La plataforma de datos sintéticos Parallel Domain anunció hoy el lanzamiento de Reactor, un motor de generación de datos sintéticos de última generación que integra tecnologías avanzadas de IA generativa con capacidades de simulación 3D patentadas. La plataforma tiene como objetivo proporcionar a los desarrolladores de aprendizaje automático (ML) control y escalabilidad, lo que les permite generar datos completamente anotados que mejoran el rendimiento de la IA y fomentan la creación de sistemas de IA más seguros y resistentes para aplicaciones del mundo real.
Según la compañía, Reactor mejora el rendimiento de la IA en varias industrias, como vehículos autónomos y drones, al generar imágenes de alta calidad. Además, la herramienta aprovecha el poder de la IA generativa para producir datos anotados, que es un requisito crucial para las tareas de ML.
Al generar cuadros delimitadores (para la detección de objetos) y anotaciones de segmentación panóptica (que brindan vistas completas/panorámicas). Reactor garantiza que los modelos de IA puedan utilizar datos visuales de manera efectiva, lo que genera resultados más precisos y confiables.
“Nuestra tecnología patentada de inteligencia artificial generativa; permite a los usuarios crear y manipular datos sintéticos utilizando indicaciones intuitivas de lenguaje natural al mismo tiempo que genera las etiquetas correspondientes requeridas para entrenar y probar modelos de ML”; dijo a VentureBeat Kevin McNamara, director ejecutivo y fundador de Parallel Domain. “La capacidad de Reactor para generar diversos ejemplos sintéticos ha llevado a mejoras de rendimiento significativas en tareas como la segmentación de peatones y la detección de escombros y cochecitos de bebé. Su capacidad para mejorar la diversidad de conjuntos de datos, particularmente para clases raras, contribuye al entrenamiento superior de los modelos”.
Refinamiento e iteración rápida del modelo de ML
La compañía dijo que su herramienta permite a los usuarios crear una amplia gama de datos sintéticos para entrenar y probar modelos de percepción. Esto se logra mediante la integración de Python y el lenguaje natural , eliminando la necesidad de crear activos personalizados que consumen mucho tiempo y simplificando el flujo de trabajo para mejorar la eficiencia. Como resultado, los desarrolladores de ML pueden iterar y refinar rápidamente sus modelos, reduciendo el tiempo de respuesta y acelerando el progreso del desarrollo de IA.
“La integración de estas tecnologías en nuestra plataforma permite a los usuarios generar datos utilizando Python y comandos de lenguaje natural; lo que mejora la flexibilidad de la generación de datos sintéticos”, dijo McNamara a VentureBeat. “Reactor equipa a los desarrolladores de ML con control y escalabilidad, redefiniendo el panorama de la generación de datos sintéticos. Con Reactor, los usuarios pueden generar casi cualquier activo en segundos usando indicaciones en lenguaje natural”.
Aprovechar la IA generativa para mejorar las canalizaciones de datos sintéticos
Según McNamara, mientras que otras empresas usan IA generativa para crear datos visualmente atractivos, no se pueden usar para entrenar modelos ML sin anotaciones. Reactor supera esta limitación al generar datos completamente anotados, lo que mejora el proceso de ML y permite a los desarrolladores crear sistemas de IA más seguros y efectivos.
“Aprovechamos la IA generativa y la simulación 3D para crear una amplia gama de datos sintéticos detallados y realistas”, dijo McNamara a VentureBeat. “La IA generativa permite la producción de diversos escenarios y objetos, mientras que la simulación 3D agrega realismo físico. Lo que garantiza la solidez de los modelos de IA entrenados con estos datos. Hasta ahora, los modelos generativos han tenido problemas para comprender lo que están generando; lo que los hace muy deficientes para proporcionar anotaciones como cuadros delimitadores y segmentación panóptica, que son cruciales para entrenar y probar modelos de IA».
McNamara dijo que la herramienta proporciona un amplio espectro de opciones de personalización de datos y escenas. Además, su función de creación de fondo adaptable permite modificar fácilmente las escenas generadas; lo que permite que los modelos ML se generalicen en varios entornos. Por ejemplo, los usuarios pueden transformar un entorno suburbano de California en una bulliciosa escena del centro de Tokio.
Reactor de Parallel Domain permite generación de imágenes intuitiva
Las indicaciones de lenguaje natural de Reactor introducen una forma intuitiva de generar variaciones de imagen, según McNamara. Los usuarios pueden modificar las imágenes existentes mediante indicaciones simples como «haga que esta imagen parezca una tormenta de nieve» o «ponga gotas de lluvia en la lente». Este proceso de personalización simplificado elimina la necesidad de esperar la creación de activos personalizados, lo que mejora la eficiencia y el tiempo de respuesta.
“La función de creación de fondo adaptable en Reactor enriquece la diversidad de entornos de entrenamiento para modelos ML”, explicó McNamara. “Esto amplía los escenarios en los que se puede entrenar el modelo, ayudándolo a reconocer y responder mejor a las diferentes condiciones del mundo real”.
La arquitectura generativa permite que los modelos comprendan la estructura de los objetos generados y las escenas subyacentes, lo que facilita la extracción de píxeles y la comprensión semántica espacial de las capas en el proceso generativo. Esto da como resultado anotaciones totalmente automáticas y precisas.
Reactor de Parallel Domain otorga datos sintéticos más diversos y realistas
Con Python, los usuarios pueden configurar de manera flexible sus conjuntos de datos sintéticos seleccionando varios parámetros, como ubicaciones (San Francisco, Tokio), entornos (urbano, suburbano, autopista), condiciones climáticas y distribución de agentes (peatones y vehículos).
Una vez que se configura el conjunto de datos fundamental, los usuarios pueden usar Reactor para mejorar sus datos sintéticos con mayor diversidad y realismo. Mediante el uso de indicaciones de lenguaje natural, los usuarios pueden introducir una amplia gama de objetos y escenarios en la escena; como «cubo de basura»; «caja de cartón llena de gafas de sol que se derraman por el suelo», «caja de madera con naranjas» o «cochecito».
Reactor genera datos sintéticos con anotaciones esenciales, incluidos cuadros delimitadores y segmentación panóptica, lo que acelera significativamente el entrenamiento y las pruebas del modelo ML.
McNamara dijo que la herramienta «revoluciona» el flujo de trabajo tradicional de creación de activos personalizados, que generalmente implica un proceso de diseño que requiere mucho tiempo; configuración manual e integración por parte de artistas o desarrolladores.
“Las características de personalización rápida impulsadas por IA generativa mejoran la eficiencia y mejoran los tiempos de respuesta”, agregó McNamara. “Como resultado, los desarrolladores pueden crear e integrar nuevos activos en sus conjuntos de datos sintéticos casi instantáneamente; lo que permite iteraciones más rápidas y una mejora continua de sus modelos”.
Reactor de Parallel Domain brinda información visual detallada para vehículos autónomos
La compañía dijo que observó mejoras notables en la seguridad de los vehículos autónomos y los sistemas avanzados de asistencia al conductor (ADAS) para automóviles. También afirmó que a través de técnicas de difusión avanzadas, la herramienta logró recientemente resultados notables en escenarios del mundo real.
Además, la compañía destacó que la herramienta recientemente mejoró significativamente los resultados de la segmentación semántica en el muy estimado Cityscapes Dataset , un punto de referencia ampliamente reconocido para la conducción autónoma.
«Los datos del mundo real a menudo carecen de suficientes ejemplos de entrenamiento para estos objetos menos comunes pero de importancia crucial», explicó McNamara. “Se empleó Reactor para generar datos sintéticos que representan varios escenarios que involucran cochecitos para cerrar esta brecha. Al introducir estos datos sintéticos en los conjuntos de entrenamiento, los modelos podrían aprender mejor y generalizar la detección de cochecitos en escenarios del mundo real; mejorando así la seguridad de los sistemas autónomos”.
Agregó que para el conjunto de datos Cityscapes, Reactor generó instancias sintéticas de trenes y las introdujo en el conjunto de datos.
“Estos datos enriquecidos dieron como resultado un rendimiento mejorado del modelo en la detección y segmentación de trenes, lo que contribuyó a sistemas de conducción autónomos más seguros y eficientes”, dijo McNamara.
ML y los clientes
Agregó que varios de los clientes de Parallel Domain recientemente comenzaron a incorporar la capacidad de Reactor en sus flujos de trabajo de desarrollo de IA. Aunque todavía se encuentra en las primeras etapas, la empresa está entusiasmada con el potencial de Reactor para mejorar los modelos de ML.
“Tanto los clientes como el equipo de Parallel Domain ML han entrenado modelos para casos que han superado significativamente el rendimiento de referencia anterior”, dijo McNamara. “Esto se debe a que la variedad de ejemplos de Reactor aumenta significativamente la diversidad de un conjunto de datos. Diversos datos entrenan grandes modelos y estamos redefiniendo el panorama de la generación de datos sintéticos”.
