Annotell samler inn 24 millioner dollar for teknologi som tester autonome kjøretøyoppfattelsessystemer for å forbedre hvordan de fungerer

Ettersom bilindustrien sakte beveger seg fremover på veien mot selvkjørende kjøretøy, ser vi fremveksten av startups som tar sikte på å fylle noen av de tekniske hullene i autonome systemer slik de eksisterer i dag. I den siste utviklingen, Annotell, en oppstart fra Sverige som lager programvare for å vurdere ytelsen til autonome systems persepsjonsevner, og hvordan de kan forbedres, kunngjør i dag at de har samlet inn 24 millioner dollar for å utvide virksomheten.

Daniel Langkilde, medgründer og administrerende direktør i Annotell, sammenligner det selskapet gjør med "en synseksamen for biler, for at de skal få førerkortet sitt, akkurat som du kan ta en test for å avgjøre om du er skikket til å kjøre bil." sa han i et intervju. «Annotells plattform hjelper deg å forstå systemets ytelse og øke den. Vi veileder kundene våre om hvordan de kan forbedre det.» Det vil si at Annotells produkter omfatter analyser som tester og måler kvaliteten på et selskaps data, og "ground-truth"-produksjon for å forbedre disse datasettene.

Målet, la han til, er ikke perfeksjon, men forutsigbarhet, like viktig for de semi-autonome plattformene (f.eks. avanserte førerassistentsystemer) som eksisterer allerede i dag, som for de helt autonome bilene som mange håper å bygge for fremtiden. "Systemet er kanskje ikke alltid riktig, men du må vite hva det kan eller ikke kan gjøre for å bruke systemet trygt."

Serie A-runden ledes av Metaplanet – den estiske VC ledet av medgründeren av Skype Jaan Tallinn som sist også investerte i Starship Technologies og var en tidlig støttespiller av Google-oppkjøpte DeepMind – og NordicNinja – en japansk-støttet dypteknologisk investor. Tidligere støttespillere Ernström & Co og Sessan AB deltok også. Gøteborg-baserte Annotell har nå samlet inn 31 millioner dollar, og det avslører ikke verdivurdering, men for en eller annen sammenheng inkluderer kundene både en rekke av verdens største bilprodusenter, deres hovedleverandører og de store rendyrkede selvkjørende bilselskapene.

Gapet i markedet som Annotell ønsker å fylle er ganske kritisk: autonome systemer er bygget på enorme mengder kjøredata og maskinlæring som brukes til å behandle denne informasjonen for å "lære" disse plattformene det grunnleggende om kjøring.

Ved hjelp av datasyn kan disse systemene i sin tur gjenkjenne røde lys, eller en stoppende bil, eller når de skal svinge, og så videre. Problemet er at disse systemenes svar er basert på dataene de har blitt matet. Autonome systemer kan vanligvis ikke "resonnere" og ta spranget for å bestemme hvordan de skal svare på en ukjent variabel, for eksempel de som et kjøretøy uunngåelig vil møte i den virkelige verden.

"Maskinlæring er dårlig til å behandle sjeldne, men viktige ting," sa Langkilde.

Langkilde som grunnla Annotell sammen med Oscar Petersson - begge er fysikere som spesialiserer seg på dyp læring - sa at han møtte det problemet da han tidligere jobbet i et annet selskap, trusselintelligens-oppstarten Recorded Future, hvor han fikk i oppgave å samle etterretningsdata for å mate. og lære plattformen å identifisere trusler bedre. Ondsinnede hackere er nettopp fokusert på å finne hull for å skape sårbarheter, og det oppgraderte effektivt mye av arbeidet hans team ville gjøre for å identifisere mønstre for å redusere fremtidige angrep.

"Det fremhevet begrensningene for meg ved brute force machine learning når du utfører oppdragskritisk arbeid," sa han.

Autonome kjøresystemer står overfor mye av det samme problemet, men det er enda viktigere å gjøre det riktig, ikke minst fordi det er liv som står på spill hvis noe går galt. Dette bringer også inn flere nivåer av sikkerhet og kontroll som selskaper må gjennom for å bringe produktene sine ut på markedet, og få forbrukerne til å stole på og deretter kjøpe og bruke dem.

"For at folk skal stole på maskinlæring og AI, må vi ta sikkerhet på alvor," sa han. «Det er en enorm forskjell mellom å gi feil anbefaling på en filmtjeneste og å kjøre et stoppskilt eller å møte noen. Det tar vi også på alvor. Det er derfor vi ønsket å fokusere på problemet.» De ekstra lagene med sikkerhetsregulering peker i mellomtiden også til spesifikke brukstilfeller og markedsmuligheter for Annotell: det handler ikke bare om å forbedre systemene for kundene sine, men å lage en mengde data som byråer og regulatorer også kan stole på for å gi et bestemt produkt klaringen som skal brukes.

Annotells tilnærming til å komplementere det maskinlæring kan lære systemer er like progressiv som autonome systemer er i dag: delvis tester og formaliserer den begrensningene til systemer som i sin natur ikke er designet for å være fullstendig autonome (dette er systemene vi har i dag for å hjelpe , ikke erstatte, drivere). Over tid, sa han, kan fullstendig autonom også inkludere andre typer AI-tilnærminger, for eksempel Bayesian Networks som brukes til å bygge kausale slutningsalgoritmer. (En kausal AI-oppstart vi dekket forrige uke var mer dramatisk, hevder at kausal AI var det eneste håpet for at selvkjøring skulle bli en realitet, selv om det selv da er et stort sprang og det vil ta mye tid å realisere.)

For nå fokuserer imidlertid oppstarten sin teknologi på sikkerheten til systemer med en hvilken som helst grad av autonomi som allerede er innebygd, en enorm mulighet.

"Å sikre sikkerhet er hovedbegrensningen når det kommer til kommersiell utplassering av autonome kjøretøy, og Annotell har gjort store fremskritt på kort tid," sa Jaan Tallinn fra Metaplanet i en uttalelse. "Vi er imponert over programvaren deres så vel som teamet som bygde den, og vi er begeistret over å være med dem på denne reisen."

Kilde: https://techcrunch.com/2022/02/02/annotell-raises-24m-for-tech-that-tests-autonomous-vehicle-perception-systems-to-improve-how-they-work/