Popularne tematy
#
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
Budujemy świeższe mapy dla ludzkości.
Dołącz do zdecentralizowanej globalnej społeczności maperów. Zdobywaj nagrody. Zmieniaj świat. Zbudowany na @solana, domu #DePIN.
Użytkownik Hivemapper udostępnił ponownie
Ręczna kontrola jakości nie skaluje się w nowoczesnych potokach danych — jest zbyt wolna, zbyt kosztowna, zbyt krucha.
@Hivemapper początkowo zbudował ogromną platformę danych Map QA opartą na ludziach z ponad 20 000 ludzkich redaktorów. Usunęliśmy 85% tej platformy w ciągu ostatnich 6 miesięcy i zastąpiliśmy ją różnymi możliwościami AI.
Są trzy kluczowe części nowej platformy AI:
1. Walidatory AI
Walidatory są odpowiedzialni za zapewnienie dokładności danych dotyczących ograniczeń prędkości, cen paliw, ograniczeń wysokości, szerokości dróg i nie tylko. W zasadzie oceniają pracę, którą wykonuje Bee, a gdy Bee popełni błąd, na przykład zarejestruje ograniczenie prędkości jako 25 mph zamiast 35 mph, to je poprawia. Uruchamiane są różne modele, które muszą osiągnąć konsensus. Tutaj większość modeli AI działa dobrze, a my widzieliśmy doskonałe wyniki, nawet korzystając ze starszych modeli OpenAI i Phi. W tej chwili nie polecamy Claude do tych zadań walidacji AI opartych na wizji.
2. Pozycjonowanie AI
To jest trochę trudniejsze, ale w zasadzie chcemy zapewnić, że obiekty są dobrze umiejscowione, a znaki są przypisane do odpowiednich pasów z odpowiednim azymutem. Większość podstawowych modeli AI jeszcze nie ma silnego poczucia przestrzeni trójwymiarowej, ale spodziewamy się, że to wkrótce się zmieni.
Kevin Weil, CPO w OpenAI powiedział: "Modele AI, których używasz dzisiaj, są najgorszymi modelami AI, które będziesz używać przez resztę swojego życia.”
Nasze podejście polega na wychwytywaniu oczywistych błędów w pozycjonowaniu, co oznacza, czy w środku drogi znajduje się ograniczenie prędkości, czy słup energetyczny znajduje się w granicach budynku, czy znak stopu nie jest wyrównany z skrzyżowaniem itd. Istnieją inne techniki, które zachowam na inny post.
3. Ponowne szkolenie AI
Bee uruchamia modele AI oparte na wnioskowaniu, które budują mapę na krawędzi. Jednak najpierw szkolimy te modele w chmurze, a kluczowe jest znalezienie interesujących przypadków brzegowych, które zmniejszają przyszłe błędy. Na przykład, znak ograniczenia prędkości 55 mph przymocowany do tylnej części ciężarówki, jak pokazano poniżej, nie jest statycznym znakiem ograniczenia prędkości. Kontekst otaczający te obiekty wiele mówi o samych obiektach, dlatego uczymy modele AI Bee, aby rozumiały ten kontekst. Fundamentem jest to, że potrzebujesz setek milionów kilometrów dróg, aby zobaczyć znaczną liczbę przypadków brzegowych. Dobrze, że Hivemapper to ma.
2,88K
Najlepsze
Ranking
Ulubione