Nomadic-მა 8,4 მილიონი დოლარი მოიზიდა: სტარტაპი ავტონომიური ტრანსპორტის მონაცემთა დამუშავების პრობლემას ჭრის

მომავლის ავტონომიური მანქანების შესაქმნელად, ზოგჯერ თავად მოდელებსაც სჭირდებათ დამხმარე მოდელი. კომპანიები, რომლებიც თვითმართვად ავტომობილებს, ფიზიკურ გარემოსთან ურთიერთქმედ რობოტებსა თუ ავტონომიურ სამშენებლო ტექნიკას ავითარებენ, შეფასებისა და წვრთნისთვის ათასობით და ხშირად მილიონობით საათის ვიდეომასალას აგროვებენ. ამ ვიდეოების ორგანიზება და კატალოგიზაცია ამჟამად ადამიანების საქმეა, რომლებსაც მთელი ამ მასალის ნახვა უწევთ. თუმცა, ვიდეოს სწრაფი გადახვევის რეჟიმში ყურებაც კი ვერ უზრუნველყოფს საჭირო მასშტაბირებას.

სტარტაპი NomadicML, რომელიც აღმასრულებელმა დირექტორმა მუსტაფა ბალმა და ტექნიკურმა დირექტორმა ვარუნ კრიშნანმა დააფუძნეს, სწორედ იმ მომხმარებლების პრობლემების მოგვარებას ისახავს მიზნად, რომელთა ფლოტის მონაცემების 95% არქივებშია გაჩერებული. გამოწვევა კიდევ უფრო რთულდება ე.წ. „ზღვრული შემთხვევების“ (edge cases) ძიებისას — ყველაზე ღირებული მონაცემები ასახავს იშვიათ მოვლენებს, რომლებმაც შესაძლოა გამოუცდელი ფიზიკური ხელოვნური ინტელექტის მოდელები დააბნიოს.

Nomadic ამ პრობლემას პლატფორმის მეშვეობით წყვეტს, რომელიც ვიდეომასალას სტრუქტურირებულ და საძიებო მონაცემთა ბაზად აქცევს. ეს ხორციელდება ვიზუალური ენის მოდელების (vision language models) ერთობლიობის გამოყენებით. შედეგად, შესაძლებელი ხდება ფლოტის უკეთესი მონიტორინგი და უნიკალური მონაცემთა ბაზების შექმნა მანქანური სწავლებისთვის (reinforcement learning), რაც პროცესების უფრო სწრაფ იტერაციას უწყობს ხელს.

ინვესტიციები და საბაზრო ღირებულება

სამშაბათს კომპანიამ გამოაცხადა 8,4 მილიონი დოლარის მოცულობის Seed რაუნდის დასრულების შესახებ, რის შემდეგაც მისი საბაზრო ღირებულება 50 მილიონ დოლარად შეფასდა. რაუნდს TQ Ventures ხელმძღვანელობდა, მასში ასევე მონაწილეობდნენ Pear VC და ჯეფ დინი. მოზიდული თანხა კომპანიას მომხმარებელთა ბაზის გაზრდასა და პლატფორმის შემდგომ დახვეწაში დაეხმარება. აღსანიშნავია, რომ გასულ თვეში Nomadic-მა Nvidia GTC-ის სტარტაპების კონკურსში პირველი ადგილი დაიკავა.

დამფუძნებლებმა ერთმანეთი ჰარვარდის უნივერსიტეტში, კომპიუტერული მეცნიერებების ფაკულტეტზე სწავლისას გაიცნეს. მუსტაფა ბალის თქმით, ისეთ კომპანიებში მუშაობისას, როგორიცაა Lyft და Snowflake, ისინი მუდმივად აწყდებოდნენ ერთსა და იმავე ტექნიკურ გამოწვევებს. მისი განმარტებით, კომპანია მომხმარებლებს აწვდის ინფორმაციას მათივე ვიდეომასალიდან, რაც მათ რობოტებსა თუ ავტონომიურ მანქანებს მართავს. სწორედ ეს ეხმარება ავტონომიური სისტემების შემქმნელებს წინსვლაში და არა შემთხვევითი მონაცემები.

პრაქტიკული გამოყენება და კლიენტები

მაგალითად, პლატფორმა ეხმარება ავტონომიურ მანქანას იმის გაგებაში, რომ წითელ შუქზე გავლა დასაშვებია, თუ მოძრაობას პოლიციელი არეგულირებს. ასევე შესაძლებელია ყველა იმ შემთხვევის იზოლირება, როდესაც მანქანა კონკრეტული ტიპის ხიდის ქვეშ გადის. Nomadic-ის პლატფორმა საშუალებას იძლევა, მსგავსი ინციდენტები იდენტიფიცირებული იყოს როგორც შესაბამისობის (compliance) მიზნებისთვის, ისე პირდაპირ სასწავლო პროცესში გამოსაყენებლად.

პლატფორმას უკვე იყენებენ ისეთი მომხმარებლები, როგორიცაა Zoox, Mitsubishi Electric, Natix Network და Zendar. Zendar-ის საინჟინრო მიმართულების ვიცე-პრეზიდენტმა, ანტონიო პულიელიმ აღნიშნა, რომ Nomadic-ის ხელსაწყომ მათ მუშაობის ბევრად უფრო სწრაფად მასშტაბირების საშუალება მისცა, ვიდრე ეს აუთსორსინგის შემთხვევაში იქნებოდა შესაძლებელი, ხოლო კომპანიის გამოცდილებამ ისინი კონკურენტებისგან გამოარჩია.

კონკურენცია და ტექნოლოგიური უპირატესობა

მოდელებზე დაფუძნებული ავტომატური ანოტაციის მსგავსი ინსტრუმენტები ფიზიკური ხელოვნური ინტელექტისთვის საკვანძო სამუშაო პროცესად იქცევა. მონაცემთა მარკირების ისეთი ცნობილი ფირმები, როგორიცაა Scale, Kognic და Encord, უკვე ავითარებენ ხელოვნური ინტელექტის ინსტრუმენტებს ამ სამუშაოს შესასრულებლად, ხოლო Nvidia-მ გამოუშვა ღია კოდის მოდელების ოჯახი — Alpamayo.

ვარუნ კრიშნანი ამტკიცებს, რომ მათი პროდუქტი უფრო მეტია, ვიდრე უბრალოდ „ლეიბლერი“ (labeler); ეს არის „აგენტური ლოგიკური სისტემა“ (agentic reasoning system). მომხმარებელი აღწერს, რა სჭირდება, სისტემა კი თავად ხვდება, როგორ იპოვოს ეს ინფორმაცია მრავალი მოდელის გამოყენებით, რათა აღიქვას მიმდინარე მოქმედება და მოათავსოს იგი კონტექსტში.

„ავტონომიური მანქანების კომპანია, რომელიც Nomadic-ის მსგავსი სისტემის შიდა რესურსებით შექმნას ცდილობს, ყურადღებას გადაიტანს იმისგან, რაც მას გამარჯვებულად აქცევს — თავად რობოტისგან“, — აცხადებს შუსტერ ტანგერი, TQ Ventures-ის პარტნიორი.

სამომავლო გეგმები

კომპანიის გუნდი, რომელიც დაახლოებით ათეული ინჟინრისგან შედგება, ამჟამად მუშაობს სპეციფიკურ ინსტრუმენტებზე. ერთ-ერთი მათგანი ვიდეომასალიდან აღიქვამს ზოლის შეცვლის ფიზიკას, მეორე კი განსაზღვრავს რობოტის მომჭერების (grippers) ზუსტ მდებარეობას ვიდეოში. აღსანიშნავია, რომ ვარუნ კრიშნანი ჭადრაკის საერთაშორისო დიდოსტატია და მსოფლიო რეიტინგში 1549-ე ადგილს იკავებს, ხოლო კომპანიის ყველა ინჟინერს გამოქვეყნებული აქვს სამეცნიერო ნაშრომები.

შემდეგი გამოწვევა მსგავსი ხელსაწყოების შექმნაა არავიზუალური მონაცემებისთვის, როგორიცაა Lidar სენსორების ჩვენებები, ან სენსორული მონაცემების ინტეგრირება სხვადასხვა რეჟიმში. მუსტაფა ბალის თქმით, ტერაბაიტობით ვიდეომასალის დამუშავება და მათი შედარება ასობით მოდელთან, რომელთაგან თითოეულს 100 მილიარდზე მეტი პარამეტრი აქვს, წარმოუდგენლად რთული ამოცანაა, რომლის გადაჭრასაც NomadicML აგრძელებს.