Technologia auto-etykietowania Voxel51 obiecuje obniżyć koszty annotacji o 100 000 razy

Przełomowe badanie przeprowadzone przez startup Voxel51 z dziedziny computer vision sugeruje, że tradycyjny model annotacji danych jest na granicy przełomu. W opublikowanych dziś wynikach badania firma podaje, że jej nowy system auto-etykietowania osiąga dokładność na poziomie 95% w porównaniu z etykietowaniem ręcznym, przy czym jest on 5 000 razy szybszy i nawet 100 000 razy tańszy niż etykietowanie ręczne.

Badanie porównywało modele podstawowe, takie jak YOLO-World i Grounding DINO, na znanych zbiorach danych, w tym COCO, LVIS, BDD100K i VOC. Co godne uwagi, w wielu scenariuszach rzeczywistych modele trenowane wyłącznie na etykietach wygenerowanych przez AI osiągały wyniki porównywalne z tymi, które zostały wytrenowane na etykietach ludzkich. Dla firm budujących systemy computer vision implikacje są ogromne: mogą one zaoszczędzić miliony dolarów na kosztach annotacji, a cykle rozwoju modeli mogą skrócić się z tygodni do godzin.

Nowa era annotacji: od pracy ręcznej do modeli kierowanych przez potok

Przez dziesięciolecia annotacja danych była bolesną wąskim gardłem w rozwoju AI. Od ImageNet do zbiorów danych dla pojazdów autonomicznych, zespoły polegały na ogromnych armiach pracowników, którzy rysowali bounding boxy i segmentowali obiekty – co było kosztowne i powolne.

Panująca logika była prosta: im więcej danych z etykietami ludzkimi, tym lepsze AI. Ale badanie Voxel51 odwraca ten założenie.

Ich podejście wykorzystuje wstępnie wytrenowane modele podstawowe – niektóre z zdolnościami zero-shot – i integruje je z potokiem, który automatyzuje rutynowe etykietowanie, jednocześnie wykorzystując aktywne uczenie do oznaczania niepewnych lub złożonych przypadków do przeglądu przez ludzi. Ta metoda dramatycznie redukuje zarówno czas, jak i koszty.

W jednym teście etykietowanie 3,4 miliona obiektów przy użyciu procesora NVIDIA (NVDA ) L40S zajęło nieco ponad godzinę i kosztowało 1,18 dolara. Ręczne wykonanie tego samego zadania z użyciem AWS SageMaker zajęłoby prawie 7 000 godzin i kosztowałoby ponad 124 000 dolarów. W szczególnie trudnych przypadkach – takich jak identyfikacja rzadkich kategorii w zbiorach danych COCO lub LVIS – modele z auto-etykietowaniem czasami przewyższały swoje odpowiedniki z etykietami ludzkimi. To zaskakujące wyniki mogą wynikać z konsekwentnych wzorców etykietowania w modelach podstawowych i ich treningu na dużych zbiorach danych internetowych.

Wewnątrz Voxel51: Zespół zmieniający przepływy pracy AI wizualnej

Voxel51 zostało założone w 2016 roku przez profesora Jasona Corso i Briana Moore’a na Uniwersytecie Michigan. Początkowo Voxel51 działało jako firma konsultingowa specjalizująca się w analizie wideo. Corso, weteran w dziedzinie computer vision i robotyki, opublikował ponad 150 prac naukowych i wnosi znaczny wkład w społeczność AI poprzez otwarte źródło. Moore, były student doktorancki Corso, pełni funkcję dyrektora generalnego.

Punkt zwrotny nastąpił, gdy zespół zrozumiał, że większość wąskich gardeł AI nie leży w projekcie modelu, ale w danych. To spostrzeżenie zainspirowało ich do stworzenia FiftyOne, platformy zaprojektowanej do umożliwienia inżynierom efektywniejszego eksplorowania, kuracji i optymalizacji zbiorów danych wizualnych.

Przez lata firma zebrała ponad 45 milionów dolarów, w tym 12,5 miliona dolarów w ramach rundy A i 30 milionów dolarów w ramach rundy B pod przewodnictwem Bessemer Venture Partners. Nastąpiła adopcja przez przedsiębiorstwa, z głównymi klientami, takimi jak LG Electronics, Bosch, Berkshire Grey (BGRY ), Precision Planting i RIOS, integrującymi narzędzia Voxel51 z ich przepływami pracy AI.

Od narzędzia do platformy: rosnąca rola FiftyOne

FiftyOne rozwinęło się z prostego narzędzia do wizualizacji zbiorów danych w kompleksową, opartą na danych platformę AI. Obsługuje szeroki zakres formatów i schematów etykietowania – COCO, Pascal VOC, LVIS, BDD100K, Open Images – oraz integruje się bezproblemowo z frameworkami takimi jak TensorFlow i PyTorch.

Więcej niż narzędzie wizualizacji, FiftyOne umożliwia zaawansowane operacje: znajdowanie duplikatów obrazów, identyfikowanie błędnie oznaczonych próbek, wyświetlanie outlierów i mierzenie trybów awarii modeli. Jego ekosystem wtyczek obsługuje niestandardowe moduły dla rozpoznawania znaków optycznych, analizy wideo i analizy opartej na osadzaniu.

Wersja dla przedsiębiorstw, FiftyOne Teams, wprowadza funkcje współpracy, takie jak kontrola wersji, uprawnienia dostępu i integracja z magazynowaniem w chmurze (np. S3), a także narzędzia do etykietowania, takie jak Labelbox i CVAT. Godne uwagi jest również to, że Voxel51 współpracuje z V7 Labs, aby usprawnić przepływ między kuracją zbioru danych a ręcznym etykietowaniem.

Zmiany w branży annotacji

Badanie Voxel51 dotyczące auto-etykietowania wyzwania podstawowe założenia leżące u podstaw branży annotacji o wartości prawie 1 miliarda dolarów. W tradycyjnych przepływach pracy każde zdjęcie musi być dotykane przez człowieka – co jest drogie i często zbędne. Voxel51 twierdzi, że większość tej pracy może teraz zostać wyeliminowana.

Z ich systemem większość obrazów jest etykietowana przez AI, a tylko przypadki brzegowe są eskalowane do ludzi. Ta hybrydowa strategia nie tylko redukuje koszty, ale także zapewnia wyższą jakość danych, ponieważ ludzkie wysiłki są zarezerwowane dla najtrudniejszych lub najcenniejszych annotacji.

Ta zmiana jest zgodna z szerszymi trendami w dziedzinie AI, które zmierzają w kierunku data-centric AI – metody, która koncentruje się na optymalizacji danych treningowych, a nie na niekończącym się dostosowywaniu architektur modeli.

Konkurencyjny krajobraz i odbiór branży

Inwestorzy, tacy jak Bessemer, widzą Voxel51 jako “warstwę orkiestracji danych” dla AI – podobnie jak narzędzia DevOps przekształciły rozwój oprogramowania. Ich otwarte narzędzie zostało pobrane miliony razy, a ich społeczność składa się z tysięcy deweloperów i zespołów ML na całym świecie.

Chociaż inne startupy, takie jak Snorkel AI, Roboflow i Activeloop, również koncentrują się na przepływach danych, Voxel51 wyróżnia się swoim zakresem, etosem open-source i infrastrukturą klasy przedsiębiorstw. Zamiast konkurować z dostawcami usług annotacji, platforma Voxel51 uzupełnia je, czyniąc istniejące usługi bardziej wydajnymi poprzez selektywną kurację.

Przyszłe implikacje

Długoterminowe implikacje są ogromne. Jeśli metodyka Voxel51 zostanie szeroko przyjęta, może ona dramatycznie obniżyć barierę wejścia do computer vision, demokratyzując tę dziedzinę dla startupów i badaczy, którzy nie mają ogromnych budżetów na etykietowanie.

Ponadto oszczędność kosztów, ten podejście również tworzy podstawy dla systemów ciągłego uczenia, w których modele w produkcji automatycznie oznaczają awarie, które są następnie przeglądane, ponownie oznaczone i włączone z powrotem do danych treningowych – wszystko w ramach tego samego zorganizowanego potoku.

Szersza wizja firmy jest zgodna z tym, jak AI ewoluuje: nie tylko mądrzejsze modele, ale także mądrzejsze przepływy pracy. W tej wizji annotacja nie jest martwa, ale już nie jest dziedziną pracy siłowej. Jest strategiczna, selektywna i napędzana przez automatyzację.