Parallel Domain giới thiệu công cụ tạo dữ liệu tổng hợp dựa trên trí tuệ nhân tạo mang tên Reactor, được tích hợp các công nghệ AI tiên tiến và khả năng mô phỏng 3D độc quyền. Công cụ này nhằm mục đích cung cấp cho các nhà phát triển máy học khả năng kiểm soát và khả năng mở rộng, giúp tạo dữ liệu được chú thích đầy đủ nhằm nâng cao hiệu suất và tạo ra các hệ thống AI an toàn hơn và linh hoạt hơn cho các ứng dụng trong thế giới thực. Theo công ty, Reactor nâng cao hiệu suất AI trong các ngành công nghiệp khác nhau, chẳng hạn như xe tự hành và máy bay không người lái. Công cụ này cũng cho phép các nhà phát triển ML nhanh chóng lặp lại và tinh chỉnh các mô hình của họ, giảm thời gian quay vòng và đẩy nhanh tiến độ phát triển AI. #ParallelDomain #Reactor #AI #ML #SanFrancisco
Tham gia cùng các giám đốc điều hành hàng đầu tại San Francisco vào ngày 11-12 tháng 7, để nghe cách các nhà lãnh đạo đang tích hợp và tối ưu hóa các khoản đầu tư AI để thành công. Tìm hiểu thêm
Nền tảng dữ liệu tổng hợp Miền song song hôm nay đã công bố ra mắt Reactor, một công cụ tạo dữ liệu tổng hợp tiên tiến tích hợp các công nghệ AI tổng hợp tiên tiến với khả năng mô phỏng 3D độc quyền. Nền tảng này nhằm mục đích cung cấp cho các nhà phát triển máy học (ML) khả năng kiểm soát và khả năng mở rộng, cho phép họ tạo dữ liệu được chú thích đầy đủ nhằm nâng cao hiệu suất AI và thúc đẩy việc tạo ra các hệ thống AI an toàn hơn và linh hoạt hơn cho các ứng dụng trong thế giới thực.
Theo công ty, Reactor nâng cao hiệu suất AI trong các ngành công nghiệp khác nhau, chẳng hạn như xe tự hành và máy bay không người lái, bằng cách tạo ra hình ảnh chất lượng cao. Ngoài ra, công cụ khai thác sức mạnh của trí tuệ nhân tạo để tạo dữ liệu có chú thích, đây là một yêu cầu quan trọng đối với các tác vụ ML.
Bằng cách tạo cả hộp giới hạn (để phát hiện đối tượng) và chú thích phân đoạn toàn cảnh (cung cấp chế độ xem toàn diện/toàn cảnh), Reactor đảm bảo rằng các mô hình AI có thể sử dụng dữ liệu trực quan một cách hiệu quả, mang lại kết quả chính xác và đáng tin cậy hơn.
“Công nghệ AI tổng hợp độc quyền của chúng tôi cho phép người dùng tạo và thao tác dữ liệu tổng hợp bằng lời nhắc ngôn ngữ tự nhiên trực quan, đồng thời tạo các nhãn tương ứng cần thiết để đào tạo và thử nghiệm các mô hình ML,” Kevin McNamara, Giám đốc điều hành và người sáng lập Parallel Domain, nói với VentureBeat. “Khả năng tạo ra các ví dụ tổng hợp đa dạng của Reactor đã dẫn đến những cải tiến đáng kể về hiệu suất trong các nhiệm vụ như phân đoạn người đi bộ và phát hiện mảnh vỡ cũng như xe đẩy em bé. Khả năng tăng cường tính đa dạng của tập dữ liệu, đặc biệt đối với các lớp hiếm, góp phần vào việc đào tạo các mô hình vượt trội.”
Sự kiện
Chuyển đổi 2023
Hãy tham gia cùng chúng tôi tại San Francisco vào ngày 11-12 tháng 7, nơi các giám đốc điều hành hàng đầu sẽ chia sẻ cách họ đã tích hợp và tối ưu hóa các khoản đầu tư vào AI để đạt được thành công và tránh những cạm bẫy phổ biến.
Đăng ký ngay
Lặp lại và sàng lọc mô hình ML nhanh chóng
Công ty cho biết công cụ của họ trao quyền cho người dùng tạo ra nhiều loại dữ liệu tổng hợp để đào tạo và thử nghiệm các mô hình nhận thức. Điều này đạt được bằng cách tích hợp Python và ngôn ngữ tự nhiên, loại bỏ nhu cầu tạo nội dung tùy chỉnh tốn thời gian và hợp lý hóa quy trình làm việc để nâng cao hiệu quả. Do đó, các nhà phát triển ML có thể nhanh chóng lặp lại và tinh chỉnh các mô hình của họ, giảm thời gian quay vòng và đẩy nhanh tiến độ phát triển AI.
McNamara nói với VentureBeat: “Việc tích hợp các công nghệ này vào nền tảng của chúng tôi cho phép người dùng tạo dữ liệu bằng Python và các lệnh ngôn ngữ tự nhiên, nâng cao tính linh hoạt của việc tạo dữ liệu tổng hợp. “Reactor trang bị cho các nhà phát triển ML khả năng kiểm soát và khả năng mở rộng, xác định lại bối cảnh tạo dữ liệu tổng hợp. Với Reactor, người dùng có thể tạo hầu hết mọi nội dung trong vài giây bằng lời nhắc bằng ngôn ngữ tự nhiên.”
Tận dụng AI tổng hợp để tăng cường đường ống dữ liệu tổng hợp
Theo McNamara, trong khi các công ty khác sử dụng AI tổng quát để tạo dữ liệu hấp dẫn trực quan, thì chúng không thể sử dụng để đào tạo các mô hình ML mà không có chú thích. Lò phản ứng khắc phục hạn chế này bằng cách tạo dữ liệu được chú thích đầy đủ, giúp tăng cường quy trình ML và cho phép các nhà phát triển tạo ra các hệ thống AI an toàn hơn và hiệu quả hơn.
McNamara nói với VentureBeat: “Chúng tôi khai thác mô phỏng 3D và AI tổng quát để tạo ra một lượng lớn dữ liệu tổng hợp chi tiết, thực tế. “AI sáng tạo cho phép tạo ra các kịch bản và đối tượng đa dạng, trong khi mô phỏng 3D bổ sung tính hiện thực vật lý, đảm bảo tính mạnh mẽ của các mô hình AI được đào tạo trên dữ liệu này. Trước đây, các mô hình tổng quát đã phải vật lộn để hiểu những gì chúng đang tạo ra, khiến chúng rất kém trong việc cung cấp các chú thích như hộp giới hạn và phân đoạn toàn cảnh, vốn rất quan trọng để đào tạo và thử nghiệm các mô hình AI.”
McNamara nói rằng công cụ này cung cấp nhiều tùy chọn tùy chỉnh cảnh và dữ liệu. Ngoài ra, tính năng tạo nền thích ứng của nó cho phép dễ dàng sửa đổi các cảnh được tạo, cho phép các mô hình ML khái quát hóa trên nhiều môi trường khác nhau. Chẳng hạn, người dùng có thể biến khung cảnh ngoại ô California thành khung cảnh trung tâm thành phố Tokyo nhộn nhịp.
Tạo hình ảnh trực quan
Theo McNamara, lời nhắc bằng ngôn ngữ tự nhiên của Reactor giới thiệu một cách trực quan để tạo ra các biến thể hình ảnh. Người dùng có thể sửa đổi các hình ảnh hiện có bằng cách sử dụng các lời nhắc đơn giản như “làm cho hình ảnh này trông giống như một cơn bão tuyết” hoặc “đặt những hạt mưa lên ống kính”. Quy trình tùy chỉnh hợp lý này giúp loại bỏ nhu cầu chờ tạo nội dung tùy chỉnh, cải thiện hiệu quả và thời gian quay vòng.
McNamara giải thích: “Tính năng tạo nền thích ứng trong Reactor làm phong phú thêm sự đa dạng của môi trường đào tạo cho các mô hình ML. “Điều này mở rộng các kịch bản mà mô hình có thể được đào tạo, giúp nó nhận biết và phản ứng tốt hơn với các điều kiện khác nhau trong thế giới thực.”
Các kiến trúc thế hệ cho phép các mô hình hiểu cấu trúc của các đối tượng được tạo và các cảnh bên dưới, tạo điều kiện thuận lợi cho việc trích xuất pixel và hiểu ngữ nghĩa không gian từ các lớp trong quy trình tạo. Điều này dẫn đến các chú thích hoàn toàn tự động và chính xác.
Dữ liệu tổng hợp đa dạng, sát thực hơn
Sử dụng Python, người dùng có thể cấu hình linh hoạt bộ dữ liệu tổng hợp bằng cách chọn các tham số khác nhau như địa điểm (San Francisco, Tokyo), môi trường (đô thị, ngoại ô, đường cao tốc), điều kiện thời tiết và phân phối tác nhân (người đi bộ và phương tiện).
Sau khi bộ dữ liệu cơ bản được định cấu hình, người dùng có thể sử dụng Reactor để nâng cao dữ liệu tổng hợp của họ với tính đa dạng và chân thực hơn. Bằng cách sử dụng lời nhắc bằng ngôn ngữ tự nhiên, người dùng có thể đưa nhiều loại đồ vật và tình huống vào cảnh, chẳng hạn như “thùng rác”, “hộp các tông chứa đầy kính râm rơi vãi trên mặt đất”, “thùng gỗ đựng cam” hoặc “xe đẩy”.
Lò phản ứng tạo dữ liệu tổng hợp với các chú thích cần thiết — bao gồm các hộp giới hạn và phân đoạn toàn cảnh — tăng tốc đáng kể việc đào tạo và thử nghiệm mô hình ML.
McNamara cho biết công cụ này “cách mạng hóa” quy trình tạo nội dung tùy chỉnh truyền thống, thường bao gồm quy trình thiết kế tốn thời gian, cấu hình thủ công và tích hợp bởi các nghệ sĩ hoặc nhà phát triển.
McNamara nói thêm: “Các tính năng tùy chỉnh nhanh do AI cung cấp cải thiện hiệu quả và tăng thời gian quay vòng. “Kết quả là, các nhà phát triển có thể tạo và tích hợp nội dung mới vào bộ dữ liệu tổng hợp của họ gần như ngay lập tức, cho phép lặp lại nhanh hơn và cải tiến liên tục các mô hình của họ.”
Thông tin chi tiết về hình ảnh cho xe tự hành
Công ty cho biết họ đã quan sát thấy những cải tiến đáng kể về độ an toàn của xe tự hành và hệ thống hỗ trợ người lái tiên tiến cho ô tô (ADAS). Nó cũng tuyên bố rằng thông qua các kỹ thuật khuếch tán tiên tiến, công cụ này gần đây đã đạt được kết quả đáng chú ý trong các tình huống thực tế.
Hơn nữa, công ty nhấn mạnh rằng công cụ này gần đây đã cải thiện đáng kể kết quả phân đoạn ngữ nghĩa trên các ứng dụng được đánh giá cao. Bộ dữ liệu cảnh quan thành phố — một tiêu chuẩn được công nhận rộng rãi cho lái xe tự hành.
McNamara giải thích: “Dữ liệu trong thế giới thực thường thiếu các ví dụ đào tạo đầy đủ cho những đối tượng ít phổ biến hơn nhưng cực kỳ quan trọng này. “Lò phản ứng đã được sử dụng để tạo dữ liệu tổng hợp mô tả các tình huống khác nhau liên quan đến xe đẩy để thu hẹp khoảng cách này. Bằng cách đưa dữ liệu tổng hợp này vào tập huấn luyện, các mô hình có thể học hỏi và khái quát hóa tốt hơn việc phát hiện xe đẩy trong các tình huống thực tế, từ đó nâng cao độ an toàn của các hệ thống tự trị.”
Ông nói thêm rằng đối với bộ dữ liệu Cityscapes, các phiên bản tổng hợp của các đoàn tàu đã được Reactor tạo ra và đưa vào bộ dữ liệu.
McNamara cho biết: “Dữ liệu phong phú này giúp cải thiện hiệu suất của mô hình trong việc phát hiện và phân đoạn các đoàn tàu, góp phần tạo ra các hệ thống lái xe tự động an toàn hơn và hiệu quả hơn.
Ông nói thêm rằng một số khách hàng của Parallel Domain gần đây đã bắt đầu kết hợp khả năng của Lò phản ứng vào quy trình phát triển AI của họ. Mặc dù vẫn còn ở giai đoạn đầu, công ty rất vui mừng về tiềm năng của Reactor trong việc nâng cao các mô hình ML.
McNamara cho biết: “Cả khách hàng và nhóm ML Miền song song đều đã đào tạo các mô hình cho các trường hợp đã đánh bại đáng kể hiệu suất cơ bản trước đó. “Điều này là do số lượng ví dụ đa dạng của Reactor làm tăng đáng kể tính đa dạng của tập dữ liệu. Dữ liệu đa dạng đào tạo các mô hình tuyệt vời và chúng tôi đang xác định lại bối cảnh tạo dữ liệu tổng hợp.”
Sứ mệnh của VentureBeat là trở thành một quảng trường thành phố kỹ thuật số để những người ra quyết định kỹ thuật có được kiến thức về công nghệ doanh nghiệp chuyển đổi và giao dịch. Khám phá Briefings của chúng tôi.
[ad_2]
