Voxel51’in Yeni Otomatik Etiketleme Teknolojisi, Etiketleme Maliyetlerini 100.000 Kat Azaltma Vaadi

Bilgisayarlı görme startup şirketi Voxel51‘in yeni bir çalışması, geleneksel veri etiketleme modelinin değişime uğrayacağını gösteriyor. Bugün yayınlanan araştırmada, şirketin yeni otomatik etiketleme sisteminin insan düzeyinde doğrulukta %95’e ulaştığını ve aynı zamanda 5.000 kat daha hızlı ve 100.000 kat daha ucuz olduğunu belirtiyor.

Çalışma, YOLO-World ve Grounding DINO gibi temel modelleri COCO, LVIS, BDD100K ve VOC gibi bilinen veri setlerinde test etti. Şaşırtıcı bir şekilde, birçok gerçek dünya senaryosunda, yalnızca AI tarafından oluşturulan etiketlerle eğitilen modeller, insan etiketleriyle eğitilen modellerle aynı performansları gösterdi veya hatta daha iyi performans gösterdi. Bilgisayarlı görme sistemleri geliştiren şirketler için bu durumun anlamı büyük: milyonlarca dolarlık etiketleme maliyetleri tasarruf edilebilir ve model geliştirme döngüleri haftalardan saatlere kısalabilir.

Yeni Etiketleme Çağı: Manuel İşgücüden Model Önderliğindeki Pipelinelere

Onlarca yıldır, veri etiketleme AI geliştirme sürecinde zor bir engel oluşturdu. ImageNet’ten otonom araç veri setlerine kadar, ekipler büyük insan işgücü ordularına güvenerek nesneleri çizerek ve segmente ederek – hem pahalı hem de yavaş bir çaba içinde oldular.

Geçerli mantık basitti: daha fazla insan etiketli veri = daha iyi AI. Ancak Voxel51’in araştırması bu varsayımı baştan çıkarıyor.

Onların yaklaşımı, önceden eğitilmiş temel modelleri – bazıları sıfır şans yeteneklerine sahip – bir pipeline içine entegre ederek, rutin etiketlemeyi otomatikleştirmeye ve aynı zamanda belirsiz veya karmaşık durumları insan gözden geçirmesi için işaretlemeye çalışıyor. Bu yöntem hem zaman hem de maliyeti dramatik olarak azaltıyor.

Bir testte, 3,4 milyon nesneyi etiketlemek için bir NVIDIA (NVDA ) L40S GPU kullanılması sadece bir saatten biraz fazla sürdü ve 1,18 dolar maliyeti vardı. AWS SageMaker ile elle aynı işi yapmak neredeyse 7.000 saat sürer ve 124.000 dolar maliyeti olurdu. Özellikle zorlu durumlarda – örneğin COCO veya LVIS veri setlerinde nadir kategorileri tanımlamak – otomatik etiketli modeller bazen insan etiketli modelleri geride bıraktı. Bu şaşırtıcı sonuç, temel modellerin tutarlı etiketleme kalıplarından ve büyük ölçekli internet verilerini eğitenlerinden kaynaklanabilir.

Voxel51 İçinde: Görsel AI İş Akışlarını Yeniden Şekillendiren Takım

2016 yılında Profesör Jason Corso ve Brian Moore tarafından Michigan Üniversitesi’nde kurulan Voxel51, ilk olarak video analitiği odaklı bir danışmanlık şirketi olarak başladı. Corso, bilgisayar görüşü ve robotik alanında bir uzman ve 150’den fazla akademik makale yayınladı ve AI topluluğuna geniş açık kaynak kodu katkıları yaptı. Moore, Corso’nun eski bir doktora öğrencisi ve CEO olarak görev yapıyor.

Dönüm noktası, ekibin çoğu AI tıkanıklığının model tasarımında değil, veride olduğunu fark ettiğinde geldi. Bu anlayış, onları FiftyOne platformunu yaratmaya yöneltti – mühendislerin görsel veri setlerini daha verimli bir şekilde keşfetmesine, kürat etmesine ve optimize etmesine olanak tanıyan bir platform.

Yıllar içinde, şirket 45 milyon doların üzerinde yatırım aldı, bunlar arasında 12,5 milyon dolarlık bir Seri A ve Bessemer Venture Partners liderliğindeki 30 milyon dolarlık bir Seri B yatırımı da bulunuyordu. Büyük müşteriler gibi LG Electronics, Bosch, Berkshire Grey (BGRY ) , Precision Planting ve RIOS, Voxel51’in araçlarını üretim AI iş akışlarına entegre etti.

Araçtan Platforma: FiftyOne’in Genişleyen Rolü

FiftyOne, basit bir veri seti görselleştirme aracından, kapsamlı bir veri odaklı AI platformuna dönüştü. COCO, Pascal VOC, LVIS, BDD100K, Open Images gibi bir dizi formatı ve etiketleme şemasını destekler ve TensorFlow ve PyTorch gibi çerçevelerle sorunsuz bir şekilde entegre olur.

FiftyOne, yalnızca bir görselleştirme aracı değil, aynı zamanda gelişmiş işlemleri de sağlar: aynı görüntü bulma, yanlış etiketlenmiş örnekleri tanımlama, aykırı değerleri ortaya çıkarma ve model başarısızlık modlarını ölçme. Eklenti ekosistemi, optik karakter tanıma, video Q&A ve gömme tabanlı analiz için özel modülleri destekler.

Şirket versiyonu, FiftyOne Teams, işbirlikçi özellikler sunar: sürüm kontrolü, erişim izinleri ve bulut depolama (örneğin S3) entegrasyonu ve etiketleme araçları gibi Labelbox ve CVAT. Voxel51 ayrıca V7 Labs ile veri seti kürasyonu ve manuel etiketleme arasında akışı basitleştirmek için işbirliği yaptı.

Etiketleme Endüstrisini Yeniden Düşünmek

Voxel51’in otomatik etiketleme araştırması, yaklaşık 1 milyar dolarlık bir etiketleme endüstrisinin temelindeki varsayımları sorguluyor. Geleneksel iş akışlarında her görüntü bir insan tarafından dokunmalıdır – pahalı ve souvent yinelenen bir süreç. Voxel51, çoğu işgücünün artık ortadan kaldırılabileceğini savunuyor.

Sistemleriyle, majority görüntüler AI tarafından etiketlenirken, yalnızca kenar durumları insanlar tarafından gözden geçirilir. Bu melez strateji, yalnızca maliyetleri azaltmakla kalmaz, aynı zamanda daha yüksek genel veri kalitesi sağlar, çünkü insan çabası en zor veya değerli etiketlemeler için ayrılmıştır.

Bu dönüşüm, AI alanındaki daha geniş eğilimlerle paralel olarak, veri odaklı AIye doğru bir kayma gösteriyor – model mimarilerini sonsuz bir şekilde ayarlamak yerine eğitim verilerini optimize etmeye odaklanan bir metodoloji.

Rekabetçi Manzara ve Endüstri Alıntıları

Yatırımcılar gibi Bessemer, Voxel51’i “veri orkestrasyon katmanı” olarak görüyor – yazılım geliştirmeyi dönüştüren DevOps araçlarına benzer. Açık kaynak araçları milyonlarca kez indirildi ve topluluğu dünya çapında binlerce geliştirici ve ML ekibi içeriyor.

Diğer startups gibi Snorkel AI, Roboflow ve Activeloop da veri iş akışlarına odaklansa da, Voxel51’in genişliği, açık kaynaklı etosu ve şirket düzeyindeki altyapısı ile öne çıkıyor. Etiketleme sağlayıcılarıyla rekabet etmek yerine, Voxel51’in platformu onları daha verimli hale getirerek mevcut hizmetleri tamamlıyor.

Gelecek Anlamı

Uzun vadeli etkileri derin. Voxel51’in metodolojisi yaygın olarak benimsenirse, bilgisayar görüşü alanını demokratikleştirebilir, büyük etiketleme bütçeleri olmayan startups ve araştırmacılara bu alanı açabilir.

Bunun ötesinde, bu yaklaşım ayrıca sürekli öğrenen sistemler için temel oluşturur: üretimdeki modeller otomatik olarak başarısızlıkları saptar, bunlar daha sonra gözden geçirilir, yeniden etiketlenir ve eğitim verilerine geri katılır – tüm bunlar aynı orkestrasyon.pipeline içinde gerçekleşir.

Şirketin daha geniş vizyonu, AI’nin evrimiyle uyumlu: yalnızca daha akıllı modeller değil, daha akıllı iş akışları. Bu vizyonda etiketleme ölmedi, ancak artık brute-force işgücü değil, stratejik, seçici ve otomasyona dayalı.