Nomadic lève 8,4 millions de dollars pour convertir des vidéos de drones en ensembles de données d'entraînement

Nomadic a levé 8,4 millions de dollars lors d'une levée d'amorçage pour résoudre l'un des principaux problèmes d'infrastructure de l'industrie du transport autonome : que faire avec les volumes colossaux de données vidéo générés en continu par les véhicules autonomes et les robots. L'entreprise a développé une plateforme basée sur l'apprentissage profond qui convertit automatiquement les flux vidéo bruts des caméras de systèmes autonomes en ensembles de données structurés et consultables. Plutôt que de passer des mois à annoter manuellement des téraoctets d'enregistrements, les développeurs de robots et de véhicules autonomes obtiennent des bases de données annotées prêtes à l'emploi.

L'ampleur du problème que résout Nomadic est facile à sous-estimer. Un seul véhicule autonome équipé d'une suite standard de capteurs—caméras, lidars, radars—peut générer entre un et plusieurs téraoctets de données par heure. Multipliez cela par une flotte de centaines ou de milliers de véhicules opérant dans des programmes d'essai et commerciaux dans le monde entier, et l'ampleur de la tâche devient claire : nous parlons de pétaoctets de matériel vidéo qui doivent être stockés, traités et rendus appropriés pour former la prochaine génération de modèles.

L'approche traditionnelle—annotation manuelle des données via des plates-formes d'externalisation—fonctionne, mais elle est lente et coûteuse. La nouvelle approche de Nomadic : automatiser l'ensemble du processus à l'aide de son propre modèle d'apprentissage profond, entraîné à comprendre le contexte dans les environnements automobiles et robotiques.

Le résultat pratique : les ingénieurs peuvent non seulement stocker les enregistrements vidéo, mais aussi les utiliser comme une base de données à part entière. Vous pouvez soumettre une requête comme « trouver toutes les scènes où un piéton traverse la route dans des conditions de mauvais éclairage » ou « afficher les cas où le véhicule a rencontré un obstacle non reconnu »—et obtenir des épisodes pertinents en secondes, plutôt qu'en semaines d'examen manuel.

La levée d'investissement de 8,4 millions de dollars semble modeste par rapport aux investissements de plusieurs milliards de dollars dans le développement des systèmes autonomes eux-mêmes, mais reflète une compréhension croissante du marché : l'infrastructure de données est un composant aussi critique que les algorithmes de perception. Sans une gestion efficace des données d'entraînement, le développement de la technologie autonome atteint un plafond opérationnel.

Nomadic opère dans une niche qui devient de plus en plus compétitive à mesure que le marché des systèmes autonomes mûrit. L'intérêt pour les outils de gestion des données ML a augmenté après que les principaux acteurs aient 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 dans le domaine des systèmes autonomes émerge de l'ombre. Si auparavant ces entreprises restaient des fournisseurs invisibles pour les grands acteurs, aujourd'hui les investisseurs commencent à voir une valeur indépendante en elles—de manière analogue à la façon dont les outils pour développeurs sont devenu un segment SaaS distinct de plusieurs milliards de dollars.

Nomadic parie que le gagnant de cette course sera celui qui donnera en premier aux développeurs de véhicules autonomes une réponse à la question : que faisons-nous avec toutes ces vidéos.