أي شخص يعمل على بناء أنظمة الذكاء الاصطناعي الفيزيائية للسيارات ذاتية القيادة أو الروبوتات أو التصنيع الذكي يعرف الكابوس: بيانات التدريب نادرة، باهظة التكلفة، ومن المستحيل توسيع نطاقها بكفاءة.

هناك حل ناشئ يستحق الاستكشاف—نشر نماذج أساس العالم NVIDIA Cosmos على البنية التحتية السحابية لتوليد بيانات تدريب تركيبية على نطاق هائل. هذه المقاربة تعالج عنق الزجاجة الرئيسي: بدلاً من جمع ملايين السيناريوهات الواقعية (والتي قد تستغرق سنوات وتكلف ثروات)، يمكنك محاكاة بيئات متنوعة وحالات حافة بشكل برمجي.

سير العمل الفني يشمل تشغيل مجموعات GPU، وضبط نماذج Cosmos لسيناريوهاتك الفيزيائية الخاصة، ثم توليد مجموعات بيانات تركيبية فوتوغرافية تغطي الحالات النادرة التي لم تلتقطها بياناتك الحقيقية. فكّر في: المركبات الذاتية القيادة التي تواجه ظروف طقس غير معتادة، أو الأذرع الروبوتية التي تتعامل مع أشياء بخصائص غير متوقعة.

بالنسبة للفرق العالقة في حلقة جمع البيانات، قد يؤدي هذا التحول الجذري إلى تسريع دورات التطوير لأشهر مع تقليل التكاليف بشكل كبير. لقد وصلت جودة البيانات التركيبية إلى نقطة حيث أن النماذج المدربة عليها تحقق أداءً مماثلاً لتلك المدربة على بيانات العالم الحقيقي في العديد من السيناريوهات.