Appen Cung Cấp Dữ Liệu Huấn Luyện Chất Lượng Cao Cho Nhà Sản Xuất Xe Tự Lái

Appen Limited (ASX:APX), nhà cung cấp hàng đầu về dữ liệu huấn luyện chất lượng cao cho các tổ chức xây dựng hệ thống AI hiệu quả tại quy mô lớn, hôm nay đã công bố các khả năng được nâng cao để đảm bảo các nhà sản xuất xe tự lái có quyền truy cập vào dữ liệu huấn luyện chất lượng cao và có thể nhận được giá trị tối đa từ khoản đầu tư dữ liệu huấn luyện của họ. Dữ liệu huấn luyện chất lượng cao là điều cần thiết để đảm bảo xe tự lái hoạt động an toàn và như mong đợi, và Appen, công ty đã làm việc với 7 trong số 10 công ty ô tô hàng đầu thế giới và nhà cung cấp cấp 1, có thể cung cấp độ chính xác 99+% cho các dự án AI đa phương thức phức tạp.

“Không đủ để xe hoạt động tốt trong điều kiện thời tiết mô phỏng hoặc tốt trong một loại địa hình nhất định,” said Wilson Pang, CTO của Appen. “Họ phải hoạt động hoàn hảo trong tất cả các điều kiện thời tiết trên mọi kịch bản đường thực tế mà họ sẽ gặp phải trong các triển khai thế giới thực. Điều này có nghĩa là các đội ngũ làm việc trên mô hình học máy (ML) cho trí tuệ nhân tạo của xe phải tập trung vào việc nhận được dữ liệu huấn luyện với độ chính xác cao nhất có thể trước khi có thể triển khai trên đường. Khách hàng của chúng tôi tin tưởng chúng tôi với các kịch bản chú thích dữ liệu huấn luyện phức tạp nhất
bởi vì nền tảng và dịch vụ chú thích ngành hàng đầu của chúng tôi cho phép chúng tôi cung cấp chất lượng cao cần thiết để cung cấp các thuật toán tự lái đa phương thức.”

Để hiểu và phản ứng đúng với điều kiện đường, thời tiết và an toàn, xe tự lái yêu cầu các tập dữ liệu phức tạp, đa chiều từ nhiều loại cảm biến khác nhau. Điều này không chỉ đặt ra một thách thức do chuyên môn hóa của nhà cung cấp, mà còn tạo ra một thách thức đảm bảo chất lượng khổng lồ cho quá trình chú thích dữ liệu vì khi các đội ngũ đào tạo mô hình nhận được dữ liệu huấn luyện chất lượng thấp, họ phải lãng phí thời gian và tài nguyên đáng kể để thực hiện các kiểm toán nội bộ để xác định những phần của tập dữ liệu cần cải thiện để cung cấp lợi ích ròng cho các mô hình học máy của họ.

Với hơn 15 năm kinh nghiệm trong ngành công nghiệp ô tô, các đội ngũ chú thích dữ liệu của Appen thường xuyên làm việc với các nhà sản xuất xe tự lái để kiểm toán dữ liệu đã chú thích hiện có của họ và giúp họ đến gần hơn với 100% chất lượng, để họ có thể nhận được giá trị tối đa từ dữ liệu huấn luyện của mình. Ví dụ, để cho phép các thuật toán học máy đa phương thức tự lái của họ, một số nhà sản xuất cần gắn hai tập dữ liệu khác nhau có kích thước khác nhau. Điều này cực kỳ khó thực hiện thủ công nhưng quan trọng cho sự phát triển mô hình xe tự lái.

Với nền tảng công nghệ tiên tiến của Appen cung cấp chú thích điểm mây 3D với theo dõi đối tượng ở mức 99+% tại cấp độ cuboid, khách hàng hiện có thể chú thích một tập dữ liệu với hình ảnh 2D gắn với một tập dữ liệu khác có chú thích điểm mây 3D để ánh xạ trên nhiều chiều trong khi căn chỉnh yêu cầu ID đối tượng nhất quán trên 50+ khung hình.

“Dự án của chúng tôi vẫn đang trong giai đoạn thử nghiệm, và chúng tôi cần tăng tốc chu kỳ để đạt được sản xuất, điều này đòi hỏi dữ liệu huấn luyện đáp ứng nhanh các yêu cầu thuật toán của chúng tôi. Công cụ chú thích, bao gồm 3D LiDAR, các tính năng kiểm soát chất lượng cao và các quy trình làm việc, đã được tích hợp vào nền tảng Appen. Điều này đang giúp chúng tôi đảm bảo quá trình được tối ưu hóa dựa trên các yêu cầu dự án của chúng tôi, cho phép sự hợp tác mượt mà giữa đội ngũ của chúng tôi và đội ngũ Appen. Chúng tôi mong đợi việc chuyển đổi thử nghiệm nội bộ này sang sản xuất,” said một người lãnh đạo dự án cấp cao tại Ecarx, một công ty công nghệ ô tô đang xây dựng một nền tảng thông minh, kết nối cho nhiều mẫu xe.

Nền tảng dữ liệu huấn luyện Appen kết hợp trí tuệ con người từ hơn 1 triệu người trên toàn thế giới với các mô hình tiên tiến để tạo ra dữ liệu huấn luyện chất lượng cao nhất cho các dự án ML. Appen cũng cam kết giúp khách hàng của mình đảm bảo AI có trách nhiệm – từ thử nghiệm đến sản xuất – dựa trên các thực hành đạo đức và đa dạng dữ liệu, trên tất cả các trường hợp sử dụng chính.