Nomadic lève 8,4 millions de dollars pour transformer les vidéos de véhicules autonomes en datasets d'entraînement

La start-up Nomadic a levé 8,4 millions de dollars lors d'un tour d'amorçage pour s'attaquer à l'un des principaux problèmes d'infrastructure de l'industrie du transport autonome : que faire des volumes colossaux de vidéo que les voitures autonomes et les robots génèrent en continu. L'entreprise a développé une plateforme de deep learning qui transforme automatiquement le flux vidéo brut des caméras de systèmes autonomes en datasets structurés et interrogeables. Au lieu de passer des mois à annoter à la main des téraoctets d'enregistrements, les développeurs de robots et de véhicules autonomes obtiennent une base de données annotée prête à l'emploi.

L'ampleur du problème que résout Nomadic est facile à sous-estimer. Une seule voiture autonome dotée d'un ensemble standard de capteurs (caméras, lidars, radars) peut générer d'un à plusieurs téraoctets de données par heure. Multipliez cela par une flotte de centaines ou de milliers de véhicules engagés dans des programmes de test et commerciaux à travers le monde, et l'enjeu apparaît : il s'agit de pétaoctets de vidéo à stocker, à traiter et à rendre exploitables pour entraîner les prochaines générations de modèles.

L'approche traditionnelle, l'annotation manuelle via des plateformes d'externalisation, fonctionne, mais elle est lente et coûteuse. La nouvelle approche de Nomadic consiste à automatiser tout le processus avec son propre modèle de deep learning, entraîné à comprendre le contexte des scènes dans les environnements automobiles et robotiques.

Résultat concret : les ingénieurs peuvent non seulement stocker les enregistrements, mais aussi les exploiter comme une véritable base de données. On peut saisir une requête du type « trouver toutes les scènes où un piéton s'engage sur la chaussée par mauvais éclairage » ou « afficher les cas où la voiture a heurté un obstacle non reconnu », et obtenir les séquences pertinentes en quelques secondes plutôt qu'après des semaines de visionnage manuel.

Un tour de 8,4 millions de dollars paraît modeste face aux milliards investis dans le développement des systèmes autonomes eux-mêmes, mais il traduit une prise de conscience croissante du marché : l'infrastructure de données est un composant aussi critique que les algorithmes de perception. Sans gestion efficace des données d'entraînement, le développement des technologies autonomes se heurte à un plafond opérationnel.

Nomadic évolue sur une niche de plus en plus concurrentielle à mesure que le marché des systèmes autonomes mûrit. L'intérêt pour les outils de gestion de données de ML a bondi après que de grands acteurs ont reconnu publiquement que la qualité des données d'entraînement est l'un de leurs principaux avantages concurrentiels.

La catégorie des outils de traitement et d'annotation de données pour les systèmes autonomes sort de l'ombre. Alors que ces entreprises restaient autrefois des fournisseurs discrets des grands acteurs, les investisseurs commencent aujourd'hui à leur reconnaître une valeur propre, à l'image des outils pour développeurs devenus un segment SaaS distinct de plusieurs milliards de dollars.

Nomadic parie que le vainqueur de cette course sera celui qui, le premier, apportera aux développeurs de systèmes autonomes une réponse à la question : que faire de toutes ces vidéos ?