Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Die Zukunft des Fahrens ist autonom... Bis Fahrzeuge über die Fähigkeiten des menschlichen Fahrens verfügen, muss die AI aber noch ein paar Dinge lernen. Das in Graz ansässige Unternehmen AVL adressiert eines dieser Probleme gemeinsam mit dem im Silicon Valley ansässigen Technologieanbieter Deepen.AI.
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst. Um die Aufgabe des Fahrens zu bewältigen, müssen die autonomen Fahrsysteme („Autonomous Driving Systems“ / ADS) noch erfolgreich das Erkennen von Objekten und das Einschätzen von Situationen erlernen.
Dieser Prozess läuft in mehreren Stufen ab. Die Objekterkennung muss in der ersten Phase feststellen, wo sich überhaupt ein Objekt befindet. Im zweiten Schritt wird dann ein erkanntes Objekt klassifiziert: Es wird festgestellt, ob es sich dabei beispielsweise um ein Fahrzeug, einen Erwachsenen, ein Kind oder ein Tier handelt – denn ein Kind verhält sich zum Beispiel anders als ein Erwachsener. Schließlich muss das System noch das sogenanntes# „Tracking“ durchführen: Dabei wird analysiert, wo sich das Objekt in der Vergangenheit befand, wo es sich nun befindet – um somit Rückschlüsse darüber zu ziehen, wo sich das Objekt vermutlich als nächstes befinden wird.
Die Datenspreu vom Datenweizen trennen
Selbstfahrende Autos nutzen dabei Daten verschiedener im Fahrzeug verbauter Sensoren – wie etwa Kameras oder der LiDAR-Sensor, welcher den Abstand der Objekte zum Auto misst. Diese Sensoren produzieren unzählige Daten – und eben diese Daten müssen korrekt zugeordnet werden, so dass die AI erkennen kann, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel. Deepen hat in Zusammenarbeit mit der Firma AVL aus Graz eine Technologie zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt. Erste Ergebnisse dieser Zusammenarbeit wurden im Rahmen der CES 2020 in Las Vegas präsentiert.
PoC mit AVL für die Zukunft des autonomen Fahrens
Beim von drei ehemaligen Google-Mitarbeitern gegründeten Startup Deepen.AI geht es um die zuvor erwähnte Herausforderung, autonomen Fahrsystemen zu einem besseren Verständnis ihrer Umwelt zu verhelfen. Um dies zu erreichen, braucht die KI etwas menschliche Hilfe, um effektiv darin trainiert zu werden, korrekte Schlussfolgerungen zu ziehen. Neben den 17 Vollzeit-Mitarbeitern beschäftigt Deepen.AI daher rund 250 Menschen in Indien, welche die von den Sensoren erfassten Daten bereinigen und die KI darin trainieren, Objekte zu erkennen: So markieren sie zum Beispiel, wenn die AI einen Seitenspiegel bei einem Auto übersehen oder Objekte falsch klassifiziert hat. „Diese Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Eben dieser starke Fokus auf Datenintegrität ist auch Schwerpunkt des gemeinsam mit AVL entwickelten PoC. „Es ist für AVL wichtig, auf Pixel- und Point-Level korrekt annotierte Daten zu haben“, erläutert Thomas Schlömicher, Research Engineer ADAS bei AVL. Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
„Safety Pool“ als nächster Schritt nach dem PoC
„Gemeinsam“ ist auch das Stichwort hinter dem Ziel, das die Partner nach dem erfolgreichen PoC gemeinsam verfolgen möchten. Eine große Herausforderung für die Branche ist, dass die verschiedenen Autohersteller derzeit unterschiedliche Wege gehen, wobei jeder seinen eigenen Ansatz verfolgt. „Die Branche braucht aber Standards“, sagt Musa: Das sei die Basis dafür, dass jeder in die Sicherheit der Systeme vertraut.
Daher hat „Safety Pool™, (www.safetypool.ai), ein Projekt unter der Leitung von Deepen und dem Weltwirtschaftsforum, das Ziel, quantifizierte Benchmarks und einheitliche Beschreibungen von Fahrsituationen zu definieren, die dann nicht nur als Standards für die Industrie, sondern auch als solides Rückgrat zur Ableitung von konsensbasierten Sicherheitsbewertungen und Rahmenregelungen dienen sollen. Dies wird die Gesellschaft einen bedeutenden Schritt näher zum Ziel bringen, von den revolutionären Fähigkeiten der automatisierten Fahrtechnologien zu profitieren.
Wenn die KI das Experiment plant: Zu Besuch im Labor, das sich selbst steuert
Auf dem Campus Hönggerberg der ETH Zürich arbeiten Roboter und Künstliche Intelligenz zusammen: Eine Software des schweizerisch-amerikanischen Startups Atinary entwirft die Experimente, Roboter in den Laboren von SwissCAT+ an der ETH Zürich führen sie aus, rund um die Uhr. brutkasten war vor Ort und hat mit Atinary-Mitgründer und CTO Loïc Roch sowie Christoph Schnidrig, Head of Technology bei Amazon Web Services Schweiz, über den beschleunigten Forschungsbetrieb gesprochen. Und darüber, warum die größte Hürde nicht die Technologie ist.
Wenn die KI das Experiment plant: Zu Besuch im Labor, das sich selbst steuert
Auf dem Campus Hönggerberg der ETH Zürich arbeiten Roboter und Künstliche Intelligenz zusammen: Eine Software des schweizerisch-amerikanischen Startups Atinary entwirft die Experimente, Roboter in den Laboren von SwissCAT+ an der ETH Zürich führen sie aus, rund um die Uhr. brutkasten war vor Ort und hat mit Atinary-Mitgründer und CTO Loïc Roch sowie Christoph Schnidrig, Head of Technology bei Amazon Web Services Schweiz, über den beschleunigten Forschungsbetrieb gesprochen. Und darüber, warum die größte Hürde nicht die Technologie ist.
Loïc Roch, Mitgründer und CTO von Atinary, in den SwissCAT+-Laboren am Campus Hönggerberg | (c) Martin Pacher
Wer auf den Hönggerberg im Norden Zürichs fährt, lässt die Stadt hinter sich. Der zweite Campus der ETH, entstanden ab 1961, liegt in ländlicher Umgebung, hier sind unter anderem die Departemente für Chemie, Physik und Materialwissenschaft zu Hause. Und hier, in den SwissCAT+-Laboren der Hochschule, lässt sich derzeit besichtigen, wie Forschung aussehen könnte, wenn nicht mehr der Mensch jeden einzelnen Handgriff macht.
In diesen Laboren übernehmen Roboter die Arbeit, die sonst Forschende beschäftigt: Sie hantieren mit Flüssigkeiten und Pulvern, bereiten Proben vor, testen sie und messen laufend die Ergebnisse. Das Bemerkenswerte daran ist aber nicht die Automatisierung selbst, sondern wer die Versuche plant: eine Künstliche Intelligenz. Die Software stammt vom Startup Atinary, das an der ETH keinen eigenen Standort hat, sondern mit der Technologieplattform SwissCAT+ zusammenarbeitet. Sie schlägt vor, welches Experiment als nächstes sinnvoll ist, lernt aus jedem Ergebnis und berechnet daraus den nächsten Schritt. Dieser Kreislauf läuft rund um die Uhr, ohne dass ein Mensch eingreifen muss.
„Ein Labor ist eine große Küche“
Wie soll man sich das vorstellen? Loïc Roch, Mitgründer und CTO von Atinary, greift im Gespräch mit brutkasten zu einem Alltagsbild: „Am Ende ist ein Labor eine große Küche. Wir liefern die Rezepte. Wir nutzen KI, um Rezepte zu erzeugen, die dann im Labor getestet werden.“ Das Ziel: möglichst schnell zum besten Rezept kommen. Denn jeder einzelne Versuch kostet Zeit, Material und Geld. Wer statt tausender Versuche nur ein paar Dutzend braucht, spart enorm.
Genau darauf ist die Software ausgelegt. Statt sich blind durch unzählige mögliche Kombinationen zu probieren, lernt das System mit jedem Experiment dazu und empfiehlt gezielt die vielversprechendsten nächsten Schritte. „Self-Driving Labs“ nennt Atinary das Prinzip, selbstfahrende Labore. Den Begriff hat sich das 2019 gegründete Unternehmen sogar markenrechtlich schützen lassen.
Loïc Roch, Co-founder und CTO von Atinary | (c) Martin Pacher / brutkasten
Den Bedarf für solche Werkzeuge begründet Roch mit einem unbequemen Befund: Forschung wird immer teurer und langsamer, es braucht immer mehr Zeit und Geld, bis Neues gefunden ist. Dazu kommt eine handfeste Vertrauenskrise: Roch verweist auf eine vielzitierte Befragung von rund 1.500 Forschenden, wonach ein Großteil daran scheitert, Experimente zu wiederholen, in der Chemie sind die Quoten besonders hoch. Das ist nicht nur für die Wissenschaft ein Problem: Ohne verlässliche Daten lässt sich auch keine verlässliche KI trainieren.
100 Jahre Forschung in sechs Wochen
Was das System kann, zeigt das Vorzeigeprojekt direkt vor Ort. Gemeinsam mit dem SwissCAT+-Team suchte Atinary nach dem besten Katalysator, also jenem Hilfsstoff, mit dem sich das Treibhausgas CO₂ in Methanol umwandeln lässt, einen Ausgangsstoff für nachhaltige Treibstoffe. Laut Atinary kamen dafür mehr als 20 Millionen mögliche Kombinationen infrage. Das Ergebnis wurde in einem Fachjournal publiziert: In sechs Wochen wurden 144 Katalysator-Kandidaten hergestellt und getestet, mit minimalem menschlichem Zutun. Die Zahl, mit der Atinary seither wirbt, ist eindrucksvoll: eine 1000-fache Beschleunigung, umgerechnet 100 Jahre Katalyse-Forschung in nur sechs Wochen. SwissCAT+-Chef Paco Laveille, der die Umsetzung an der ETH verantwortet, bestätigt beim Besuch die Größenordnung: von Jahren an Forschung hinunter zu Wochen.
(c) Martin Pacher / brutkasten
Beim konkreten Nutzen für Firmenkunden hält sich Roch hingegen zurück, aus einem strukturellen Grund: „Wir sind ein Dienstleister. Wir sehen den generierten Mehrwert nicht, und die Kunden wollen ihn nicht teilen.“ Das habe auch mit Sicherheitsanforderungen zu tun, ergänzt das Unternehmen: Angaben zum erzielten Return on Investment erhalte Atinary dann, wenn Kunden sie von sich aus teilen — teils münde das in gemeinsame Publikationen.
Die einzige konkrete Zahl, die er im Gespräch nennt, stammt aus einer gemeinsamen Publikation mit dem Aromen- und Duftstoffkonzern dsm-firmenich: Dort konnte der Einsatz eines teuren Edelmetalls so stark reduziert werden, dass dessen Kostenanteil um rund 95 Prozent sank. Es sei nicht die einzige gemeinsame Veröffentlichung mit Kunden, betont das Unternehmen — weitere gebe es etwa mit dem Pharmakonzern Takeda.
(c) Martin Pacher / brutkasten
Auch ein aktueller gemeinsamer Blogbeitrag von AWS und Atinary liefert Anhaltspunkte. Ein Manager von Takeda wird dort mit der Aussage zitiert, eine Optimierung habe mit dem selbstfahrenden Ansatz rund eine Woche gedauert, verglichen mit ein bis zwei Monaten auf dem herkömmlichen Weg. Am MIT wiederum löste ein Forschungsteam mit der Software eine knifflige Aufgabe aus der Solarzellenforschung in nur 25 Versuchen, innerhalb einer strikten Frist von vier Wochen. Und über das eigene Labor, das Atinary heuer in Boston eröffnet hat, heißt es: Es erzeuge in einer Woche mehr Versuchsdaten, als ein Doktorand in fünf Jahren produziert.
Bezahlter Pilot, Lizenz pro Arbeitsplatz
Wirtschaftlich steht Atinary noch am Anfang. Das Unternehmen befindet sich in der Seed-Phase, öffentlich auffindbar sind laut Roch rund zehn Millionen an bisheriger Finanzierung, eingesammelt über Venture Capital, Family Offices und Förderungen. Als Nächstes peilt er eine Series A an. Das Wachstumskapital dafür werde voraussichtlich aus den USA kommen: „Der Ansatz ist in Europa und den USA sehr unterschiedlich.“
Paco Laveille, Managing Director, SwissCAT+ East, ETH Zurich | (c) Martin Pacher / brutkasten
Verdient wird über Software-Lizenzen, abgerechnet pro Arbeitsplatz. Am Anfang steht ein dreimonatiger, bewusst kostenpflichtiger Testlauf. „Wenn der Pilot nicht bezahlt ist, stecken die Kunden nicht die Ressourcen hinein, um ihn richtig zu testen“, sagt Roch. Dass er mit diesem Modell Geld liegen lässt, räumt er offen ein: Eine Beteiligung am geschaffenen Wert wäre lukrativer, scheitert aber daran, dass die Kunden diesen Wert eben nicht offenlegen.
Die Kundschaft kommt bisher vor allem aus der Pharmabranche, die laut Roch am ehesten bereit ist, Neues zu riskieren; der Rest der Industrie folge dann. Einsatzfelder gibt es aber quer durch: Lebensmittel, Duftstoffe, Materialforschung, grüne Energie, und gemeinsam mit Stanford sogar Zelltherapien gegen Krebs. Umsatz machen vor allem Konzerne. Mit Universitäten arbeitet Atinary eng zusammen, weil sich dort Ergebnisse veröffentlichen lassen, sie werden so zu Botschaftern der Technologie. Auch KMU zählen zu den Kunden, das jüngste sei erst vor wenigen Tagen dazugekommen. Die Arbeitsteilung im Unternehmen: Das Entwicklerteam sitzt bei Roch in Lausanne, das eigene Labor steht in Boston, dort, wo die großen Pharma-Forschungszentren angesiedelt sind.
„Fast jeden zweiten Tag ein neues Startup“
Beim Thema Konkurrenz wird Roch deutlich: Der Bereich „AI for Science“ ziehe derzeit massiv Gründungen an, fast jeden zweiten Tag komme ein neues Startup dazu. Gefährlich sei daran vor allem eines: Mit den heutigen KI-Werkzeugen lasse sich sehr schnell ein beeindruckender Prototyp bauen, der Kunden begeistert. „Unter der Haube ist das aber kein produktionsreifer Code, der bei einem Großunternehmen laufen kann.“ Atinary sieht er im Vorteil, weil man seit 2019 das gesamte Paket aufgebaut habe: die Anbindung an die Laborgeräte, das eigene KI-Training, die Anwendungen und die wissenschaftliche Glaubwürdigkeit durch den eigenen Beirat. Dazu kommt laut Unternehmen ein Netzwerk an Technologiepartnern, darunter AWS, ABB Robotics, Agilent, Bruker, Chemspeed und Mettler-Toledo. Im wissenschaftlichen Beirat sitzt unter anderem der MIT-Chemiker Stephen Buchwald — im Bostoner Labor optimiert Atinary nach eigenen Angaben ausgerechnet die nach ihm benannte Buchwald-Hartwig-Reaktion.
(c) Martin Pacher / brutkasten
Zugleich beobachtet er seit heuer einen Umschwung im Markt: Kunden dächten zunehmend in einer Wettlauf-Logik. Wer die Technologie nicht als Erster einsetze, riskiere, dass es die Konkurrenz tut. Und wenn diese in Wochen schafft, wofür man selbst Jahre braucht, sei der Rückstand kaum aufzuholen.
Die größte Hürde ist der Mensch
Und was bremst die Verbreitung? Nicht die Technik, sagt Roch, sondern der Mensch. „Der Wissenschaftler im Labor ist oft seit 15, 20 Jahren dort. Wenn man ihm sagt: Wir können deine Forschung um den Faktor zehn oder hundert beschleunigen, sagt er: Nein. Ich kenne mein Fach besser als irgendein Algorithmus.“ Es sei dabei weniger mangelndes Vertrauen, die Technologie werde schlicht als Bedrohung für den eigenen Job empfunden. Christoph Schnidrig von AWS ergänzt: Dieses Muster kenne man von jeder Technologiewelle, von der Einführung der Cloud bis zur KI in der Softwareentwicklung. Rochs Haltung dazu: Jobs würden sich verändern, aber nicht verschwinden. „Am Ende ist es ein Werkzeug. Der Mensch bleibt am Steuer.“
(c) Martin Pacher / brutkasten
Zum Vertrauen gehört auch die Datenfrage, schließlich legen die Kunden ihr wertvollstes Gut, ihre Forschungsdaten, in die Plattform. Die läuft vollständig auf der Cloud von AWS. Roch verweist auf Prüfungen, Audits und Sicherheitstests; personenbezogene Daten würden praktisch keine gespeichert, schon gar keine Patientendaten, dafür sei man in der Forschung viel zu früh angesetzt. Auch deshalb sieht er im EU AI Act derzeit kein Hindernis: In Kundengesprächen sei die Regulierung bislang schlicht kein Thema gewesen.
Auszeichnung vom Weltwirtschaftsforum
Während brutkasten mit Roch in Zürich spricht, befindet sich sein Mitgründer, CEO Hermann Tribukait, gerade im chinesischen Dalian, um dort den Technology-Pioneer-Award des Weltwirtschaftsforums entgegenzunehmen. Zu den früheren Preisträgern der Auszeichnung zählen Roch zufolge Namen wie Google, Dropbox und Airbnb. Preisgeld gibt es keines, der Wert liege im Zugang zum Netzwerk des Forums und zu Entscheidungsträgern großer Unternehmen. Kunden in China hat Atinary übrigens keine, und das dürfte vorerst so bleiben: Als in den USA registriertes Unternehmen sei das Geschäft mit chinesischen Firmen „wegen der Geopolitik sehr heikel“.
Gefragt nach dem Blick fünf Jahre voraus, skizziert Roch eine Vision, die er ausgerechnet am Vorbild seines Cloud-Partners entwirft: Labore, die wie Rechenleistung aus der Cloud abrufbar sind, weltweit vernetzt, mit einer übergeordneten KI, die Erkenntnisse zwischen Forschungszentren auf verschiedenen Kontinenten austauscht.
Den Antrieb dahinter beschreibt er ganz persönlich: Er und seine Mitgründer seien Naturliebhaber, und die Energiewende brauche schnellere Forschung. „Der Planet kann nicht noch ein Jahrzehnt warten, bis wir Lösungen finden.“ Sein Befund nach sieben Jahren: „R&D ist heute noch zu langsam.“
Disclaimer: Die Reise- und Übernachtungskosten wurden von Amazon Web Services übernommen.
Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Wer sind die relevantesten Personen in diesem Artikel?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.
AI Kontextualisierung
Wer sind die relevantesten Organisationen in diesem Artikel?
Leider hat die AI für diese Frage in diesem Artikel keine Antwort …
Autonome Fahrzeuge: AVL optimiert die Erkennung von Objekten in AI
Sich einfach zurück zu lehnen, anstatt selbst am Steuer auf den Verkehr achtgeben zu müssen, ist die Vision des autonomen Fahrens. So soll das Reisen für die Insassen nicht nur angenehmer werden, sondern auch sicherer als eine Person am Lenkrad sein, da zum Beispiel die menschliche Fehlerquelle des Müdewerdens nicht mehr das Fahren des Fahrzeuges beeinflusst.
Zugleich muss die AI noch lernen, welche Daten für die Sicherheit relevant sind und welche nicht.
Hier kommt das US-amerikanische Startup Deepen.AI ins Spiel, welches in einer Kooperation mit der in Graz ansässigen AVL einen Prototyp zur besseren Erkennung und Segmentierung von Objektdaten im Straßenverkehr entwickelt hat.
„Die Datenanalysten bereinigen Zweifel, welche die AI in Bezug auf manche Objekte hat“, erläutert Mohammad Musa, Co-Founder und CEO von Deepen.AI: „Sie helfen bei der Klassifizierung und Kalibrierung.“
Im Idealfall soll im Rahmen der Kooperation eine komplette „Data Intelligence Pipeline“ entstehen, welche von AVLs zahlreichen B2B-Kunden genutzt wird, um deren Daten zu annotieren und so gemeinsam die Zukunft des autonomen Fahrens zu gestalten.
Im Rahmen des „Safety Pool Project“ sollen gemeinsam mit dem World Economic Forum quantifizierte Benchmarks und einheitliche Objektklassen definiert werden, die dann als Standards für die Branche gelten.