Manuelle QA skaliert nicht für moderne Datenpipelines – zu langsam, zu teuer, zu anfällig. @Hivemapper hat ursprünglich eine riesige, auf Menschen basierende Map QA-Datenplattform mit über 20.000 menschlichen Editoren aufgebaut. Wir haben in den letzten 6 Monaten 85 % dieser Plattform gelöscht und sie durch verschiedene KI-Funktionen ersetzt. Es gibt drei Schlüsselkomponenten der neuen KI-Plattform: 1. KI-Validatoren Validatoren sind dafür verantwortlich, die Daten genau zu überprüfen, z. B. Geschwindigkeitsbegrenzungen, Benzinpreise, Höhenbeschränkungen, Straßenbreiten und mehr. Sie bewerten im Grunde die Hausaufgaben, die die Bee macht, und wenn die Bee einen Fehler gemacht hat, indem sie beispielsweise eine Geschwindigkeitsbegrenzung von 25 mph anstelle von 35 mph erfasst hat, wird dies korrigiert. Es werden mehrere Modelle ausgeführt, die alle einen Konsens erreichen müssen. Hier schneiden die meisten KI-Modelle gut ab, und wir haben eine hervorragende Leistung gesehen, selbst mit älteren Modellen von OpenAI und Phi. Im Moment empfehlen wir Claude nicht für diese auf Vision basierenden KI-Validierungsaufgaben. 2. KI-Positionierung Das ist etwas kniffliger, aber im Grunde wollen wir sicherstellen, dass die Objekte gut positioniert sind und die Schilder den richtigen Fahrspuren mit dem richtigen Azimut zugeordnet sind. Die meisten grundlegenden KI-Modelle haben noch kein starkes Gefühl für den dreidimensionalen Raum, aber wir erwarten, dass sich das bald ändert. Kevin Weil, CPO bei OpenAI, sagte: "Die KI-Modelle, die Sie heute verwenden, sind die schlechtesten KI-Modelle, die Sie für den Rest Ihres Lebens verwenden werden." Unser Ansatz hier ist es, offensichtliche Positionierungsfehler zu erkennen, d. h. gibt es eine Geschwindigkeitsbegrenzung in der Mitte der Straße, steht ein Strommast innerhalb der Grenzen eines Gebäudes, ist ein Stoppschild nicht mit einer Kreuzung ausgerichtet usw. Es gibt hier andere Techniken, die ich für einen anderen Beitrag aufheben werde. 3. KI-Neu-Training Die Bee führt die auf Inferenz basierenden KI-Modelle aus, die die Karte am Edge erstellen. Wir trainieren diese Modelle jedoch zuerst in der Cloud, und der Schlüssel hierbei ist, interessante Grenzfälle zu finden, die zukünftige Fehler reduzieren. Zum Beispiel ist ein 55 mph Geschwindigkeitsbegrenzungsschild, das an der Rückseite eines Lastwagens angebracht ist, kein statisches Geschwindigkeitsbegrenzungsschild. Der Kontext, der diese Objekte umgibt, sagt uns viel über die Objekte selbst, und daher bringen wir den KI-Modellen der Bee bei, diesen Kontext zu verstehen. Grundsätzlich benötigen Sie Hunderte von Millionen von Straßenkilometern, um eine bedeutende Anzahl von Grenzfällen zu sehen. Es ist gut, dass Hivemapper das hat.