Voxel51 3.0 داده‌های چندوجهی هوش مصنوعی فیزیکی را یکپارچه می‌کند

پلتفرم Voxel51 در نسخه ۳.۰ مجموعه‌ای از ابزارهای جست‌وجو، گزینش، برچسب‌گذاری و ارزیابی داده را در یک محیط واحد گرد آورده است؛ تغییری که به گفته شرکت، برای تیم‌های سازنده مدل‌های هوش مصنوعی فیزیکی طراحی شده است. این گروه از سامانه‌ها با محیط واقعی تعامل دارند و از داده‌هایی مانند تصویر، ویدئو و جریان حسگرها استفاده می‌کنند؛ از جمله در ربات‌ها، خودروها و کارخانه‌ها. گزارش معرفی این نسخه روز یکشنبه ۲۶ مهر ۱۴۰۵ منتشر شده است.

Voxel51 می‌گوید نسخه تازه، پشتیبانی پلتفرم را از ریشه‌های تصویری خود فراتر می‌برد و امکان کار با داده‌های چندوجهی را فراهم می‌کند. منظور از داده چندوجهی، ترکیب قالب‌ها و منابع متفاوتی مانند تصویر، صدا، داده‌های زمانی و اطلاعات حسگرهاست. شرکت همچنین Voxel51 Agent، ابزارهای تازه برای ثبت منشأ داده و دسترسی خودخدمت رایگان را به قابلیت‌های این نسخه افزوده است.

قابلیت‌های پلتفرم Voxel51 برای داده‌های چندوجهی

یکی از تغییرهای اصلی، امکان مشاهده چند جریان حسگر روی یک خط زمانی مشترک است. برای مثال، تیم می‌تواند داده‌های هم‌زمان را در کنار یکدیگر ببیند و بخش‌هایی از یک ضبط طولانی را که برای آموزش یا بررسی مهم هستند، پیدا کند. به گفته گزارش، تعبیه‌سازی‌های سطح قطعه نیز برای یافتن لحظه‌های مشخص در ضبط‌های طولانی به کار می‌روند. تعبیه‌سازی، نمایش عددی داده است که امکان مقایسه و جست‌وجوی شباهت میان نمونه‌ها را فراهم می‌کند.

سامانه برچسب‌گذاری Voxel51 3.0 داده‌های دوبعدی و سه‌بعدی، ویدئو و داده‌های چندوجهی را پوشش می‌دهد. این مجموعه شامل کنترل خودکار کیفیت، سنجه‌هایی برای عملکرد برچسب‌زن‌ها و بازبینی انسانی است. در قابلیت «برچسب‌گذاری عامل‌محور»، مدل‌های بینایی‌ـ‌زبان می‌توانند بر پایه دستورهای زبانی و نمونه‌های ارائه‌شده برچسب تولید کنند؛ نتیجه‌ای که همچنان می‌تواند وارد فرایند بازبینی انسانی شود.

فهرست قالب‌های پشتیبانی‌شده در گزارش شامل MCAP، تصویر، ویدئو، ابرنقاط سه‌بعدی، مش‌ها، DICOM، NIfTI، داده‌های جغرافیایی و صداست. این تنوع برای تیم‌هایی اهمیت دارد که داده‌هایشان فقط به عکس و ویدئو محدود نیست و باید اطلاعات حسگرها یا داده‌های پزشکی و مکانی را نیز مدیریت کنند.

جست‌وجوی ترکیبی و به‌روزرسانی تدریجی

Voxel51 Search از نمایه ترکیبی و ماندگار استفاده می‌کند. طبق توضیح شرکت، سامانه مجموعه‌داده‌ها را نمایه‌سازی و تعبیه‌سازی‌ها را به‌صورت خودکار محاسبه می‌کند تا جست‌وجو از آغاز کار در دسترس باشد. جست‌وجوی معنایی می‌تواند لحظه‌هایی را بیابد که از نظر ظاهری یا مفهومی به پرس‌وجو نزدیک‌اند، حتی اگر برچسب مشترکی نداشته باشند. جست‌وجوی متنی و ساختاریافته نیز برای یافتن عبارت‌های دقیق، زمان‌ها، فیلدهای حسگر و فراداده به کار می‌رود.

گزارش می‌گوید تعبیه‌سازی‌ها و فیلدهای ساختاریافته در قالب اصلی خود باقی می‌مانند و هنگام بازیابی با هم ترکیب می‌شوند. بخش برداری جست‌وجو بر پایه LanceDB اجرا می‌شود؛ این سامانه از نمایه‌های برداری، عددی و متن کامل پشتیبانی می‌کند و ذخیره‌سازی را از محاسبات جدا نگه می‌دارد. تیم‌ها می‌توانند انتخاب کنند چه داده‌ای تعبیه‌سازی شود، از کدام مدل و منابع محاسباتی استفاده کنند و این کار چه زمانی انجام شود. به‌روزرسانی تدریجی نیز به‌جای بازسازی کامل نمایه، تغییرات نمونه‌ها یا طرح داده را دنبال می‌کند.

Voxel51 Agent و ردیابی تغییرات

Voxel51 Agent می‌تواند جست‌وجو، گزینش، برچسب‌گذاری و ارزیابی را به گردش‌کارهای تکرارپذیر وصل کند. طبق مشخصات اعلام‌شده، این ابزار بیش از ۴۵ ابزار MCP، بیش از ۸۰ عملگر و ۱۸ مهارت متن‌باز دارد. MCP چارچوبی برای اتصال عامل‌های هوش مصنوعی به ابزارها و منابع بیرونی است. یک تیم رباتیک می‌تواند رفتارهای مورد نظر را میان هزاران دوره کاری جست‌وجو و مجموعه‌های آموزشی متوازن بسازد. تیم بینایی ماشین نیز می‌تواند از یک خطای مدل شروع کند و نمونه‌های مشابه و کم‌تکرار را برای برچسب‌گذاری پیدا کند. عامل همچنین می‌تواند برای ساخت افزونه‌های سفارشی کد بنویسد. شرکت می‌گوید همه گردش‌کارها از مجوزها و کنترل‌های حاکمیتی سازمان پیروی می‌کنند.

برای ثبت منشأ داده، نسخه تازه چهار سطح را معرفی می‌کند: گزارش فعالیت در سطح استقرار، گزارش تغییرات هر مجموعه‌داده، تاریخچه ویرایش هر نمونه و نسخه‌بندی مجموعه‌داده. این سازوکارها مشخص می‌کنند چه کسی و چه زمانی کاری انجام داده، برچسب‌ها و فراداده چگونه تغییر کرده‌اند و هر نسخه از داده چه وضعیتی داشته است. نسخه‌های تغییرناپذیر، بنا بر توضیح گزارش، امکان بازتولید اجرای آموزش و ارزیابی را فراهم می‌کنند. رویدادها از مسیر ابزار زمان‌بندی کار fiftyone-mq و سامانه پیگیری رویداد Activity Core جریان می‌یابند.

مدل‌های دلخواه، هزینه و جایگاه در بازار

Voxel51 می‌گوید پلتفرم به مدل خاصی وابسته نیست و در تعبیه‌سازی، برچسب‌گذاری خودکار، استنتاج و ارزیابی می‌توان مدل‌های متفاوت به کار برد. تیم‌ها می‌توانند کار را با یک مدل پایه آغاز کنند و بعد مدل اختصاصی حوزه خود را جایگزین کنند. این انعطاف به‌معنای اعلام یک مدل تازه نیست؛ تمرکز محصول بر زیرساخت داده و ابزارهای پیرامون فرایند ساخت و سنجش مدل‌هاست.

طرح رایگان شامل Voxel51 Agent، ماهانه ۳۰ هزار درخواست استنتاج و ۳۰ ساعت محاسبات است؛ اما به ۳ مجموعه‌داده با حداکثر ۱۰ هزار نمونه برای هرکدام و ۲۰ گیگابایت فضای ذخیره‌سازی محدود می‌شود. گزارش برای طرح تیمی از ۸ صندلی و ۲۸۰۰ ساعت محاسبات ماهانه نام می‌برد، اما قیمت آن را اعلام نمی‌کند. این پلتفرم از طریق برنامه میزبانی‌شده و نیز در محیط‌های ابری، ترکیبی، محلی و ایزوله قابل استفاده است. برای اجرای آن در رایانه کاربر، الزام به پردازنده گرافیکی محلی اعلام نشده و گزارش نیز معیار عملکرد محصول ارائه نمی‌کند.

در مقایسه‌ای که گزارش با Encord و Foxglove آورده، هر سه محصول در مدیریت داده نقش دارند، اما دامنه قابلیت‌ها و محدودیت‌های طرح رایگان متفاوت است. تمرکز اعلام‌شده Voxel51 3.0 ترکیب جست‌وجو، گزینش، برچسب‌گذاری و ارزیابی داده‌های چندوجهی است. شرکت برای توضیح اهمیت این فرایند به پیمایش «وضعیت هوش مصنوعی فیزیکی ۲۰۲۶» خود استناد می‌کند: ۵۸ درصد از تیم‌های «استثنایی» گفته‌اند بیش از نیمی از زمان پروژه را صرف کار داده می‌کنند، در برابر ۲۱ درصد از تیم‌های گرفتار. چون این پیمایش را خود شرکت انجام داده، نتیجه‌ها را باید نشانه‌ای جهت‌دار دانست، نه ارزیابی مستقل.

این خبر برای چه کسانی اهمیت دارد

این تغییر برای تیم‌های رباتیک، خودروهای خودران، بینایی ماشین و سامانه‌های صنعتی اهمیت دارد؛ به‌ویژه گروه‌هایی که داده‌هایشان از چند حسگر و قالب می‌آید و برای آموزش مدل به جست‌وجو، برچسب‌گذاری و کنترل کیفیت نیاز دارند. یکپارچه‌شدن این مراحل می‌تواند رفت‌وآمد میان ابزارهای جداگانه را کاهش دهد، در حالی که ثبت تاریخچه و نسخه‌ها به بازبینی و تکرار آزمایش‌ها کمک می‌کند. بااین‌حال، انتخاب پلتفرم به محدودیت‌های طرح رایگان، نیازهای استقرار و سنجش عملکرد واقعی آن در مجموعه‌داده‌های هر تیم بستگی دارد.