Startup NomadicML zebrał 8,4 mln dolarów na platformę AI do analizy wideo z autonomicznych aut. Rozwiązanie ma pomóc firmom takim jak Zoox w treningu robotów.
W skrócie:
- NomadicML pozyskał 8,4 miliona dolarów finansowania w rundzie seed przy wycenie 50 milionów. Rundzie przewodził fundusz TQ Ventures z udziałem m.in. Jeffa Deana.
- Platforma rozwiązuje problem “martwych danych” – 95% nagrań z flot autonomicznych pojazdów leży w archiwach, bo ich ręczna analiza jest niemożliwa i nieskalowalna.
- To nie jest zwykły system do etykietowania, lecz “agent rozumujący”, który potrafi samodzielnie wyszukiwać w nagraniach złożone i rzadkie scenariusze (tzw. edge cases).
Wyobraźmy sobie firmę rozwijającą flotę autonomicznych pojazdów. Codziennie jej samochody generują tysiące godzin nagrań wideo. Gdzieś w tym cyfrowym oceanie kryją się bezcenne dane – te kilka sekund, gdy system zachował się niepewnie, albo ten ułamek chwili, gdy na drodze wydarzyło się coś absolutnie nieprzewidywalnego. To właśnie te momenty, tak zwane edge cases, są kluczem do stworzenia naprawdę inteligentnej maszyny. Problem? Ktoś musi te nagrania obejrzeć. Wszystkie.
Nawet przy przyspieszonym odtwarzaniu to syzyfowa praca. Większość danych – według szacunków nawet 95% – ląduje w archiwach i nikt nigdy do nich nie wraca. I tu na scenę wchodzi NomadicML, startup założony przez dwóch absolwentów informatyki z Harvardu, CEO Mustafę Bala i CTO Varuna Krishnana. Obaj, pracując wcześniej w firmach takich jak Lyft czy Snowflake, wielokrotnie zderzali się z tym samym murem. Ich rozwiązanie ma zamienić ten chaos w ustrukturyzowaną, przeszukiwalną bazę wiedzy.
Jak znaleźć igłę w stogu cyfrowego siana?
NomadicML nie jest kolejnym narzędziem do manualnego oznaczania obiektów na filmach. To platforma oparta na modelach językowo-wizualnych, która rozumie kontekst. Zamiast pytać “pokaż mi wszystkie czerwone samochody”, inżynier może zadać znacznie bardziej złożone pytanie: “znajdź każdy moment, w którym nasz pojazd przejechał na czerwonym świetle, ale tylko wtedy, gdy ruchem kierował policjant”. Albo: “wyizoluj wszystkie przejazdy pod mostem o konkretnej konstrukcji”.
Dla firm takich jak Zoox, Mitsubishi Electric czy Zendar, które już korzystają z platformy, to rewolucja. Antonio Puglielli, wiceprezes ds. inżynierii w Zendar, przyznaje, że narzędzie NomadicML pozwoliło jego firmie skalować prace znacznie szybciej niż alternatywa w postaci outsourcingu. “Ich specjalistyczna wiedza wyróżnia ich na tle konkurencji” – podkreśla.
Mustafa Bal w rozmowie z TechCrunch ujął to prosto: “Dostarczamy ludziom wgląd w ich własne nagrania, w to, co napędza ich autonomiczne pojazdy i roboty. To właśnie to, a nie przypadkowe dane, popycha twórców autonomicznych systemów do przodu”.
8,4 miliona dolarów na agenta, który rozumie
Potencjał tego podejścia dostrzegli inwestorzy. Startup ogłosił właśnie zamknięcie rundy seed o wartości 8,4 miliona dolarów, przy wycenie sięgającej 50 milionów. Rundzie przewodził fundusz TQ Ventures, a wzięli w niej udział również Pear VC oraz sam Jeff Dean, jedna z legend Google AI. Pieniądze pozwolą firmie na przyjęcie nowych klientów i dalsze doskonalenie platformy, która miesiąc temu zdobyła główną nagrodę w konkursie dla startupów na konferencji Nvidia GTC.
Rynek oczywiście nie śpi. Ugruntowani gracze, tacy jak Scale AI czy Kognic, również rozwijają narzędzia oparte na AI. Sama Nvidia wypuściła rodzinę modeli open source Alpamayo, które można adaptować do podobnych zadań. Varun Krishnan twierdzi jednak, że ich produkt to coś więcej niż tylko system do etykietowania. Nazywa go “agentowym systemem rozumującym: opisujesz, czego potrzebuje, a on sam wymyśla, jak to znaleźć”. Wykorzystuje do tego wiele modeli, aby zrozumieć akcję i osadzić ją w kontekście.
Schuster Tanger, partner w TQ Ventures, który prowadził rundę, jest przekonany, że specjalizacja wygra. “To ten sam powód, dla którego Salesforce nie buduje własnej chmury, a Netflix własnych centrów dystrybucji treści” – tłumaczy. “W sekundzie, w której firma od pojazdów autonomicznych próbuje zbudować Nomadic wewnętrznie, odrywa się od tego, co daje jej przewagę, czyli od samego robota”.
Co mają wspólnego szachy z autonomiczną jazdą?
Siłą NomadicML jest zespół. Tanger chwali talenty firmy, zauważając, że CTO, Varun Krishnan, jest międzynarodowym mistrzem szachowym, sklasyfikowanym na 1549. miejscu na świecie. Sam Krishnan dodaje z dumą, że każdy z kilkunastu inżynierów firmy ma na koncie publikacje naukowe.
Teraz ten zespół pracuje nad kolejnymi wyzwaniami. Jedno z narzędzi ma na podstawie nagrań z kamery rozumieć fizykę zmiany pasa ruchu. Inne ma precyzyjnie określać pozycję chwytaków robota. Następnym krokiem, jak przyznają założyciele, będzie integracja danych niewizualnych – na przykład odczytów z czujników LiDAR – i łączenie informacji z wielu różnych sensorów.
“Żonglowanie terabajtami wideo, zderzanie ich z setkami modeli mających ponad 100 miliardów parametrów, a następnie wyciąganie z nich trafnych wniosków, jest naprawdę szalenie trudne” – podsumowuje Bal. Wygląda na to, że jego zespół znalazł na to sposób. I właśnie dostał solidny zastrzyk gotówki, by udowodnić to reszcie świata.