NomadicML recibe 8,4 millones para revolucionar datos en IA autónoma

La revolución del aprendizaje autónomo en la industria de la movilidad

El avance de la tecnología ha permitido la creación de máquinas autónomas que prometen transformar la manera en que interactuamos con nuestro entorno. Desde coches que se conducen solos hasta robots capaces de realizar tareas complejas en entornos industriales, el desarrollo de estos sistemas requiere de un entrenamiento exhaustivo y continuo. Sin embargo, el camino hacia la automatización total está lleno de obstáculos, especialmente cuando se trata de procesar y analizar grandes volúmenes de datos.

El problema del almacenamiento y análisis de datos en el sector autónomo

En el corazón de este desafío se encuentra la recopilación de datos, un proceso que a menudo implica miles, si no millones, de horas de grabaciones en vídeo. Estos datos son esenciales para el entrenamiento de modelos de inteligencia artificial (IA) que permiten que las máquinas aprendan y se adapten a situaciones del mundo real. Sin embargo, la gestión de esta enorme cantidad de información puede ser abrumadora. Actualmente, el proceso de organización y catalogación de estos vídeos recae en manos humanas, lo que se convierte en una tarea monumental. A pesar de que se puede acelerar el proceso mediante el avance rápido de los vídeos, este método no es escalable.

La necesidad de una solución que permita organizar y analizar eficientemente los datos se ha vuelto imperativa para las empresas que desarrollan tecnologías autónomas.

NomadicML, una startup emergente en este campo, ha surgido con una propuesta innovadora que busca cambiar las reglas del juego. Fundada por Mustafa Bal y Varun Krishnan, la empresa se centra en convertir las grabaciones en conjuntos de datos estructurados y buscables mediante el uso de modelos de lenguaje visual. Esta tecnología no solo mejora la supervisión de flotas, sino que también facilita la creación de conjuntos de datos únicos para el aprendizaje por refuerzo, lo que a su vez acelera la iteración y mejora del rendimiento de los sistemas autónomos.

Financiación y reconocimiento en la industria

Recientemente, NomadicML ha anunciado una ronda de financiación inicial de 8,4 millones de dólares, lo que eleva su valoración a 50 millones de dólares. Este capital, liderado por TQ Ventures y con la participación de Pear VC y Jeff Dean, permitirá a la empresa aumentar su base de clientes y seguir refinando su plataforma. Además, la startup ha sido reconocida en la reciente competición de pitches de Nvidia GTC, donde se alzó con el primer premio, lo que demuestra el interés y la necesidad de su tecnología en el mercado actual.

La historia de los fundadores es también digna de mención. Ambos se conocieron mientras estudiaban informática en Harvard y, tras trabajar en empresas como Lyft y Snowflake, se dieron cuenta de que enfrentaban los mismos retos técnicos de forma constante. Esta experiencia compartida les motivó a crear una solución que no solo abordara estos problemas, sino que también ofreciera a las empresas una herramienta eficaz para mejorar su capacidad de análisis de datos.

Casos de uso en el mundo real

La plataforma de NomadicML está diseñada para ofrecer a sus clientes una visión más profunda de sus propios datos. Esto resulta especialmente valioso en el ámbito de los vehículos autónomos (AV) y los robots. Por ejemplo, en situaciones donde un AV debe tomar decisiones complejas, como atravesar un semáforo en rojo bajo la dirección de un agente de policía, o identificar cuándo un vehículo pasa por debajo de un puente específico, la tecnología de Nomadic permite que estos incidentes sean catalogados y analizados de manera eficiente. Esto no solo ayuda en el cumplimiento de normativas, sino que también alimenta directamente los pipelines de entrenamiento de los modelos de IA.

Entre sus clientes se encuentran empresas reconocidas como Zoox, Mitsubishi Electric, Natix Network y Zendar, las cuales ya están utilizando la plataforma para desarrollar máquinas inteligentes. Antonio Puglielli, vicepresidente de ingeniería de Zendar, ha comentado que la herramienta de Nomadic les ha permitido escalar su trabajo mucho más rápido que si hubieran optado por externalizar el proceso, destacando que la experiencia específica de la empresa los distingue de otros competidores en el mercado.

La capacidad de Nomadic para proporcionar datos precisos y relevantes es crucial para el avance de la IA física y la automatización en diversas industrias.

El futuro de la anotación automática

La herramienta de auto-anotación basada en modelos que está desarrollando Nomadic se está consolidando como un flujo de trabajo clave en la IA física. Empresas de etiquetado de datos como Scale, Kognic y Encord están explorando el uso de herramientas de IA para realizar esta tarea, mientras que Nvidia ha lanzado modelos de código abierto, conocidos como Alpamayo, que pueden adaptarse para abordar estos problemas. Sin embargo, Varun Krishnan sostiene que su herramienta va más allá de un simple etiquetador; se trata de un "sistema de razonamiento agente: describes lo que necesita y encuentra la manera de localizarlo", utilizando múltiples modelos para entender las acciones que tienen lugar y contextualizarlas adecuadamente.

Los inversores en NomadicML tienen grandes expectativas en cuanto a su enfoque en la infraestructura específica para el análisis de datos. Schuster Tanger, un socio de TQ Ventures que lideró la ronda de financiación, señala que “la misma razón por la que Salesforce no construye su propia nube y Netflix no crea sus propias instalaciones de distribución de contenido se aplica aquí”. A medida que las empresas de vehículos autónomos intentan desarrollar internamente una solución como la de Nomadic, corren el riesgo de distraerse de lo que realmente les permite ganar en el mercado: la creación de robots efectivos.

Innovaciones en el análisis de datos

El equipo de NomadicML está comprometido en el desarrollo de herramientas específicas que puedan abordar las necesidades del sector. Por ejemplo, están trabajando en un sistema que comprende la física de los cambios de carril a partir de imágenes de cámaras, así como otro que puede determinar ubicaciones más precisas para los agarres de un robot en un vídeo. Sin embargo, el verdadero desafío para Nomadic y sus clientes radica en desarrollar herramientas similares para datos no visuales, como las lecturas de sensores lidar, o en integrar datos de sensores a través de múltiples modos.

“Jugar con terabytes de vídeo, cruzando eso con cientos de modelos de más de 100 mil millones de parámetros, y luego extraer sus conclusiones precisas, es realmente increíblemente difícil”, comenta Bal. A medida que la tecnología avanza y las empresas buscan formas de optimizar sus procesos, la capacidad de Nomadic para innovar y adaptarse será crucial para mantener su posición en un mercado en constante evolución.

La necesidad de herramientas eficaces para gestionar y analizar datos en el ámbito de la movilidad autónoma se ha vuelto más evidente que nunca. A medida que la industria sigue avanzando hacia la automatización total, la capacidad de las empresas para utilizar sus datos de manera eficiente determinará su éxito en un entorno competitivo. Con soluciones como las que ofrece NomadicML, el futuro de la movilidad autónoma parece más prometedor.