Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarLanceDB Blog→ original

WeRide ramène de une semaine à une heure la recherche d'images dangereuses rares pour ses véhicules autonomes, grâce à LanceDB

Les situations rares, comme une personne allongée sur la chaussée, sont indispensables à l'entraînement d'un véhicule autonome. Mais impossible de les retrouver avec du SQL classique parmi des milliards d'images. WeRide a donc branché la base vectorielle LanceDB : l'ingénieur saisit une phrase ou une image et obtient en quelques millisecondes 1000 images similaires. La collecte de ces cas dangereux est passée de 1 semaine à 1 heure. Si vous disposez de nombreuses images non annotées, la recherche sémantique sera vite rentabilisée.

Traité par IA depuis LanceDB Blog ; édité par Hamidun News
WeRide ramène de une semaine à une heure la recherche d'images dangereuses rares pour ses véhicules autonomes, grâce à LanceDB
Source : LanceDB Blog. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireLanceDB Blog ↗
Rédacteur en chef
P99 en millisecondes99 % des requêtes sur des milliards d'enregistrements respectent la limite
Chiffre clé #2L'index est reconstruit une fois par semaine et une fois par mois, la fraîcheur n'est pas critique
Chiffre clé #3Les embeddings et les métadonnées sont stockés dans le système de stockage propre à WeRide

Pour un véhicule autonome, le plus difficile n'est pas la route ordinaire, mais les situations dangereuses rares : par exemple, une personne allongée sur la chaussée. Ces épisodes sont infimes dans les enregistrements des caméras, radars et lidars, et c'est précisément sur eux que le modèle apprend le moins bien. Auparavant, les ingénieurs de WeRide mettaient une semaine entière à rassembler ces cas pour l'entraînement.

Depuis l'adoption de la base de données vectorielle LanceDB (elle cherche non pas sur des valeurs exactes dans des colonnes, mais sur le sens d'une image ou d'une phrase), ce processus prend environ une heure. Pour toute équipe qui possède beaucoup d'images, de vidéos ou d'autres données « lourdes » sans annotation manuelle, c'est un exemple concret de la façon dont la recherche accélère tout le cycle « repérer le problème, collecter les données, réentraîner ».

Pourquoi le SQL classique ne suffisait pas

WeRide, société cotée au Nasdaq, développe des technologies de conduite autonome de niveaux 2 à 4. Elle mène des recherches, des tests et des opérations dans plus de 30 villes de sept pays, et sa flotte de véhicules autonomes roule depuis plus de 1700 jours. Cela représente un flux continu de données multimodales. En 2023, Fei Chen a pris la tête de l'équipe d'infrastructure de données, avec une mission : trouver rapidement les données correspondant à un critère précis, avant tout des exemples rares pour la « longue traîne » des scénarios.

Le SQL est ici impuissant. La requête « trouve les images où une personne est allongée au sol » ne peut pas s'écrire comme une condition sur des colonnes si la table ne contient pas cette annotation. Les images et le texte sont donc transformés en vecteurs (embeddings), et la base recherche les plus proches par le sens.

Les exigences posées à la plateforme étaient strictes :

  • une latence P99 de l'ordre de la milliseconde (c'est-à-dire que 99 % des requêtes respectent cette limite) pour renvoyer le top 1000 des résultats d'une requête textuelle ou par image, sur des milliards d'enregistrements ;
  • une recherche vectorielle combinée à des filtres sur les métadonnées ;
  • une consommation minimale de bande passante, afin de ne pas gêner le stockage rapide qui alimente l'entraînement des modèles ;
  • un coût raisonnable et une maintenance simple à mesure que les données augmentent.

Comment fonctionne le pipeline

Les images et les vidéos des véhicules sont converties en vecteurs. Elles sont chargées avec leurs métadonnées dans LanceDB, qui s'appuie sur un cluster de stockage maison, construit par la même équipe d'infrastructure. LanceDB indexe les données pour accélérer la recherche. De nouvelles données arrivent en permanence, si bien que la réindexation est déclenchée selon un calendrier : une fois par semaine et une fois par mois. C'est un compromis pragmatique : l'index n'est pas mis à jour instantanément, mais le système est plus simple et moins coûteux.

La recherche elle-même se déroule ainsi. L'ingénieur saisit un texte du type « personne allongée sur la route » ou fournit une image de référence. La requête est convertie en embedding, la base trouve les vecteurs similaires et applique en même temps des filtres sur les champs de métadonnées. Le top 1000 des résultats passe ensuite par l'étape de préparation des features (feature engineering) et rejoint le jeu d'entraînement.

Ce que l'entreprise a obtenu, et les réserves à garder en tête

Le chiffre clé de ce cas : l'extraction de données sur les cas rares critiques pour la sécurité est passée de 1 semaine à 1 heure. WeRide fait aussi état d'une meilleure productivité des développeurs ML pour l'exploration des données et le débogage, ainsi que d'une réduction du temps d'entraînement des modèles grâce à des entrées-sorties de données plus efficaces. Le texte du cas client ne donne pas de pourcentages précis pour ces deux améliorations, il est donc impossible d'en mesurer l'ampleur.

La réserve est évidente : le document est publié sur le blog du fournisseur lui-même, en collaboration avec son client. Il n'existe aucune comparaison indépendante avec d'autres bases vectorielles, et ni le coût du cluster ni la précision de la recherche ne sont indiqués. Les affirmations selon lesquelles LanceDB deviendra un « outil indispensable » sont à lire comme du marketing. L'équipe compte également utiliser la base pour analyser le style de conduite et personnaliser les trajets.

Ce qu'il faut en retenir

Premièrement, formulez vos exigences pour une base vectorielle en termes de latence P99, de filtres sur les métadonnées et de charge sur le stockage, plutôt qu'à partir de benchmarks flatteurs sur des datasets d'autres équipes. En production, presque personne ne cherche sur un vecteur « pur » : les filtres sont toujours nécessaires.

Deuxièmement, si les données servent à l'entraînement et non à répondre en temps réel à un utilisateur, une réindexation planifiée (une fois par semaine ou par mois) suffit généralement.

Troisièmement, mesurez la valeur de la recherche non pas en millisecondes, mais à la durée du cycle de travail de l'équipe. Comprimer la collecte d'exemples rares d'une semaine à une heure rapporte davantage que d'accélérer l'entraînement lui-même. Cette approche vaut aussi pour la robotique, l'imagerie médicale, la vidéosurveillance et tout produit dont la qualité dépend des cas rares.

Dossier

Questions clés sur cet article

Pourquoi le SQL classique ne suffisait pas?

WeRide, société cotée au Nasdaq, développe des technologies de conduite autonome de niveaux 2 à 4. Elle mène des recherches, des tests et des opérations dans plus de 30 villes de sept pays, et sa flotte de véhicules autonomes roule depuis plus de 1700 jours. Cela représente un flux continu de données multimodales.

Comment fonctionne le pipeline?

Les images et les vidéos des véhicules sont converties en vecteurs. Elles sont chargées avec leurs métadonnées dans LanceDB, qui s'appuie sur un cluster de stockage maison, construit par la même équipe d'infrastructure. LanceDB indexe les données pour accélérer la recherche. De nouvelles données arrivent en permanence, si bien que la réindexation est déclenchée selon un calendrier : une fois par semaine et une fois par mois.

Que sait-on sur Ce que l'entreprise a obtenu, et les réserves à garder en tête ?

Le chiffre clé de ce cas : l'extraction de données sur les cas rares critiques pour la sécurité est passée de 1 semaine à 1 heure. WeRide fait aussi état d'une meilleure productivité des développeurs ML pour l'exploration des données et le débogage, ainsi que d'une réduction du temps d'entraînement des modèles grâce à des entrées-sorties de données plus efficaces. Le texte du cas client ne donne pas de pourcentages précis pour ces deux améliorations, il est donc impossible d'en mesurer l'ampleur.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ 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
Qu'en pensez-vous ?
Chargement des commentaires…