Temas en tendencia
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Hivemapper
Construimos mapas más frescos para la humanidad.
Únete a una comunidad global descentralizada de mapeadores. Gana recompensas. Cambia el mundo. Construido en @solana, el hogar de #DePIN.
Hivemapper reposteó
El control de calidad manual no se escala para las canalizaciones de datos modernas: es demasiado lento, demasiado caro y demasiado frágil.
@Hivemapper inicialmente construyó una enorme plataforma de datos de control de calidad de mapas basada en humanos con > 20.000 editores humanos. Eliminamos el 85% de esta plataforma en los últimos 6 meses y la reemplazamos con varias capacidades de IA.
Hay tres partes clave de la nueva plataforma de IA
1. Validadores de IA
Los validadores son responsables de garantizar la precisión de los datos sobre los límites de velocidad, los precios de la gasolina, las restricciones de altura vertical, los anchos de las carreteras, etc. Básicamente, están calificando la tarea que hace la abeja, y cuando la abeja cometió un error en, digamos, un límite de velocidad lo capturó como 25 mph en lugar de 35 mph, entonces lo corrige. Hay varios modelos que se ejecutan y luego todos deben llegar a un consenso. Aquí, la mayoría de los modelos de IA funcionan bien, y hemos visto un rendimiento excelente incluso utilizando modelos más antiguos de OpenAI y Phi. Por el momento, no recomendamos a Claude para estas tareas de validación de IA basadas en la visión.
2. Posicionamiento de IA
Esto es un poco más complicado, pero básicamente queremos asegurarnos de que los objetos estén bien colocados y que las señales estén asociadas a los carriles correctos con el acimut correcto. La mayoría de los modelos fundamentales de IA aún no tienen un fuerte sentido del espacio tridimensional, pero esperamos que esto cambie pronto.
Kevin Weil, CPO de OpenAI, dijo: "Los modelos de IA que estás utilizando hoy son los peores modelos de IA que usarás por el resto de tu vida".
Nuestro enfoque aquí es detectar errores de posicionamiento obvios, es decir, si hay un límite de velocidad en el medio de la carretera, si hay un poste de servicios públicos dentro de los límites de un edificio, si hay una señal de alto que no esté alineada con una intersección, etc. Hay otras técnicas aquí que guardaré para otro post.
3. Reentrenamiento de la IA
The Bee está ejecutando los modelos de IA basados en inferencias que construyen el mapa en el borde. Sin embargo, primero entrenamos estos modelos en la nube y la clave aquí es encontrar casos extremos interesantes que reduzcan los errores futuros. Por ejemplo, una señal de límite de velocidad de 55 mph adjunta a la parte trasera de un camión, como se muestra a continuación, no es una señal de límite de velocidad estática. El contexto que rodea a estos objetos nos dice mucho sobre los objetos en sí, por lo que estamos enseñando a los modelos de IA de Bee a comprender este contexto. Básicamente, se necesitan cientos de millones de kilómetros de carretera para ver un número significativo de casos extremos. Menos mal que Hivemapper tiene eso.
2.88K
Populares
Ranking
Favoritas