Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarLanceDB Blog→ original

WeRide redujo de una semana a una hora la búsqueda de imágenes peligrosas y poco frecuentes para vehículos autónomos con LanceDB

Un vehículo autónomo necesita situaciones poco frecuentes, como una persona tendida en la calzada, para entrenarse, pero con SQL convencional es imposible localizarlas entre miles de millones de fotogramas. WeRide incorporó la base de datos vectorial LanceDB: el ingeniero introduce una frase o una imagen y en milisegundos recibe 1000 fotogramas similares. La recopilación de estos casos peligrosos pasó de 1 semana a 1 hora. Si tiene muchas imágenes sin etiquetar, la búsqueda semántica se amortiza rápidamente.

Procesado por IA desde LanceDB Blog; editado por Hamidun News
WeRide redujo de una semana a una hora la búsqueda de imágenes peligrosas y poco frecuentes para vehículos autónomos con LanceDB
Fuente: LanceDB Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalLanceDB Blog ↗
Editor jefe
P99 en milisegundosel 99% de las consultas sobre miles de millones de registros cumple el límite
Dato clave #2El índice se reconstruye una vez por semana y una vez al mes; la frescura de los datos no es crítica
Dato clave #3Los embeddings y los metadatos se almacenan en el sistema de almacenamiento propio de WeRide

Lo más difícil para un vehículo autónomo no es la carretera normal, sino las situaciones peligrosas y poco frecuentes: por ejemplo, una persona tendida en la calzada. Estos episodios son ínfimos en las grabaciones de cámaras, radares y lidares, y es justo en ellos donde el modelo aprende peor. Antes, los ingenieros de WeRide tardaban una semana entera en reunir estos casos para el entrenamiento.

Desde que usan la base de datos vectorial LanceDB (que no busca por valores exactos en columnas, sino por el significado de una imagen o una frase), el proceso lleva alrededor de una hora. Para cualquier equipo con muchas imágenes, vídeos u otros datos «pesados» sin etiquetado manual, es un ejemplo claro de cómo la búsqueda acelera todo el ciclo de «detectar el problema, reunir datos y reentrenar».

Por qué SQL convencional no bastaba

WeRide, una compañía cotizada en Nasdaq, desarrolla tecnologías de conducción autónoma de los niveles 2 a 4. Realiza investigación, pruebas y operación comercial en más de 30 ciudades de siete países, y su flota de vehículos autónomos suma más de 1700 días en funcionamiento. Eso supone un flujo constante de datos multimodales. En 2023, Fei Chen asumió la dirección del equipo de infraestructura de datos, que tenía una misión: encontrar rápidamente datos que respondieran a un criterio concreto, sobre todo ejemplos raros para la «cola larga» de escenarios.

SQL no sirve aquí. La consulta «encuentra los fotogramas en los que hay una persona tendida en el suelo» no puede expresarse como una condición sobre columnas si la tabla no contiene esa etiqueta. Por eso las imágenes y el texto se convierten en vectores (embeddings) y la base de datos busca los más cercanos por significado.

Los requisitos para la plataforma eran estrictos:

  • latencia P99 en milisegundos (es decir, el 99% de las consultas se resuelve dentro de ese límite) al devolver el top 1000 de resultados para una consulta de texto o de imagen sobre miles de millones de registros;
  • búsqueda vectorial combinada con filtros por metadatos;
  • consumo mínimo de ancho de banda, para no interferir con el almacenamiento rápido que alimenta el entrenamiento de los modelos;
  • precio razonable y mantenimiento sencillo a medida que crecen los datos.

Cómo funciona el flujo de trabajo

Las imágenes y los vídeos de los vehículos se convierten en vectores. Junto con los metadatos, se cargan en LanceDB, que funciona sobre un clúster de almacenamiento propio, construido por el mismo equipo de infraestructura. LanceDB indexa los datos para acelerar la búsqueda. Llegan datos nuevos de forma continua, de modo que la reindexación se ejecuta según un calendario: una vez por semana y una vez al mes. Es un compromiso práctico: el índice no se actualiza al instante, pero el sistema resulta más simple y barato.

La búsqueda en sí funciona así. El ingeniero escribe un texto como «persona tendida en la carretera» o muestra una imagen de referencia. La consulta se convierte en un embedding, la base de datos localiza vectores similares y aplica a la vez filtros por campos de metadatos. El top 1000 de resultados pasa por la fase de preparación de características (feature engineering) y pasa a formar parte del conjunto de entrenamiento.

Qué ha conseguido la compañía y qué salvedades hay

La cifra principal del caso: la extracción de datos sobre casos poco frecuentes y críticos para la seguridad pasó de 1 semana a 1 hora. Además, WeRide informa de un aumento de la productividad de los desarrolladores de ML en la exploración de datos y la depuración, así como de una reducción del tiempo de entrenamiento de los modelos gracias a una entrada y salida de datos más eficiente. El texto del caso no ofrece porcentajes concretos de estas dos mejoras, por lo que no es posible evaluar su magnitud.

La salvedad es evidente: el material se publicó en el blog del propio proveedor, junto con el cliente. No hay una comparación independiente con otras bases de datos vectoriales, y tampoco se indican el coste del clúster ni la precisión de la búsqueda. Las frases según las cuales LanceDB se convertirá en una «herramienta imprescindible» conviene leerlas como marketing. El equipo también prevé usar la base de datos para analizar el estilo de conducción y personalizar los viajes.

Qué conviene llevarse

Primero, formule los requisitos de una base de datos vectorial en términos de latencia P99, filtros por metadatos y carga sobre el almacenamiento, y no en función de benchmarks llamativos sobre datasets ajenos. En producción casi nadie busca por un vector «puro»; los filtros siempre hacen falta.

Segundo, si los datos se destinan a entrenamiento y no a responder a un usuario en tiempo real, suele bastar con una reindexación programada (una vez por semana o al mes).

Tercero, mida el valor de la búsqueda no en milisegundos, sino en la duración del ciclo de trabajo del equipo. Reducir de una semana a una hora la recopilación de ejemplos raros aporta más que acelerar el propio entrenamiento. Este enfoque también sirve para robots, imágenes médicas, videovigilancia y cualquier producto cuya calidad dependa de los casos poco frecuentes.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Por qué SQL convencional no bastaba?

WeRide, una compañía cotizada en Nasdaq, desarrolla tecnologías de conducción autónoma de los niveles 2 a 4. Realiza investigación, pruebas y operación comercial en más de 30 ciudades de siete países, y su flota de vehículos autónomos suma más de 1700 días en funcionamiento. Eso supone un flujo constante de datos multimodales.

Cómo funciona el flujo de trabajo?

Las imágenes y los vídeos de los vehículos se convierten en vectores. Junto con los metadatos, se cargan en LanceDB, que funciona sobre un clúster de almacenamiento propio, construido por el mismo equipo de infraestructura. LanceDB indexa los datos para acelerar la búsqueda. Llegan datos nuevos de forma continua, de modo que la reindexación se ejecuta según un calendario: una vez por semana y una vez al mes.

¿Qué se sabe sobre Qué ha conseguido la compañía y qué salvedades hay?

La cifra principal del caso: la extracción de datos sobre casos poco frecuentes y críticos para la seguridad pasó de 1 semana a 1 hora. Además, WeRide informa de un aumento de la productividad de los desarrolladores de ML en la exploración de datos y la depuración, así como de una reducción del tiempo de entrenamiento de los modelos gracias a una entrada y salida de datos más eficiente. El texto del caso no ofrece porcentajes concretos de estas dos mejoras, por lo que no es posible evaluar su magnitud.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…