Nomadic želi postati hrbtenica podatkov za avtonomna vozila

Uvod

Če avtonomna vozila kaj dobro znajo, je to ustvarjanje podatkov. Ure in ure videa, lidarja in telemetrije nastajajo hitreje, kot jih lahko kdorkoli pregleda. V večini flot danes več kot 90 % posnetkov konča v arhivu, kjer nikoli več ne pridejo na dan. NomadicML cilja prav na ta problem: iz surovih posnetkov želi narediti strukturirano »gorivo« za učenje modelov. To ni le še en labeling servis, ampak poskus, da se zgradi nova podatkovna plast za fizično umetno inteligenco. V nadaljevanju analiziramo, kaj podjetje dejansko ponuja, zakaj so investitorji pripravljeni staviti milijone in kaj to pomeni za Evropo – tudi za Slovenijo.

Novica na kratko

Po poročanju TechCruncha je NomadicML zbral 8,4 milijona dolarjev semenskega kapitala pri vrednotenju 50 milijonov dolarjev po investiciji. Rundo je vodil sklad TQ Ventures, sodelovali so še Pear VC in nekdanji vodja Googlovega raziskovalnega oddelka za umetno inteligenco Jeff Dean. Podjetje, ki sta ga ustanovila Mustafa Bal in Varun Krishnan, razvija platformo, ki videoposnetke iz avtonomnih vozil in robotov samodejno pretvori v strukturiran, iskalni podatkovni nabor z uporabo sklopa vidno‑jezikovnih modelov.

Ciljni uporabniki so ekipe, katerih flote ustvarjajo ogromne količine posnetkov, večina pa danes ostane neuporabljena, ker je ročni pregled predrag. Nomadicov sistem odkriva robne primere, podpira nadzor nad floto in generira specializirane nize za učenje z okrepljevanjem. Med prvimi strankami so Zoox, Mitsubishi Electric, Natix Network in Zendar. Podjetje je nedavno zmagalo na podjetniškem natečaju Nvidia GTC in zdaj razvija podporo tudi za podatke lidarja ter drugih senzorjev.

Zakaj je to pomembno

Ključna vrednost Nomadica ni v tem, da nadomesti ljudi, ki rišejo okvirčke po slikah, ampak v tem, da prevzame odločanje, katerih dogodkov se sploh splača dotakniti. Fizični sistemi z umetno inteligenco – od robotaksijev do avtonomnih viličarjev – danes generirajo petabajte podatkov. A treniramo na drobcu tega oceana, ker je vse drugo predrago ali prezapleteno za obdelavo.

Če lahko Nomadic zanesljivo spremeni surove posnetke flot v nekakšen »video SQL« – poizvedbe v slogu: »najdi vse prečkanje rdeče luči pod nadzorom policista«, »izlušči vse menjave pasu na mokrem cestišču ponoči« ali »poišči primere zdrsa robotskega prijemala« – se razmerja moči spremenijo. Manjša podjetja, ki si ne morejo privoščiti velikih internih orodjarskih ekip, naenkrat dobijo dostop do zmogljivosti, ki so bile doslej domena tehnoloških velikanov.

Zmagovalci so razvojne ekipe, ki morajo dokazovati varnost in širiti področja uporabe brez eksponentne rasti stroškov dela in grafičnih procesorjev. Potencialni poraženci so klasične labeling agencije, ki temeljijo predvsem na ročnem delu in generičnih orodjih. Hkrati pa tak pristop odpira občutljiva vprašanja: kdo odloča, kateri dogodki so »pomembni«? Ali bomo imeli modele, izjemno optimizirane za nekaj spektakularnih robnih primerov, z vrzelmi pri vsakdanjih situacijah?

Na strateški ravni gre za stavo, da se bo v fizični umetni inteligenci vrednost skoncentrirala v vertikalnih podatkovnih plasteh – analogijah Snowflaka za senzorske podatke – in ne v monolitnih, vse‑v‑enem avtonomnih skladih.

Širši kontekst

Investicija v Nomadic se lepo ujema s tremi širšimi trendi v industriji.

Prvič, težišče se seli od razvoja osnovnih modelov zaznavanja k razvoju podatkovnih pogonov za te modele. Uveljavljena podjetja, kot so Scale, Kognic in Encord, pospešeno vgrajujejo umetno inteligenco v svoje labeling procese. Nvidia je objavila družino odprtokodnih modelov Alpamayo za podobne naloge. Nomadic skuša stopničko višje: ne le samodejno označevanje objektov, ampak agentski sistem, ki razume daljše sekvence, kontekst in iz njih sam zgradi izredno specifične nize podatkov.

Drugič, fizična umetna inteligenca zapušča laboratorije. Avtonomni taksiji, dostavni roboti po pločnikih, kmetijski in industrijski roboti – vsi so odvisni od strategij, ki so tako dobre, kot so dobri podatki, na katerih so nastale. Svet oblačne infrastrukture je to že doživel: ko so AWS in drugi poenostavili strežnike, se je boj za dodano vrednost preselil na podatkovne platforme, kot sta Snowflake in Databricks. Podobno se zdaj dogaja pri robotiki: osnovne modele zaznavanja lahko kupite ali vzamete iz odprte kode, težje je zgraditi stroj za stalno izboljševanje na podlagi realnih voženj.

Tretjič, pojavlja se nova generacija tako imenovanih agentskih sistemov, ki razbijejo naravni jezikovni zahtevek na več podnalog, ga pošljejo različnim specializiranim modelom in iterativno izboljšujejo rezultate. Znani koncept RAG iz sveta besedil se seli na video in multimodalne senzorje. To presega avtomobile: podobne izzive imajo industrijski pregledi, varnostni sistemi, celo športna analitika.

Nomadic je zato test, ali bodo to naslednjo plast orodij spet monopolizirali hiperscalerji ali pa imajo specializirani startupi prostor za trajnejšo nišo.

Evropski in regionalni vidik

Evropa je zanimiva kombinacija: močna avtomobilska industrija in strogi regulatorji. Nemški, francoski in skandinavski proizvajalci že preizkušajo višje stopnje avtomatizacije, od avtocestnih pilotov do avtonomnih mestnih shuttlejev. Hkrati pa GDPR, Zakon o digitalnih storitvah in novi Akt o umetni inteligenci postavljajo stroge zahteve glede zbiranja, anonimizacije in sledljivosti učnih podatkov.

Orodja, kot je Nomadic, bodo lahko ključna za dokazovanje skladnosti. Če bo moral proizvajalec pred regulatorjem pokazati, da je sistem resnično validiran na določenih robnih primerih – interakcije s kolesarji, postopanje pešcev na prehodih, intervencije policije – bo potreboval natančen indeks dogodkov v svojih flotnih zapisih. Transparentnost nad tem, kateri posnetki so šli v učenje in zakaj, bo iz tehničnega postala pravna zahteva.

Za Evropsko unijo je pomemben tudi vidik digitalne suverenosti. Velik del industrije se želi izogniti popolni odvisnosti od ameriških oblakov in orodij. To odpira prostor za lokalne alternative Nomadicu, morda zgradene na evropskih oblakih z zagotovljeno hrambo podatkov znotraj EU. Slovenska podjetja, ki razvijajo logistične ali industrijske robote, ter raziskovalne skupine v Ljubljani in Mariboru, se bodo morala odločiti: bodo uporabila globalne rešitve ali gradila lastne, bolj nišne platforme.

Za slovenski trg, kjer nimamo lastnih velikih flot robotaksijev, je bolj realen scenarij uporabe pri avtonomni logistiki, pametnih skladiščih, mobilnih robotih v proizvodnji in pri nadzoru infrastrukture (energetska omrežja, železnice). Tudi tam velja: kdor bo imel bolje strukturirane podatke, bo hitreje ustvarjal konkurenčne modele.

Pogled naprej

V naslednjih treh letih bo ključno vprašanje, ali lahko Nomadic iz zanimivega orodja postane neodstranljiva komponenta razvojnih procesov. Podpora videu je šele začetek; resni avtonomni sistemi združujejo kamere, lidar, radar, GPS, inercijske senzorje in podrobne zemljevide. Iskanje preko vseh teh virov hkrati – na primer: »najdi vse primere, kjer je lidar zaznal oviro, kamera pa ne« – je tehnično izjemno zahtevno, a strateško dragoceno.

Poslovno bosta zanimivi dve stvari. Prvič, kako se bo Nomadic pozicioniral do velikih oblakov in Nvidie, ki lahko podobne funkcije vgradijo neposredno v svojo infrastrukturo. In drugič, ali mu bo uspelo prepričati zadržane, varnostno občutljive panoge – med njimi evropske avtomobilske in industrijske proizvajalce –, da jim zunanji ponudnik lahko varneje in učinkoviteje upravlja s podatki kot lastne ekipe.

Vredni spremljanja bodo prvi javni primeri, kjer bo takšno orodje neposredno povezano z odobritvijo regulatorja ali z merljivim izboljšanjem varnosti. Hkrati je realistično pričakovati, da bodo večji proizvajalci poskusili graditi lastne interne rešitve ali podpreti odprtokodne projekte. Če se bodo ti izkazali za težke za vzdrževanje, bo centraliziran pristop, kot ga ponuja Nomadic, postajal bolj privlačen.

Največje odprto vprašanje pa ostaja upravljanje. Kako v tak sistem vgraditi politike zasebnosti, anonimizacijo registrskih tablic in obrazov, pravila hrambe in izbrisa? Kako zagotoviti, da algoritmi za iskanje zanimivih primerov sami ne vnašajo pristranskosti v to, kar modeli vidijo? To niso zgolj etične dileme, ampak tudi konkurenčna prednost za tiste, ki jih bodo prepričljivo rešili.

Sklep

Semenska runda Nomadica je majhna v primerjavi z milijardami, ki letijo v modele, a kaže premik težišča: pri fizični umetni inteligenci postaja ključno, kdo obvladuje podatkovno plast med senzorjem in modelom. Vsaka resna ekipa za avtonomna vozila ali robotiko bo kmalu potrebovala podobna orodja – vprašanje je le, ali bodo evropski igralci pri tem zgolj kupci ali tudi soustvarjalci. Kje bi vi, kot razvijalec ali odločevalec v regiji, želeli imeti nadzor nad svojimi podatkovnimi cevovodi?