Vi ba AI om å vise oss beklagelsen over dårlige valg innen flåte-AI. Resultatet var uventet lodne ...

Bien kjører, kartet vokser. 🐝🗺️ MIP-24 for Bee-belønninger går live på mandag. Start motorene.

Den @thenetworkstate podcasten snakker @Solana og DePIN En 🧵

skip skip skip skip skip 🐝📷

Når Hivemapper Bee kjører, vokser kartet. Slik ser en bit SF ut etter bare én time med et halvt dusin bier på veien.

Manuell kvalitetssikring skalerer ikke for moderne datasamlebånd – for sakte, for dyrt, for sprøtt. @Hivemapper bygde opprinnelig en enorm menneskebasert Map QA-dataplattform med > 20 000 menneskelige redaktører. Vi har slettet 85 % av denne plattformen i løpet av de siste 6 månedene og erstattet den med ulike AI-funksjoner. Det er tre viktige deler av den nye AI-plattformen 1. AI-validatorer Validatorer er ansvarlige for å sikre datanøyaktighet for fartsgrenser, bensinpriser, vertikale høydebegrensninger, veibredder og mer. De graderer i utgangspunktet leksene som Bee gjør, og når Bee gjorde en feil i for eksempel en fartsgrense fanget den som 25 mph i motsetning til 35 mph, så korrigerer den det. Det er flere modeller som kjøres, og da må alle oppnå konsensus. Her presterer de fleste AI-modellene bra, og vi har sett utmerket ytelse selv ved bruk av eldre modeller fra OpenAI og Phi. For øyeblikket anbefaler vi ikke Claude for disse visjonsbaserte AI-valideringsoppgavene. 2. AI-posisjonering Dette er litt vanskeligere, men i utgangspunktet ønsker vi å sikre at objektene er godt plassert og skiltene er knyttet til de riktige kjørefeltene med riktig asimut. De fleste av de grunnleggende AI-modellene har ennå ikke en sterk følelse av tredimensjonalt rom, men vi forventer at dette vil endre seg snart. Kevin Weil, CPO hos OpenAI sa: "AI-modellene du bruker i dag er de verste AI-modellene du vil bruke resten av livet." Vår tilnærming her er å fange opp åpenbare posisjoneringsfeil ved at jeg mener er det en fartsgrense midt på veien, er det en verktøystolpe innenfor grensene til en bygning, er det et stoppskilt som ikke er på linje med et kryss osv. Det er andre teknikker her som jeg vil spare til et annet innlegg. 3. AI-omskolering Bien kjører de slutningsbaserte AI-modellene som bygger kartet på kanten. Vi trener imidlertid først disse modellene i skyen, og nøkkelen her er å finne interessante kanttilfeller som reduserer fremtidige feil. For eksample, et 55 mph fartsgrenseskilt festet bak på en lastebil som vist nedenfor er ikke et statisk fartsgrenseskilt. Konteksten rundt disse objektene forteller oss mye om objektene i seg selv, og derfor lærer vi Bees AI-modeller å forstå denne konteksten. I utgangspunktet trenger du hundrevis av millioner veikilometerdekning for å se et meningsfullt antall kanttilfeller. Det er bra Hivemapper har det.

"Utforsk din region er live i LA, NY og Austin" meg og bien min på vei for å kartlegge boligveier:

Bien opptrer 💪 I tung SF-tåke fra helt venstre kjørefelt på en flerfelts motorvei kartlegger Bee fartsskiltet og veien perfekt. På tide å akselerere enda raskere.

overraskelse! nok en Guess and Go! dråpe🕵️ ♂️🚗 Vet du hvor dette er? finn Burst på Bee Maps-appen. få HONNING. 🧠Vanskelighetsgrad: Middels ⏳Utløper: Søndag, Juli 20 🍯Bonus: 1,500 HONNING Kommenter din beste gjetning nedenfor 👇

chat, hvorfor disse utbruddene ser litt ... 🫨 (størrelse def betyr noe... men dekning er viktigere 😏 )