarve monimutkaisia, useasta mittasuunnasta koostuvia tietoja useista ja erilaisista sensoreista. Tämä ei ainoastaan aiheuta haasteita toimittajien erikoistumisen vuoksi, vaan myös luo valtavan laadunvarmistushaasteen koulutusdata-annotaatioprosessille, koska kun tiimit, jotka kouluttavat malleja, saavat heikkolaatuisia koulutusdataa, heidän on vietävä merkittävä määrä aikaa ja resursseja sisäisissä tarkastuksissa määrittämään, mitkä osat tietokannoista vaativat parannusta, jotta ne voisivat tuottaa nettohyödyn heidän koneoppimismalleilleen.

Yli 15 vuoden autoteollisuuden kokemuksella Appenin data-annotaatiotiimit työskentelevät säännöllisesti autonomisten ajoneuvojen valmistajien kanssa heidän olemassa olevien annotoiden datojensa tarkastamiseksi ja auttavat heitä pääsemään lähemmäs 100 %:n laatua, jotta he voivat hyödyntää koulutusdataansa tehokkaasti. Esimerkiksi joidenkin valmistajien on sitoa kaksi eri ulottuvuuden datasettiä monimutaisten autonomisten ajoneuvojen koneoppimisalgoritmien mahdollistamiseksi. Tämä on erittäin vaikeaa tehdä manuaalisesti, mutta kriittistä autonomisen ajoneuvon mallikehitykselle.

Appenin uraauurtavalla teknologiaplatformilla, joka toimittaa 3D-pilviannotaation objektitseuraamisella 99+%:n tarkkuudella cuboid-tasolla, asiakkaat voivat nyt annotoida tietokannan, joka sisältää 2D-kuvia, jotka on sitoutettu 3D-pilviannotaatioihin useiden ulottuvuuksien kartoittamiseksi ja yhdenmukaisen objektitunnisteen vaatimuksen mukaisesti yli 50 kehyksen ajan.

”Hankkeemme on vielä kokeiluvaiheessa, ja meidän on nopeutettava kiertoaikaa, jotta pääsemme tuotantoon, mikä vaatii koulutusdataa, joka täyttää nopeasti algoritmien vaatimukset. Annotaatiotyökalu, mukaan lukien 3D LiDAR, laadunvalvontatoiminnot ja työnkulut, on jo sisäänrakennettu Appen-alustaan. Tämä auttaa meitä varmistamaan, että prosessi on optimoitu hankkeen vaatimusten mukaan, mikä mahdollistaa sujuvan yhteistyön tiimimme ja Appen-tiimimme välillä. Olemme innostuneita siitä, että voimme siirtää tämän sisäisen kokeilun tuotantoon”, sanoi Ecarxin senioriprojektinjohtaja, joka on autoteollisuuden teknologiayritys, joka rakentaa älykkään, yhdistetyn alustan useille ajoneuvomalleille.

Appen-koulutusdata-alusta yhdistää ihmisen älymystön yli miljoonasta ihmisestä ympäri maailman uraauurtaviin malleihin luomaan korkealaatuisimman koulutusdatan koneoppimishankkeita varten. Appen on myös sitoutunut auttamaan asiakkaitaan varmistamaan vastuullisen AI:n – kokeilusta tuotantoon – perustuen eettisiin käytäntöihin ja datan monimuotoisuuteen kaikissa tärkeimmissä käyttötarkoituksissa.