Будь-хто, хто займається створенням фізичних AI-систем для автомобілів з автономним керуванням, робототехніки чи розумного виробництва, знає цей кошмар: навчальні дані є рідкісними, надзвичайно дорогими й практично неможливими для масштабування.

З’являється перспективне рішення, яке варто дослідити — розгортання базових моделей світу NVIDIA Cosmos на хмарній інфраструктурі для генерації синтетичних навчальних даних у величезних масштабах. Цей підхід вирішує основну вузьку ланку: замість збору мільйонів реальних сценаріїв (що могло б тривати роки й коштувати статки), ви можете програмно моделювати різноманітні середовища й крайові випадки.

Технічний робочий процес передбачає запуск кластерів GPU, налаштування моделей Cosmos для ваших конкретних фізичних сценаріїв, а потім генерацію фотореалістичних синтетичних датасетів, які охоплюють рідкісні ситуації, що їх не містили ваші реальні дані. Наприклад: автономні транспортні засоби, які стикаються з незвичайними погодними умовами, або роботизовані маніпулятори, що працюють з об’єктами з непередбачуваними властивостями.

Для команд, які застрягли на етапі збору даних, така зміна парадигми може прискорити цикл розробки на місяці й суттєво знизити витрати. Якість синтетичних даних уже досягла такого рівня, що моделі, навчені на них, демонструють співставні результати з тими, що були навчені виключно на реальних даних у багатьох сценаріях.