Appen Levert Hoge-Kwaliteit Trainingsdata voor Fabrikanten van Autonome Voertuigen

Appen Limited (ASX:APX), de toonaangevende aanbieder van hoge-kwaliteit trainingsdata voor organisaties die effectieve AI-systemen op grote schaal bouwen, kondigde vandaag verbeterde mogelijkheden aan om ervoor te zorgen dat fabrikanten van autonome voertuigen toegang hebben tot hoge-kwaliteit trainingsdata en het meeste uit hun trainingsdata-investering kunnen halen. Hoge-kwaliteit trainingsdata zijn essentieel om ervoor te zorgen dat autonome voertuigen veilig en zoals verwacht functioneren, en Appen, dat werkt met 7 van de 10 grootste wereldwijde automobielbedrijven en tier 1-leveranciers, kan 99+% nauwkeurigheid leveren voor zeer complexe multimodale AI-projecten.

“Het is niet genoeg dat voertuigen goed presteren in gesimuleerde of gunstige weersomstandigheden in één type topografie,” zei Wilson Pang, CTO van Appen. “Ze moeten perfect functioneren in alle weersomstandigheden in elke denkbare wegscenario die ze in de praktijk tegenkomen. Dit betekent dat teams die werken aan het machine learning-model (ML) voor de AI van het voertuig, zich moeten concentreren op het verkrijgen van trainingsdata met de hoogst mogelijke nauwkeurigheid voordat ze deze op de weg kunnen inzetten. Onze klanten vertrouwen ons hun meest complexe trainingsdata-annotatiescenario’s toe, omdat ons industrieleidende annotatieplatform en -diensten ons in staat stellen de hoge kwaliteit te leveren die nodig is om multi-modale zelfrijdende auto-algoritmen te laten functioneren.”

Om goed te kunnen reageren op weg-, weers- en veiligheidsomstandigheden, hebben autonome voertuigen complexe, multidimensionale datasets van verschillende soorten sensoren nodig. Dit vormt niet alleen een uitdaging vanwege de specialisatie van leveranciers, maar creëert ook een enorme kwaliteitsborgingsuitdaging voor het annotatieproces van de data, omdat teams die de modellen trainen veel tijd en middelen moeten verspillen aan interne audits om te bepalen welke delen van de datasets verbeterd moeten worden om een netto voordeel te bieden voor hun machine learning-modellen.

Met meer dan 15 jaar ervaring in de automobielindustrie, werken de annotatie-teams van Appen regelmatig samen met fabrikanten van autonome voertuigen om hun bestaande geannoteerde data te controleren en hen te helpen dichter bij 100% kwaliteit te komen, zodat ze het meeste uit hun trainingsdata kunnen halen. Zo moeten sommige fabrikanten bijvoorbeeld twee verschillende datasets van verschillende dimensies binden om hun multi-modale autonome voertuigen-ML-algoritmen te laten functioneren. Dit is extreem moeilijk om handmatig te doen, maar kritisch voor de ontwikkeling van autonome voertuigen-modellen.

Met het cutting-edge technologieplatform van Appen, dat 3D-puntwolkannotatie met objectvolging levert met 99+% nauwkeurigheid op cuboidniveau, kunnen klanten nu een dataset annoteren met 2D-afbeeldingen die zijn gebonden aan een dataset met 3D-puntwolkannotaties voor mapping over meerdere dimensies, terwijl ze een consistente object-ID-eis over 50+ frames behouden.

“Ons project is nog in de pilotfase en we moesten de cyclus versnellen om productie te bereiken, wat trainingsdata vereist die snel aan onze algoritme-eisen voldoen. Het annotatiehulpmiddel, inclusief 3D LiDAR, hoge kwaliteitscontrole-functies en workflows, is al ingebouwd in het Appen-platform. Dit helpt ons ervoor te zorgen dat het proces geoptimaliseerd is op basis van onze projecteisen, waardoor een soepele samenwerking tussen ons team en het Appen-team mogelijk is. We kijken ernaar uit om deze interne pilot naar productie te brengen,” zei een senior projectleider bij Ecarx, een automobieltechnologiebedrijf dat een intelligente, verbonden platform bouwt voor meerdere voertuigmodellen.

Het Appen-trainingsdata-platform combineert menselijke intelligentie van meer dan 1 miljoen mensen over de hele wereld met cutting-edge modellen om de hoogste kwaliteit trainingsdata voor ML-projecten te creëren. Appen is ook toegewijd aan het helpen van zijn klanten bij het waarborgen van verantwoorde AI – van pilot tot productie – op basis van ethische praktijken en gegevensdiversiteit, over alle belangrijke use cases.