Az adatmunka dönti el a fizikai AI sikereit — a Voxel51 kutatása szerint
A sikeres fizikai AI-csapatok majdnem háromszor több időt fordítanak az adatmunkára, mint a nehézségekkel küzdők, derül ki a 700 szakértőt vizsgáló IEEE Spectrum-jelentésből.
A vizuális és fizikai AI területe már mérhető értéket mutat a csapatok 78%-ának, ám 74% még mindig úgy érzi, az alulfinanszírozott a lehetőségeihez képest. A terület fejlődése a fizikai világból származó adatokra tevődik át, mint a videó, LiDAR-adatok vagy szenzorfolyamok. (IEEE Spectrum AI)
Adatminőség és hibák forrása
A felmérés szerint az adatokkal kapcsolatos problémák okozzák a modellhibák többségét. A sikeres csapatoknál az adatok gyűjtése helyett azok gondos kiválogatása és minőségbiztosítása döntő a sikerben. Ez az adatmunka, nem pedig a puszta adatgyűjtés választja el a működő rendszereket a megrekedtektől.
Költséghatékonyság és kurálás
A kutatás rávilágít, hogy az adatok annotálása továbbra is költséges és pazarló. Sok csapat címkéz fel mindent, majd a gyártás előtt nagy részét eldobja. Az adatok kurálása sokkal fontosabbnak bizonyul, mint a nagyobb architektúrák kergetése.
A megkérdezett szakemberek 92%-a úgy véli, a terület a fizikai világból származó adatok feldolgozása felé halad. A Voxel51 által támogatott jelentés szerint az adatok minősége és a hozzáértő adatmunka kulcsfontosságú a fizikai AI-modellek sikeres bevetésében, nem pedig a pusztán a nagyobb számítási kapacitás vagy a több adat.