Jen Vescio, Empiric Earthin presidentti – haastattelusarja

Jen Vescio toimii Empiric Earthin presidenttinä ja vastaa tuotestrategiasta, yrityskehityksestä ja kaupallistamisesta. Aiemmin hän toimi Uberin liiketoiminnan kehitysjohtajana, johti siellä liiketoiminnan kehitystä maailmanlaajuisesti ja solmi uusia kumppanuuksia liikkumisen ja autonomisen liikenteen aloilla. Hänellä on myös kokemusta sijoittamisesta nousevan teknologian yrityksiin ja niiden neuvonantajana toimimisesta. Erityisesti hän on keskittynyt auttamaan fyysistä tekoälyä siirtymään tutkimuksesta kaupalliseen käyttöönottoon.

Empiric Earth yhdistää Nexarin ja Nauton tarjotakseen tosielämän ajamiseen perustuvaa älykkyyttä, turvallisuusmalleja ja validointivalmiuksia. Yhtiö yhdistää miljardien ajokilometrien historian harvinaisten tapahtumien tallenteisiin, jotta kehittäjät, kaluston omistajat ja muut organisaatiot voivat ymmärtää järjestelmien suorituskykyä ja riskejä. Tässä haastattelussa Vescio puhuu riippumattomasta arvioinnista, vastuullisesta datan hallinnasta, kaupallistamisesta sekä infrastruktuurista, jota fyysisen tekoälyn laajentaminen edellyttää.

Sinulla on laaja kokemus, johon kuuluu liiketoiminnan kehittämistä maailmanlaajuisesti Uberilla, sijoituksia nouseviin teknologioihin sekä fyysisen tekoälyn alan yritysten neuvomista. Liityit aluksi Empiric Earthin hallitukseen huhtikuussa ja siirryit hiljattain yhtiön presidentiksi. Mikä sai sinut kiinnostumaan yhtiöstä, ja mikä lopulta sai sinut ottamaan vastaan aktiivisemman johtotehtävän?

Näin fyysisen tekoälyn sijoittajana ja neuvonantajana yhä uudelleen saman puutteen. Monet tiimit tekivät kokeiluja, mutta vain harvoilla oli tosielämän dataa, jolla todistaa järjestelmien toimivan testiympäristön ulkopuolella. Empiric Earthilla oli tätä dataa jo valmiiksi. Yli 10 miljardia mailia todellista ajoa ja 60 miljoonaa harvinaista ääritilannetta ovat jotain, mitä ei voi ostaa eikä väärentää.

Tämä asettaa yhtiön poikkeukselliseen asemaan. Meidän ei tarvitse kilpailla robottien, ajoneuvojen tai mallien kehittäjien kanssa. Voimme auttaa niitä kaikkia pääsemään nopeammin markkinoille tarjoamalla tosielämän älykkyyttä, jota ne tarvitsevat riskien hallintaan, suorituskyvyn validointiin ja luottamuksen rakentamiseen. Hallituspaikaltani näin mahdollisuuden rakentaa jotain perustavanlaatuista koko fyysisen tekoälyn ekosysteemille.

Presidentin tehtävään siirtymiseeni vaikutti Zach ja hänen visionsa. Olen tuntenut hänet siitä asti, kun rakensimme molemmat kumppanuuksia liikkumisen alalla: minä Uberilla ja hän Lyftillä. Kun joku, johon olet luottanut jo pitkään, tuo eteesi vaikean ongelman ja ainutlaatuisen, keneltäkään muulta puuttuvan voimavaran, häntä kuuntelee. Täydennämme toisiamme. Hän pohtii toimialaa ja sen suuntaa. Minä olen käyttänyt urani uuden teknologian muuttamiseen kasvaviksi liiketoiminnoiksi. Fyysinen tekoäly siirtyy juuri nyt tutkimuksesta todelliseen käyttöön, enkä halunnut seurata sitä sivusta hallituksen kokouksista.

Empiric Earth syntyi Nexarin ja Nauton fuusiossa, joka yhdisti kaksi yritystä, joilla on vahvaa asiantuntemusta tosielämän ajamiseen perustuvasta älykkyydestä ja tekoälypohjaisesta turvallisuudesta. Mitä ainutlaatuisia valmiuksia tämä yhdistelmä mahdollistaa, ja miten näet yhdistyneen yhtiön erottuvan nopeasti kehittyvillä fyysisen tekoälyn markkinoilla?

Nexar ja Nauto perustettiin vuonna 2015, ja ne käyttivät yhdessä yli kaksi vuosikymmentä saman ongelman tarkasteluun kahdesta eri näkökulmasta. Yhdessä pystymme ymmärtämään, mitä tiellä tapahtuu ja miten kuljettajat reagoivat siihen. Näin saamme paljon kattavamman kuvan tosielämän käyttäytymisestä ja riskeistä.

Laajemmille markkinoille tämä muodostaa sillan simulaation ja todellisen maailman välille. Useimmat tiimit kehittävät ja testaavat järjestelmiä simulaatioissa, mutta vaikeinta on osoittaa, että järjestelmä toimii luotettavasti tosielämän olosuhteissa. Voimme auttaa kumppaneitamme löytämään tilanteita, joita niiden järjestelmät eivät ole kohdanneet, kehittämään mallejaan ja validoimaan suorituskykyä sen perusteella, mitä todella tapahtuu. Tämä voi lyhentää kehityssyklejä, vähentää riskejä ja nopeuttaa kaupallistamista.

Meidät erottaa muista kykymme mahdollistaa riippumaton arviointi koko fyysisen tekoälyn ekosysteemissä. Emme kehitä ajoneuvoja, robotteja tai autonomisia järjestelmiä, joita asiakkaamme kehittävät. Tarjoamme tosielämän älykkyyttä, joka auttaa niitä ymmärtämään suorituskykyä, hallitsemaan riskejä ja rakentamaan luottamusta. Tämä edellyttää sitoutumista puolueettomuuteen, siirrettävyyteen ja yhteentoimivuuteen. Kun tuomme markkinoille uusia sovelluksia, malleja ja palveluja, haluamme asiakkaiden voivan käyttää niitä erilaisten laitteistojen ja teknologiapinojen kanssa ilman sidonnaisuutta yhteen tiettyyn toimittajaan. Tavoitteenamme on toimia koko ekosysteemin ”erotuomarina”, ei valita sen voittajia.

Fyysinen tekoäly on nousemassa yhdeksi tekoälyn seuraavista merkittävistä kehitysalueista. Sen sovelluksiin kuuluvat autonomiset ajoneuvot, robotiikka ja älykäs infrastruktuuri. Mitkä ovat mielestäsi suurimmat esteet sille, etteivät nämä järjestelmät toimi luotettavasti ennakoimattomissa tosielämän ympäristöissä, ja miksi tosielämän data on ratkaisevan tärkeää näiden esteiden ylittämisessä?

Suurin este on se, ettei fyysistä maailmaa ole koskaan kirjattu muistiin. Kielimallit kehittyivät nopeasti hyviksi, koska niitä koulutettiin ihmisten jo vuosikymmenten ajan tuottamalla tekstillä. Teistä, varastojen lattioista tai jalkakäytävistä ei ole vastaavaa aineistoa. Suurinta osaa siellä tapahtuvasta, kuten läheltä piti -tilanteista tai tänä aamuna suljetuista ajokaistoista, ei tallenneta lainkaan.

Tästä syntyy kaksi ongelmaa. Ensimmäinen on se, että fyysinen maailma muuttuu jatkuvasti. Järjestelmän on tiedettävä, mikä pitää paikkansa juuri nyt, eikä viime keväänä otettu valokuva voi kertoa sille tiestä, joka muuttui tänä aamuna. Eilistäkään ei voi palata keräämään. Toinen ongelma on pirstaleisuus. Yksikään yritys ei näe maailmaa yksinään riittävän laajasti, joten kehittäjät tekevät erillisiä kokeiluja erilaisilla aineistoilla, malleilla ja teknologiakokonaisuuksilla. Tämä vaikeuttaa tulosten vertailua, toimivien ratkaisujen jakamista ja lupaavan tutkimuksen muuttamista kaupallisesti kannattaviksi tuotteiksi.

Todellisen maailman data auttaa ratkaisemaan molemmat ongelmat. Järjestelmää rikkovia harvinaisia tapahtumia sattuu jossakin joka päivä, ja ne voi havaita vain seuraamalla jatkuvasti hyvin monenlaisia todellisia olosuhteita. Yhdysvaltoja koskevassa aineistossamme jokaista törmäystä kohden tapahtuu noin 19 läheltä piti -tilannetta, eikä niitä juuri koskaan kirjata poliisiraportteihin tai vakuutuskorvaushakemuksiin. Zach ilmaisi asian hyvin hiljattain julkaistussa esseessään: turvallisuus on sellaisten asioiden tutkimista, joita ei tapahtunut. Niitä ei voi tutkia, jos kukaan ei ole laskenut niitä.

Empiric Earthille on kertynyt yli 10 miljardia mailia ajohistoriaa ja yli 60 miljoonaa reunatapausta, ja uusia ajomaileja tallentuu joka kuukausi satoja miljoonia. Miten tämä valtava aineisto voi auttaa tekoälyn kehittäjiä kouluttamaan ja validoimaan luotettavampia autonomisia järjestelmiä erityisesti harvinaisissa tai vaarallisissa tilanteissa, joita perinteisillä simulaatioilla on vaikea toistaa?

Useimmat järjestelmät selviytyvät nykyään hyvin tavallisesta ajamisesta. Niille ongelmia aiheuttavat yhä harvinaiset poikkeustilanteet: törmäys, pysäköityjen autojen välistä tielle astuva jalankulkija, tiellä oleva eläin tai työmaa, jota ei ollut siellä vielä viime viikolla. Tällaisia tilanteita sattuu liian harvoin, jotta testiajoneuvokalusto voisi kerätä niitä riittävästi, ja simulaatiolla voidaan toistaa vain tilanteita, joita joku on jo keksinyt mallintaa.

Empiric Earth perustettiin löytämään tällaisia tilanteita. Emme käsittele jokaista verkostomme ajamaa mailia. Säilytämme vain pienen osan, jonka mallimme tunnistavat epätavalliseksi tai riskialttiiksi. Näin 10 miljardista mailista muodostuu 60 miljoonaa reunatapausta, joita kehittäjä voi todella hyödyntää.

Tiimit hyödyntävät tätä aineistoa kolmella tavalla. Ne etsivät siitä esimerkkejä: rakennustyömaita käsittelevä tiimi voi hakea tuhansia todellisia esimerkkejä siitä, miten ihmiset ajavat niiden läpi, sen sijaan että käsikirjoittaisi muutamia tilanteita. Ne pyytävät puuttuvia esimerkkejä: jos järjestelmällä on vaikeuksia kääntyä vasemmalle vilkkaissa risteyksissä, voimme suunnata verkoston keräämään juuri tällaisia esimerkkejä sitä mukaa kuin tilanteita tapahtuu. Lisäksi tiimit vertaavat simulaatioitaan todellisuuteen. Kun kumppani rekonstruoi todellisia törmäyksiä ja läheltä piti -tilanteita, joissa on mukana jalankulkijoita ja pyöräilijöitä, se voi ennen järjestelmän käyttöönottoa nähdä, toimiiko simuloitu maailma samoin kuin todellinen.

Tämän ansiosta aineisto on arvokasta muustakin syystä kuin itsessään. Simulaatio on välttämätön, mutta sen on perustuttava siihen, mitä todellisessa maailmassa oikeasti tapahtuu. Kun kehittäjät saavat käyttöönsä tällaista näyttöä, he voivat havaita puutteet aiemmin, parantaa järjestelmiään nopeammin ja tehdä paremmin tietoon perustuvia päätöksiä siitä, milloin järjestelmät ovat valmiita käyttöönottoon. Se luo myös perustan yhdenmukaisemmalle ja riippumattomalle arvioinnille alan kasvaessa.

Empiric Earthin keskeisiin periaatteisiin kuuluu riippumattomuus arvioimistaan autonomisten järjestelmien ja ajoneuvojen valmistajista. Miksi riippumattoman varmentamisen merkitys kasvaa, kun fyysinen tekoäly etenee kohti laajamittaista käyttöönottoa, ja millaisia standardeja alan tulisi ottaa käyttöön mielekkäiden tekoälyn turvallisuutta mittaavien vertailuarvojen luomiseksi?

Kun fyysinen tekoäly siirtyy tutkimusympäristöistä julkisiin tiloihin, luottamus on yhtä tärkeää kuin tekninen suorituskyky.

Tällä hetkellä suuri osa alasta luottaa siihen, että kehittäjät testaavat omia järjestelmiään ja raportoivat niiden suorituskyvystä. Tässä vaiheessa se on ymmärrettävää, mutta kun yhä useampia autonomisia järjestelmiä otetaan käyttöön arkisissa ympäristöissä, asiakkaat, viranomaiset ja suuri yleisö haluavat yhä useammin riippumatonta näyttöä siitä, että järjestelmät toimivat luotettavasti.

Vastaavanlaisia haasteita on nähty muillakin aloilla. Autoon noustessa voi luottaa siihen, että kuljettajien ajokorttien myöntämiselle, ajoneuvojen tarkastamiselle ja turvallisuusodotusten määrittämiselle on vakiintunut järjestelmä. Fyysinen tekoäly tarvitsee omat tapansa osoittaa valmiutensa ja suorituskykynsä. Autonomisten ajoneuvojen kohdalla tämä voisi muistuttaa ajokorttia: standardoitua koetta, joka osoittaa järjestelmän suoriutuvan vähintään ihmiskuljettajan tasoisesti.

Kysymys kuuluu, miten luomme mielekkäitä vertailuarvoja, jotka kuvaavat todellisia olosuhteita sen sijaan, että turvautuisimme yksinomaan valvottuihin testeihin tai simulaatioihin. Vertailuarvojen on perustuttava todellisen maailman dataan, otettava huomioon harvinaiset ja vaaralliset tilanteet sekä mahdollistettava eri järjestelmien suorituskyvyn yhdenmukainen arviointi.

Tässä Empiric Earth voi olla tärkeässä roolissa. Emme usko, että autonomisia järjestelmiä kehittävien yritysten pitäisi olla ainoita, jotka arvioivat niiden suorituskykyä. Tehtävämme on tarjota riippumatonta tietoa todellisesta maailmasta, malleja ja validointivalmiuksia, joiden avulla muut voivat arvioida suorituskykyä, hallita riskejä ja rakentaa luottamusta. Pysymällä puolueettomana ja yhteentoimivana voimme tukea eri teknologioiden ja alustojen arviointia suosimatta mitään yksittäistä lähestymistapaa.

Standardien luominen edellyttää lopulta kehittäjien, tutkijoiden, viranomaisten ja muiden sidosryhmien yhteistyötä. Haluamme auttaa luomaan perustan, joka mahdollistaa riippumattoman arvioinnin, jotta luottamus rakentuu näytön eikä väitteiden varaan.

Kun yhä kehittyneemmät tekoälyjärjestelmät ovat vuorovaikutuksessa fyysisen maailman kanssa, organisaatioiden on sovitettava yhteen kattavan tosielämän datan tarve sekä yksityisyys, tietoturva ja vastuullinen datanhallinta. Miten Empiric Earth vastaa näihin haasteisiin, ja millaisia suojatoimia tarvitaan, jotta suurimittakaavaiseen fyysisen tekoälyn infrastruktuuriin voidaan rakentaa yleistä luottamusta?

Luottamus lähtee siitä, miten dataa kerätään, suojataan ja käytetään. Empiric Earthilla yksityisyys on ollut toimintatapamme lähtökohtana alusta alkaen. Keskitymme tallentamaan tosielämän tapahtumia, joista saadaan merkityksellistä tietoa, sen sijaan että pitäisimme jokaista ajon hetkeä yhtä arvokkaana. Tietojen tunnisteettomaksi tekeminen ja vastuullinen käsittely ovat tämän prosessin perusta.

Tietojen alkuperällä on yhtä lailla merkitystä. Fyysisen tekoälyn lähestyessä kaupallista käyttöönottoa kehittäjien on tiedettävä, mistä heidän datansa on peräisin, miten se on kerätty ja millaiset oikeudet säätelevät sen käyttöä. Ilman tätä perustaa on vaikea saavuttaa laajentamiseen tarvittavaa luottamusta.

Myös eri markkinoilla on erilaisia tietosuojaa, suostumusta ja tietojen säilytyspaikkaa koskevia vaatimuksia. Alustamme käyttää kunkin maan omia asetuksia, joten voimme noudattaa paikallisia sääntöjä rakentamatta järjestelmää uudelleen. Meidän on otettava nämä erot huomioon arvioidessamme, missä ja miten laajennamme toimintaamme.

Laajempi periaate on läpinäkyvyys. Kaikkien fyysisen tekoälyn infrastruktuuria rakentavien pitäisi pystyä kertomaan, mitä dataa he keräävät, miten he suojaavat sitä ja kuka voi käyttää sitä. Vastuulliset datakäytännöt eivät ole menestyvän liiketoiminnan rakentamisesta erillinen asia. Ne ovat osa sitä, mikä mahdollistaa laajan käyttöönoton.

Työsi Uberilla liittyi uusien teknologioiden ja strategisten kumppanuuksien muuttamiseen skaalautuviksi liiketoiminnoiksi. Nykyisessä tehtävässäsi vastaat Empiric Earthin tuotestrategiasta, yrityskehityksestä ja kaupallistamisesta. Mitkä Uber-aikasi opit soveltuvat parhaiten fyysisen tekoälyn skaalaamiseen, ja miten päätät, milloin kyvykkyyksiä kannattaa kehittää itse ja milloin tavoitella yritysostoja tai kumppanuuksia?

Uber opetti minulle, että oikea ratkaisu voi muuttua. Kehitimme oman autonomisen ajamisen ohjelman, ATG:n, koska uskoimme, että meidän piti hallita koko teknologiapinoa. Myöhemmin myimme sen Auroralle ja palasimme autonomisen ajamisen pariin kumppanuuksien kautta. Molemmat päätökset olivat järkeviä siinä tilanteessa, jossa ne tehtiin. Muuttuneet olivat nopeutta, kustannuksia ja riskejä koskevat arviointikriteerimme.

Siksi jokaisessa itse kehittämistä, ostamista tai kumppanuutta koskevassa päätöksessä kysymme samat kysymykset. Millaisia riskejä siihen liittyy? Millaisia resursseja ja kuinka paljon pääomaa se vaatii? Kuinka nopeasti se auttaa meitä markkinoille, ja mitä kilpailijat tekevät sillä välin? Sopiiko se strategiaamme?

Empiric Earth lähtee liikkeelle eri asemasta kuin useimmat yritykset, sillä meillä on jo vaikeimmin rakennettava osa: data. Kehitämme itse ratkaisuja silloin, kun tämä perusta antaa meille vaikeasti jäljiteltävän edun. Yritysostot ovat järkeviä, kun ne tuovat täydentävää osaamista tai vauhdittavat strategiaamme. Kumppanuudet voivat puolestaan usein olla nopein reitti asiakkaiden, uusien markkinoiden ja kaupallisen mittakaavan saavuttamiseen. Fyysinen tekoäly on liian laaja kokonaisuus yhden yrityksen rakennettavaksi, joten haluamme tehdä yhteistyötä kumppaneiden kanssa, jotka voivat vahvistaa koko ekosysteemiä. Suunnittelemme etenemisemme markkinaolosuhteiden mukaan ja sovitamme sen kilpailuetuumme eli omaisuuseriimme.

Olet ollut mukana myös avoimen lähdekoodin tekoälyn ekosysteemissä, muun muassa tehnyt yhteistyötä OpenClaw-yhteisön kanssa. Miten avoimen lähdekoodin innovaatiot voivat mielestäsi edistää fyysisen tekoälyn kehitystä? Voivatko läpinäkyvyyden ja yhteistyön lisääminen vauhdittaa käyttöönottoa ja samalla ylläpitää näiltä järjestelmiltä vaadittavia turvallisuus- ja hallintastandardeja?

Avoin lähdekoodi muutti sitä, kuinka nopeasti tekoäly kehittyi ohjelmistoalalla. Kun yhä useammat voivat kehittää samoja työkaluja hyödyntäen, tutkimussyklit lyhenevät ja hyviä ideoita syntyy kaikkialla, eivät vain suurimmissa laboratorioissa. Fyysinen tekoäly on tällä kehityspolulla aiemmassa vaiheessa. Suuri osa alasta on yhä tutkimus- ja demovaiheessa, ja nyt on ratkaistava, miten työstä voidaan luoda pitkäikäisiä liiketoimintoja.

Toimin kumppanuuksista vastaavana johtajana OpenClaw Foundationissa, joka perustettiin tukemaan Peter Steinbergerin visiota avoimen lähdekoodin henkilökohtaisesta agenttipohjaisesta tekoälystä. Se on yksi selkeimmistä esimerkeistä, joita olen nähnyt siitä, miten avoin projekti voi vauhdittaa käytännön työtä: ihmiset pystyivät ottamaan sen käyttöön, ajamaan sitä omissa järjestelmissään ja soveltamaan sitä hyödyllisesti omiin tarpeisiinsa.

Tämä on mielestäni opetus, jonka fyysisen tekoälyn alalla kannattaa ottaa vakavasti. Avoimien työkalujen avulla useammat tiimit voivat kehittää ja kokeilla ratkaisuja aloittamatta nollasta. Kun data säilyy asiakkaan omassa ympäristössä sen sijaan, että häntä pyydettäisiin lähettämään se muualle, poistuu yksi yritysten suurimmista epäröinnin syistä. Kalustonhallinta, kaupunki tai valmistaja voi hyödyntää tekoälyä omassa datassaan, omien hallintakäytäntöjensä mukaisesti ja saada tuloksia nopeammin.

Yhdessä nämä kaksi ajatusta auttavat alaa siirtymään tutkimuksesta ja demoista tuotteisiin, joista ihmiset ovat valmiita maksamaan. Avoimuus yksin ei tee järjestelmästä turvallista, joten tarvitaan edelleen käytännön testausta, selkeää hallintaa ja vastuunkantoa. Avoin ekosysteemi, jossa data pysyy sen omistavien ihmisten hallussa, tuo kuitenkin useampia järjestelmiä todelliseen käyttöön, ja juuri siellä oppiminen kumuloituu.

Empiric Earthillä meitä kiinnostaa, miten avoimet työkalut ja asiakkaan omassa ympäristössä säilyvä data voivat auttaa koko fyysisen tekoälyn ekosysteemiä kasvamaan samalla, kun suojelemme tosielämän dataa, joka tekee työstämme arvokasta. Emme usko, että ekosysteemin edistäminen ja kestävän liiketoiminnan rakentaminen ovat toisilleen vastakkaisia tavoitteita.

Olet puhunut siitä, miten tärkeää on saada lisää naisia tekoälyalan johtotehtäviin etenkin nyt, kun ala alkaa luoda turvallisuusstandardeja ja hallintakehyksiä, jotka ohjaavat älykkäiden koneiden toimintaa yhteiskunnassa. Miten uskot johtajien monimuotoisuuden voivan vaikuttaa turvallisempien ja vastuullisempien tekoälyjärjestelmien kehittämiseen?

Suhtaudun tähän varovaisesti, sillä ajatus siitä, että ”lisätään naisia, niin tekoälystä tulee turvallisempaa”, on itsessään eräänlaista vinoumaa. Kyse on laajemmasta asiasta. Rakentamamme agentit oppivat siitä, mitä ihmiset ovat jo tehneet, ja siitä, miten opetamme niitä. Jos kaikki opetuksen sisältöön vaikuttavat ajattelevat samalla tavalla, järjestelmät omaksuvat samat katvealueet.

Johtajien monimuotoisuus tuo lisää näkökulmia päätöksiin siitä, mitä agentin tulisi pitää tärkeänä, kuten empatiaan, välittämiseen ja siihen, millaisena valinta näyttäytyy ihmiselle, johon se vaikuttaa. Monet tekoälyyn liittyvät riskit ovat teknisiä. Toiset riskit syntyvät siitä, että järjestelmät tekevät päätöksiä, jotka eivät vastaa niiden vaikutuspiirissä olevien ihmisten arvoja tai tarpeita. Erilaisten näkökulmien tuominen päätöksentekoon auttaa tunnistamaan katvealueet ennen kuin ne muuttuvat tosielämän ongelmiksi.

Haluan näiltä järjestelmiltä yksinkertaisesti sitä, että ne auttavat ihmisiä tekemään parempia päätöksiä ja antavat meille enemmän aikaa olla yhdessä tosielämässä. Tähän pääseminen edellyttää tasapainoa ja konkreettisia hallintakeinoja, joiden suunnittelussa huomioidaan monenlaisia näkökulmia. Mikään yksittäinen ryhmä ei ratkaise asiaa yksin, ja meidän on motivoitava ja kannustettava naisia osallistumaan sekä edistämään agenttien ja ihmisten välisiä, agenttien keskinäisiä ja ihmisten keskinäisiä yhteyksiä.

Kun katsotaan seuraavia kolmesta viiteen vuotta, missä näet Empiric Earthin suurimmat mahdollisuudet nykyisten liikenneturvallisuuteen ja kaluston älyratkaisuihin liittyvien sovellusten ulkopuolella? Kun autonomiset ajoneuvot, robotiikka ja muut fyysisen tekoälyn teknologiat nivoutuvat yhä tiiviimmin osaksi arkea, millaisen roolin näet Empiric Earthillä tämän muutoksen mahdollistavassa infrastruktuurissa?

Aloitimme liikenneturvallisuuden ja ajoneuvokalustojen parissa, ja ne ovat edelleen liiketoimintamme ydinaluetta. Suurempi mahdollisuus on kuitenkin tukea fyysistä tekoälyä vähentämällä riskejä, tarjoamalla validointistandardi ja tekemällä lopulta tosielämästä turvallisempi.

Perushaasteet ovat samankaltaisia riippumatta siitä, rakennetaanko autonomista ajoneuvoa, jakelurobottia vai vähittäiskaupan älyjärjestelmää, joka toimii tosielämän mainonta- ja kaupankäyntiverkossa. Miten ymmärrät, mitä tosielämässä tapahtuu? Mistä tiedät, pystyykö järjestelmä selviytymään odottamattomista tilanteista? Ja miten arvioit suorituskykyä ja hallitset riskejä, kun järjestelmiä aletaan ottaa käyttöön kaupallisessa toiminnassa?

Näen Empiric Earthin kehittyvän fyysisen tekoälyn ekosysteemille tärkeäksi älykerrokseksi, joka tarjoaa tosielämän dataa, malleja, sovelluksia ja palveluja kehittäjien, kumppanien ja operaattorien avuksi näihin kysymyksiin vastaamisessa. Puolueettomuus, siirrettävyys ja yhteentoimivuus ovat tämän vision kannalta tärkeitä. Haluamme, että ratkaisumme toimivat eri teknologioissa ja alustoilla, jotta asiakkaat voivat ottaa käyttöön itselleen parhaiten sopivat ratkaisut.

Meillä on poikkeuksellisen vahva perusta tosielämän ajamiseen liittyvän älyn hyödyntämisessä, ja nyt voimme rakentaa sen varaan uusilla kyvykkyyksillä, kumppanuuksilla ja liiketoimintamalleilla.

Fyysinen tekoäly ei skaalaudu siksi, että yksi yritys rakentaa parhaan robotin tai parhaan mallin. Se skaalautuu, kun laajemmalla ekosysteemillä on älyä, työkaluja ja turvallisuustoimia, joiden avulla nämä järjestelmät voidaan ottaa käyttöön tosielämässä. Tällaista roolia haluamme Empiric Earthin näyttelevän.

Kiitos hienosta haastattelusta. Lukijat, jotka haluavat tutustua fyysisen tekoälyn tosielämän älyratkaisuihin ja riippumattomaan validointiin, voivat vierailla Empiric Earth -sivustolla.