Helm.ai informó que firmó 70 millones de dólares en contratos comerciales para sus modelos fundacionales de IA física durante un período de 12 meses. Los contratos abarcan fabricantes de automóviles de todo el mundo, proveedores Tier 1 y empresas de automatización industrial. Sus socios comerciales cubren percepción, conducción autónoma completa, etiquetado automático de datos y simulación generativa.
La empresa, con sede en Redwood City, California, considera a la industria automotriz como su despliegue insignia, con alianzas profundas. También tiene clientes en minería y construcción.
"Que ese tipo de proyectos llegue a ese nivel de madurez es muy emocionante para nosotros, porque demuestra que existe una demanda real por la tecnología que construimos", dijo a The Robot Report Vladislav Voroninski, fundador y CEO de Helm.ai. "Claramente está cruzando el umbral para desplegarse de verdad en el mundo real."
"Además, como empresa, ahora vamos camino al punto de equilibrio, algo raro en este sector, y es una prueba de la eficiencia de capital de nuestro enfoque", agregó.
Fundada en 2016, Helm.ai ya tiene software en programas de vehículos autónomos de niveles SAE 2 a 4, percepción en vías de producción para la industria pesada y un desarrollo creciente en robótica.
¿Qué es el "deep teaching" de Helm.ai?
Helm.ai entrenó sus modelos fundacionales con su metodología no supervisada de "deep teaching", que busca que el modelo domine la estructura del mundo físico. Ese enfoque separa el problema de entender un entorno del problema de actuar en él.
"Nuestra forma de atacar el problema es distinta a pensar que entran datos de sensores y sale una decisión", explicó Voroninski. "En realidad tenemos estructura en todo el stack, y cada parte se sigue aprendiendo de punta a punta con DNN [redes neuronales profundas]. La forma en que pensamos resolver el problema es, primero, aprender a percibir el mundo y después actuar sobre esa percepción. Es parecido a cómo aprenden los humanos."
Voroninski lo comparó con un adolescente que aprende a manejar. Ese adolescente no necesita conducir millones de horas para vivir cada escenario posible que podría encontrar en la calle.
"Ya pueden percibir todo perfectamente y predecir lo que podrían hacer los otros vehículos o las personas, sin depender de datos de conducción", dijo Voroninski. "Eso es bastante crítico, y nos da eficiencia de datos, algo muy importante en conducción autónoma, pero todavía más importante en robótica. Yo diría que en robótica es esencial."
Un fabricante de autos solo tiene que resolver cómo va a escalar la recolección de datos. "En aplicaciones de robótica, nadie tiene todavía una flota grande de robots. Ni siquiera hay datos disponibles para entrenar de esa forma", dijo Voroninski. "Así que la eficiencia de datos se vuelve muy, muy importante."
"Dividimos nuestro stack en la percepción y todo lo que viene después de la percepción", continuó. "Eso pesa en la eficiencia de datos y también en la certificación de seguridad."
Según Helm.ai, el resultado es un sistema que aprende con una fracción de los datos, generaliza a entornos que nunca vio y se despliega dentro de los límites de cómputo de los sistemas físicos reales.
La conducción autónoma como base para otros entornos
Voroninski dijo que un aspecto importante de la tecnología de Helm.ai es que no depende del entorno. La empresa nació en la conducción autónoma, que ya obliga a generalizar entre entornos muy distintos. El sistema puede tener que manejar una calle congestionada de una ciudad o un camino en el desierto, y eso le dio una buena base para generalizar a más entornos, explicó.
"Demostramos que nuestra tecnología puede generalizar a áreas de aplicación totalmente distintas", dijo Voroninski. "Podemos tomar el mismo stack de percepción y usarlo para conducción autónoma, para una mina a rajo abierto o para otros tipos de entornos industriales."
Hasta ahora Helm.ai tiene proyectos rumbo a producción en vehículos autónomos, minería y construcción. También aplicó su tecnología de IA a drones de reparto.
"Cuando entrenamos modelos fundacionales no entrenamos solo con datos de conducción o de un área específica", dijo Voroninski. "Nuestros modelos fundacionales se entrenan de una forma bastante general, con conjuntos de datos que van mucho más allá de esas aplicaciones específicas, parecido a cómo un humano aprendería a hacer estas cosas."
Helm.ai aprendió otras lecciones de la industria automotriz. La conducción autónoma trae restricciones de latencia en tiempo real y normas de seguridad rigurosas. Poder con esa industria deja a la empresa bien preparada para otras, según Voroninski.
¿Sirve el mismo software para cualquier robot?
Voroninski habló del uso de la tecnología de Helm.ai en vehículos autónomos, drones, robots humanoides y otros equipos. Aunque generalizar a muchas formas de robot puede parecer difícil, dijo que todas esas formas tienen problemas parecidos.
"El problema de percepción parte con los sensores que usas y cómo están configurados", explicó Voroninski. En los vehículos autónomos eso suele significar una vista de 360° con cámaras, lidar y radar.
"Demostramos que podemos trabajar bastante bien con ese tipo de sensores y simularlos todos al mismo tiempo", dijo Voroninski. "Cuando pasas a otros dominios, sigues hablando de sensores ubicados en algún tipo de cuerpo con alguna configuración. Desde ese punto de vista, es exactamente lo mismo."
"Es en esencia el mismo problema, solo cambian las definiciones de lo que quieres detectar, lo que quieres localizar y los tipos de comportamiento que te importan", continuó.
Una persona en una faena de construcción puede comportarse distinto a un peatón en la calle, pero la misma tecnología puede hacer predicciones sobre las dos.
Hacia adelante, Voroninski dijo que a Helm.ai le interesa trabajar con empresas de robótica de distintas industrias y con distintos tipos de robots.
"La robótica está hoy casi donde estaba la conducción autónoma hace 10 años", dijo Voroninski. "Recién está entrando en su momento de despegue, así que estamos muy entusiasmados de tomar lo que aprendimos de la tracción comercial que logramos y aplicarlo a muchas áreas distintas."
