NomadicML pretvara kaos AV podataka u pretraživu bazu

NomadicML je prikupio 8,4 milijuna dolara u seed rundi za platformu koja pretvara tisuće sati neobrađenog videozapisa autonomnih vozila u strukturirane, pretražive podatke — bez ljudske intervencije. Tehnologija se oslanja na vision-language modele (VLM) koji automatski katalogiziraju i označavaju scene, objekte i događaje, što tvrtkama kao što su Zoox (Amazonova podružnica) ili Mitsubishi Electric omogućuje brže iteracije u razvoju autonomnih sustava.

Ključna razlika od konkurencije? Nomadic ne nudi samo „pametne“ alate za označavanje, već cjeloviti pipeline od sirovog snimka do gotovog dataset-a za reinforcement learning.

Iza projekta stoje Mustafa Bal (izvršni direktor) i Varun Krishnan (CTO), čija je platforma već osvojila prvo mjesto na Nvidijinom GTC pitch natjecanju — što signalizira povjerenje u njihovu sposobnost rješavanja jednog od najvećih bottleneck-ova u autonomnoj industriji: ručno katalogiziranje podataka. Problem je toliko akutan da tvrtke troše milijune na ljudske timove koji označavaju snimke, dok Nomadic obećava 95 % smanjenje troškova (prema njihovim internim procjenama).

Ali koliko je ta ušteda realna kada se suoči s prljavim lećama, lošim osvjetljenjem ili neočekivanim scenarijima na terenu? Pitanje nije hoće li ovo funkcionirati u kontroliranim uvjetima — demo videi to već pokazuju. Pitanje je kako će se ponašati kada autonomno vozilo naiđe na kišu, maglu ili neoznačeni radarski reflektor koji algoritam nikad prije nije ‚vidio‘. Jer dok marketing govori o ‚bržem razvoju‘, inženjeri znaju da pravi test dolazi kada sustav mora raditi 24/7 u promjenjivim uvjetima, a ne u pažljivo odabranim edge case-ovima za investitore.

Nomadicove tvrdnje o ‚univerzalnoj‘ primjenjivosti — od autonomnih kamiona do robota u skladištima — zvuče privlačno, ali stvarni deployment otkriva drugačiju priču. Na primjer, Natix Networks (još jedan njihov klijent) koristi platformu za poboljšanje 3D percepcije u urbanim okruženjima, no koliko je ta preciznost održiva kada se senzori zakrče prašinom ili kada kamere zabilježe refleksije koje algoritam klasificira kao ‚nepoznate objekte‘?

Slično, Zendar — koji radi na radar-vision fusion tehnologiji — možda cjeni Nomadicovu sposobnost filtriranja šuma, ali stvarno usko grlo možda nije u softveru, već u hardverskim ograničenjima samih senzora koje platforma obrađuje. Još jedna kritična točka: skalabilnost.

Nomadic tvrdi da njihova rješenja mogu obraditi ‚terabajte podataka dnevno‘, ali što se događa kada klijenti kao što je Mitsubishi počnu slati snimke iz stotina vozila istovremeno? Obrada u real time-u zahtijeva ne samo robusne modele, već i infrastrukturu koja može podnijeti latenciju, troškove pohrane i energetsku potrošnju — stvarnost koju demo videi rijetko spomenu.

Također, dok tvrtka ističe da njihovi datasets ubrzavaju razvoj, nijedan od klijenata još nije potvrdio da su zahvaljujući Nomadicu postigli značajan napredak u safety-critical scenarijima, poput izbjegavanja sudara u gužvi. Zanimljivo je da Nomadic ne spominje certifikacije — ključni korak za masovnu upotrebu u autonomnoj industriji. Bez ISO 26262 ili sličnih standarda, njihova platforma ostaje alatom za razvoj i testiranje, a ne za produkcijske sustave. To znači da, iako su 8,4 milijuna dolara impresivan početak, put do stvarne industrijske adopcije možda tek počinje.

Jer u robotici, udaljenost između dema i deploymenta obično se mjeri baterijama, održavanjem i ljudskim nadzorom — a ne brojem obrađenih videozapisa.

NomadicML je samo jedan od brojnih startupa koji se bave razvojem autonomnih vozila i robota. Međutim, njihova platforma ima veliki potencijal za revoluciju u autonomnoj industriji. S pravilnim razvojem i poboljšanjem, NomadicML može postati vodeći igrač u toj industriji i omogućiti brži i sigurniji razvoj autonomnih vozila i robota. Međutim, mora biti svjestan ograničenja i potencijalnih problema koji se mogu pojaviti u stvarnim uvjetima.