Bien kjører, kartet vokser. 🐝🗺️ MIP-24 for Bee-belønninger går live på mandag. Start motorene.

Bi-stasjoner. Kartet vokser. Jo flere ganger vi ser et gitt sted, jo bedre.

Mer Hivemapper Bees frakt 💪

Hvis du jobber* hos Astronomer og er på utkikk etter en ny jobb. Slå meg opp. (*med mindre du jobber i HR eller er administrerende direktør)

RT @Bfaviero: dette er den beste tiden i historien å jobbe med krypto Klarhet i regelverket. Legitime brukstilfeller. Global adopsjon. Instituttet...

Når Hivemapper Bee kjører, vokser kartet. Slik ser en bit SF ut etter bare én time med et halvt dusin bier på veien.

For omtrent en måned siden erklærte noen «eksperter» at DePIN var på vei til null. Siden den gang er HNT opp 53 %. De kan tvitre, DePIN vil bygge.

Hvis bare Emma hadde hatt en Hivemapper Bee, ville hun hatt riktig fartsgrenseinformasjon ;-)

Krypto har fire typer mennesker: 1. Intellektuelle som debatterer teori i det uendelige 2. Desentralisering maxis besatt av renhetstester 3. Degens jakter på dopamintreff 4. Byggherrer som lager nyttige ting Vi har mange av de tre første. Det er på tide med flere byggherrer👷

Manuell kvalitetssikring skalerer ikke for moderne datasamlebånd – for sakte, for dyrt, for sprøtt. @Hivemapper bygde opprinnelig en enorm menneskebasert Map QA-dataplattform med > 20 000 menneskelige redaktører. Vi har slettet 85 % av denne plattformen i løpet av de siste 6 månedene og erstattet den med ulike AI-funksjoner. Det er tre viktige deler av den nye AI-plattformen 1. AI-validatorer Validatorer er ansvarlige for å sikre datanøyaktighet for fartsgrenser, bensinpriser, vertikale høydebegrensninger, veibredder og mer. De graderer i utgangspunktet leksene som Bee gjør, og når Bee gjorde en feil i for eksempel en fartsgrense fanget den som 25 mph i motsetning til 35 mph, så korrigerer den det. Det er flere modeller som kjøres, og da må alle oppnå konsensus. Her presterer de fleste AI-modellene bra, og vi har sett utmerket ytelse selv ved bruk av eldre modeller fra OpenAI og Phi. For øyeblikket anbefaler vi ikke Claude for disse visjonsbaserte AI-valideringsoppgavene. 2. AI-posisjonering Dette er litt vanskeligere, men i utgangspunktet ønsker vi å sikre at objektene er godt plassert og skiltene er knyttet til de riktige kjørefeltene med riktig asimut. De fleste av de grunnleggende AI-modellene har ennå ikke en sterk følelse av tredimensjonalt rom, men vi forventer at dette vil endre seg snart. Kevin Weil, CPO hos OpenAI sa: "AI-modellene du bruker i dag er de verste AI-modellene du vil bruke resten av livet." Vår tilnærming her er å fange opp åpenbare posisjoneringsfeil ved at jeg mener er det en fartsgrense midt på veien, er det en verktøystolpe innenfor grensene til en bygning, er det et stoppskilt som ikke er på linje med et kryss osv. Det er andre teknikker her som jeg vil spare til et annet innlegg. 3. AI-omskolering Bien kjører de slutningsbaserte AI-modellene som bygger kartet på kanten. Vi trener imidlertid først disse modellene i skyen, og nøkkelen her er å finne interessante kanttilfeller som reduserer fremtidige feil. For eksample, et 55 mph fartsgrenseskilt festet bak på en lastebil som vist nedenfor er ikke et statisk fartsgrenseskilt. Konteksten rundt disse objektene forteller oss mye om objektene i seg selv, og derfor lærer vi Bees AI-modeller å forstå denne konteksten. I utgangspunktet trenger du hundrevis av millioner veikilometerdekning for å se et meningsfullt antall kanttilfeller. Det er bra Hivemapper har det.