Appen Menyediakan Data Pelatihan Berkualitas Tinggi untuk Pembuat Kendaraan Otonom

Appen Limited (ASX:APX), penyedia terkemuka data pelatihan berkualitas tinggi untuk organisasi yang membangun sistem AI efektif dalam skala besar, hari ini mengumumkan kemampuan yang ditingkatkan untuk memastikan pembuat kendaraan otonom memiliki akses ke data pelatihan berkualitas tinggi dan dapat mendapatkan nilai maksimal dari investasi data pelatihan mereka. Data pelatihan berkualitas tinggi sangat penting untuk memastikan kendaraan otonom beroperasi dengan aman dan sesuai dengan yang diharapkan, dan Appen, yang bekerja dengan 7 dari 10 perusahaan otomotif terbesar global dan pemasok tingkat 1, dapat menyediakan akurasi 99+% untuk proyek AI multimodal yang sangat kompleks.

“Tidak cukup bagi kendaraan untuk berperforma baik dalam kondisi cuaca yang baik atau dalam satu jenis topografi,” kata Wilson Pang, CTO of Appen. “Mereka harus berperforma dengan sempurna dalam semua kondisi cuaca di setiap skenario jalan yang dapat mereka temui dalam penerapan dunia nyata. Ini berarti bahwa tim yang bekerja pada model machine learning (ML) untuk AI kendaraan harus fokus pada mendapatkan data pelatihan dengan akurasi tertinggi sebelum dapat diterapkan di jalan. Pelanggan kami mempercayakan kami dengan skenario anotasi data pelatihan yang paling kompleks karena platform anotasi industri terkemuka dan layanan kami memungkinkan kami untuk menyediakan kualitas tinggi yang diperlukan untuk menggerakkan algoritma mobil self-driving multi-modal.”

Untuk memahami dan merespons kondisi jalan, cuaca, dan keselamatan dengan benar, kendaraan otonom memerlukan dataset multidimensi yang kompleks dari berbagai jenis sensor. Ini tidak hanya menimbulkan tantangan karena spesialisasi vendor, tetapi juga menciptakan tantangan besar untuk proses anotasi data karena ketika tim yang melatih model menerima data pelatihan berkualitas rendah, mereka harus membuang waktu dan sumber daya yang signifikan untuk melakukan audit internal untuk menentukan bagian mana dari dataset yang perlu diperbaiki untuk memberikan manfaat bersih untuk model machine learning mereka.

Dengan lebih dari 15 tahun pengalaman di industri otomotif, tim anotasi data Appen secara teratur bekerja dengan pembuat kendaraan otonom untuk memeriksa data anotasi yang ada dan membantu mereka mendekati 100% kualitas, sehingga mereka dapat mendapatkan nilai maksimal dari data pelatihan mereka. Sebagai contoh, untuk mengaktifkan algoritma ML kendaraan otonom multi-modal, beberapa pembuat memerlukan pengikatan dua dataset yang berbeda dengan dimensi yang berbeda. Ini sangat sulit dilakukan secara manual tetapi sangat penting untuk pengembangan model kendaraan otonom.

Dengan platform teknologi canggih Appen yang menyediakan anotasi 3D point cloud dengan pelacakan objek 99+% pada tingkat cuboid, pelanggan sekarang dapat menanotasi dataset dengan gambar 2D yang terikat ke dataset dengan anotasi 3D point cloud untuk pemetaan di seluruh dimensi sambil memenuhi persyaratan ID objek yang konsisten di seluruh 50+ frame.

“Proyek kami masih dalam fase pilot, dan kami perlu mempercepat siklus untuk mencapai produksi, yang memerlukan data pelatihan yang memenuhi persyaratan algoritma kami dengan cepat. Alat anotasi, termasuk 3D LiDAR, fitur kontrol kualitas, dan alur kerja, sudah terintegrasi dalam platform Appen. Ini membantu kami memastikan prosesnya dioptimalkan berdasarkan persyaratan proyek kami, memungkinkan kolaborasi yang lancar antara tim kami dan tim Appen. Kami berharap dapat memindahkan pilot internal ini ke produksi,” kata seorang pemimpin proyek senior di Ecarx, sebuah perusahaan teknologi otomotif yang membangun platform cerdas dan terhubung untuk beberapa model kendaraan.

Platform data pelatihan Appen menggabungkan kecerdasan manusia dari lebih dari 1 juta orang di seluruh dunia dengan model canggih untuk menciptakan data pelatihan berkualitas tinggi untuk proyek ML. Appen juga berkomitmen untuk membantu pelanggannya memastikan AI yang bertanggung jawab – dari pilot hingga produksi – berdasarkan praktik etis dan keberagaman data, di semua kasus penggunaan utama.