Команда Eventual представила решение для работы с огромными массивами данных в задачах физического ИИ, таких как автономное вождение или робототехника. Фреймворк Daft позволяет эффективно индексировать и запрашивать мультимодальные данные, включая видео и сенсорные логи, что значительно ускоряет процесс поиска специфических сценариев для обучения моделей и тестирования систем в реальных условиях.
Традиционные подходы к хранению данных часто не справляются с объемом и сложностью информации, генерируемой датчиками роботов. Daft предлагает распределенный движок запросов, который оптимизирует операции с неструктурированными данными, позволяя инженерам выполнять сложные SQL-подобные выборки по видеопотокам и метаданным без необходимости предварительной ручной разметки каждого кадра.
Использование подобных инструментов критически важно для масштабирования обучения моделей, работающих в физическом мире. Возможность быстро находить «редкие события» в петабайтах данных сокращает цикл итерации при дообучении нейросетей, позволяя компаниям быстрее переходить от прототипов к надежным автономным системам, способным корректно обрабатывать нестандартные дорожные ситуации.
Ключевые факты
- Daft оптимизирован для работы с мультимодальными данными, включая видео, лидары и телеметрию.
- Фреймворк поддерживает SQL-интерфейс для выполнения сложных аналитических запросов к неструктурированным наборам данных.
- Решение позволяет сократить время поиска специфических сценариев (edge cases) с нескольких дней до минут.
- Технология ориентирована на разработчиков систем автономного вождения и робототехники, работающих с крупномасштабными датасетами.