La startup autónoma Waabi acaba de lograr una ganancia neta de $ 83,5 millones, ¿cómo?

No es el mejor momento para las nuevas empresas de automóviles autónomos. El año pasado, las grandes empresas de tecnología adquirieron nuevas empresas que se estaban quedando sin efectivo y las empresas de transporte privado cerraron costosos proyectos de automóviles autónomos. sin perspectivas de estar listo para la producción en el corto plazo.

Sin embargo, en medio de esta recesión, Waabi, una startup de autos autónomos con sede en Toronto, acaba de salir del sigilo con una increíble cantidad de $ 83.5 millones en una ronda de financiamiento Serie A liderada por Khosla Ventures, con participación adicional de Uber. , 8VC, Radical Ventures, OMERS Ventures, BDC y Aurora Innovation. Los patrocinadores financieros de la empresa también incluyen Geoffrey Hinton, Fei-Fei Li, Peter Abbeel y Sanja Fidler, científicos de inteligencia artificial con gran influencia en la academia y la comunidad de IA aplicada.

¿Qué hace que Waabi esté calificado para tal apoyo? Según la empresa comunicado de prensa, Waabi tiene como objetivo resolver el desafío de “escala” de la investigación de vehículos autónomos y “llevar tecnología de conducción autónoma comercialmente viable a la sociedad”. Esos son dos desafíos clave de la industria de los automóviles autónomos y se mencionan en numerosas ocasiones en el comunicado.

Lo que Waabi describe como su “próxima generación de tecnología de conducción autónoma” aún no ha pasado la prueba del tiempo. Pero su plan de ejecución proporciona pistas sobre las direcciones que podría tomar la industria de los vehículos autónomos.


Recomendado: ¿Qué es el Big data?.


Mejores simulaciones y algoritmos de aprendizaje automático

Según el comunicado de prensa de Waabi: “El enfoque tradicional para diseñar vehículos autónomos da como resultado una pila de software que no aprovecha al máximo el poder de la IA y que requiere un ajuste manual complejo y que requiere mucho tiempo. Esto hace que escalar sea costoso y técnicamente desafiante, especialmente cuando se trata de resolver situaciones de conducción menos frecuentes e impredecibles “.

Las principales empresas de vehículos autónomos han conducido sus coches por carreteras reales durante millones de millas. para entrenar sus modelos de aprendizaje profundo. La formación en carreteras reales es costosa tanto en términos de logística como de recursos humanos. También está plagado de desafíos legales, ya que las leyes que rodean las pruebas de vehículos autónomos varían en diferentes jurisdicciones. Sin embargo, a pesar de toda la capacitación, la tecnología de los vehículos autónomos tiene dificultades para manejar los casos de las esquinas, situaciones raras que no se incluyen en los datos de capacitación. Estos crecientes desafíos hablan de los límites de la tecnología actual de los vehículos autónomos.


Recomendado: Todos los términos del Big data.


Así es como Waabi afirma resolver estos desafíos (el énfasis es mío): “El avance de la compañía, Enfoque de IA primero, desarrollado por un equipo de tecnólogos líderes en el mundo, aprovecha aprendizaje profundo, inferencia probabilística y optimización compleja para crear software que sea Entrenador de principio a fin, interpretable y capaz de razonamientos muy complejos.. Esto, junto con un revolucionario simulador de circuito cerrado que tiene un nivel de fidelidad sin precedentes, permite realizar pruebas a escala de tanto en escenarios de conducción comunes como en casos extremos críticos para la seguridad. Este enfoque significativamente reduce la necesidad de conducir millas de prueba en el mundo real y da como resultado una solución más segura y asequible “.

Hay mucha jerga ahí (mucha de la cual probablemente sea jerga de marketing) que necesita ser aclarada. Me comuniqué con Waabi para obtener más detalles y actualizaré esta publicación si recibo noticias de ellos.

Con “enfoque de IA primero”, supongo que quieren decir que pondrán más énfasis en la creación de mejores modelos de aprendizaje automático y menos en tecnología complementaria como lidars, radares y datos de mapeo. El beneficio de tener una gran cantidad de software son los bajos costos de actualización de la tecnología. Y habrá muchas actualizaciones en los próximos años a medida que los científicos continúen encontrando formas de eludir los límites de la IA autónoma.

La combinación de “aprendizaje profundo, razonamiento probabilístico y optimización compleja” es interesante, aunque no constituye un gran avance. La mayoría de los sistemas de aprendizaje profundo utilizan inferencias no probabilísticas. Proporcionan una salida, digamos una categoría o un valor predicho, sin dar el nivel de incertidumbre sobre el resultado. El aprendizaje profundo probabilístico, por otro lado, también proporciona la confiabilidad de sus inferencias, lo que puede ser muy útil en aplicaciones críticas como la conducción.

Los modelos de aprendizaje automático “capacitables de extremo a extremo” no requieren funciones de ingeniería manual. Esto significa que una vez que haya desarrollado la arquitectura y determinado las funciones de pérdida y optimización, todo lo que necesita hacer es proporcionar el modelo de aprendizaje automático con ejemplos de entrenamiento. La mayoría de los modelos de aprendizaje profundo se pueden entrenar de principio a fin. Algunas de las arquitecturas más complicadas requieren una combinación de características y conocimientos diseñados a mano junto con componentes entrenables.

Por último, la “interpretabilidad” y el “razonamiento” son dos de los desafíos clave del aprendizaje profundo. Las redes neuronales profundas están compuestas por millones y miles de millones de parámetros. Esto hace que sea difícil solucionarlos cuando algo sale mal (o encontrar problemas antes de que suceda algo malo), lo que puede ser un verdadero desafío en escenarios críticos como conducir automóviles. Por otro lado, el falta de poder de razonamiento y comprensión causal hace que sea muy difícil para los modelos de aprendizaje profundo manejar situaciones que no han visto antes.

De acuerdo a Cobertura de TechCrunch del lanzamiento de Waabi, Raquel Urtasan, directora general de la empresa, describió el sistema de inteligencia artificial que utiliza la empresa como una “familia de algoritmos”.

“Cuando se combinan, el desarrollador puede rastrear el proceso de decisión del sistema de IA e incorporar conocimientos previos para no tener que enseñarle todo al sistema de IA desde cero”, escribió TechCrunch.

Crédito: CARLA