01
Ein zentrales System of Record
Sensordaten, Labels, Schemata, Freigaben und Exporte bleiben mit der Dataset-Version verbunden, die sie hervorgebracht hat.
Unternehmen
Fleet Learning Infrastructure für Physical AI.
Avala verbindet Sensordaten von Robotern, Fahrzeugen und Drohnen mit Mensch+KI-Prüfung, versionierten Dataset-Releases und dem Modellfeedback, das den nächsten Zyklus auslöst.
Ein verbundener Kreislauf
RückverfolgbarSensordaten
MCAP · LiDAR · Video
Dataset-Releases
Versionen · Herkunft · Berechtigungen
Modellfeedback
Evaluieren · Drift · neu labeln
Jedes Modellergebnis kann zu den Daten zurückverfolgt werden.
Gründergeschichte
Avala begann mit Fleet Learning bei Tesla Autopilot.
Vor der Gründung von Avala kam Emal Alwis als dritter Softwareingenieur zum Autopilot-AI-Team von Tesla und war dort der Erste, der an Fleet Learning arbeitete, direkt unterstellt Elon Musk. Er baute die Systeme, die Flotten-Grenzfälle im Produktionsmaßstab in Modellverbesserungen verwandelten.
Diese Erfahrung prägte Avala: ein verbundener Kreislauf, der Sensorkontext, Prüfentscheidungen, die Herkunft und Entwicklung von Datensätzen und Modellfeedback bewahrt. Wir bauen die Datengrundlage, damit sich Teams für Physical AI auf ihre Maschinen und Modelle konzentrieren können.
Emal Alwis
Gründer & CEO
Auf einen Blick
Avala in fünf Fakten.
- Kategorie
- Fleet learning infrastructure für Physical AI: 4D-Realweltdaten und die Schleife, die das Modell verbessert.
- Was wir betreiben
- Die Schleife, die die eigenen Sensordaten einer Flotte in ihr nächstes Modell verwandelt: 4D-Rekonstruktion, Mensch-plus-KI-Labeling, Qualitätskontrolle, versionierte Releases und die Übergabe ans Training. Labeling ist eine Stufe dieser Schleife.
- Was Kunden besitzen
- Die Daten, die Labels und das Modell. Kunden trainieren in ihrer eigenen Pipeline; Avala betreibt die Infrastruktur, die jedes Release besser macht als das letzte.
- Gegründet
- 2020 in San Francisco. Gründer und CEO Emal Alwis war der dritte Softwareingenieur im Autopilot-AI-Team von Tesla und der Erste, der dort an Fleet Learning arbeitete.
- Unterstützt von
- Wonder Ventures, MaC Venture Capital, Flybridge Capital und Valor Equity Partners.
Warum Avala
Physical AI wird besser, wenn ihre Daten ein Gedächtnis haben.
Die Datenmenge wächst. Die eigentliche Schwierigkeit ist zu wissen, welche Daten wichtig waren, was sich geändert hat, wer sie freigegeben hat und welches Release ins Training gelangte. Avala bewahrt diese Betriebshistorie. Jeder Einsatz erzeugt die Ausnahmen, die seine Modelle noch nicht gesehen haben. Diese Historie intakt zu halten, macht das nächste Release besser als das vorherige.
Operativer Nachweis
Im Produktionsbetrieb gebaut, nicht in der Theorie.
Unsere Teams betreiben echte Sensordaten-Workflows in Avala. Diese operative Tiefe wird zu wiederverwendbarer Software (Qualitätskontrollen, Dataset-Versionen und Feedbackschleifen) statt zu einer Folge einmaliger Lieferungen.
Wohin wir wollen
Eigentümer der eigenen Intelligenz, nicht Mieter einer fremden.
2028 ist Avala die offene Infrastruktur, auf der jeder Betreiber von Maschinen in der physischen Welt seine eigene Erfahrung in seine eigene Intelligenz verwandelt – mit Daten, Modellen und Deployment unter eigener Kontrolle –, damit jeder Eigentümer seiner Intelligenz sein kann und nicht Mieter einer fremden. Es beginnt mit dem Kreislauf, den wir heute betreiben: einen Workflow wiederholbar machen, seine Historie über mehr Modelle und Teams tragen und jeder Flotte helfen, aus ihrer eigenen Erfahrung zu lernen.
Unsere Vision lesenGlobale Abläufe
Expertenurteil, mit dem System verbunden.
Ein geschultes Netzwerk auf fünf Kontinenten bearbeitet Fälle, die Modelle nicht lösen können. Jede Entscheidung bleibt mit dem Dataset-Release verknüpft.
Operatives Netzwerk
5 KontinenteAvala
Nordamerika
Südamerika
Afrika
Europa
Asien
Menschliche Entscheidungen bleiben im selben kontrollierten Workflow wie die Automatisierung.
Wie wir bauen
Prinzipien für dauerhafte Infrastruktur.
Die Plattform soll richtiges Handeln erleichtern: ein Datensatz, sichtbare Nachweise und menschliches Urteilsvermögen dort, wo es das Ergebnis verändert.
02
Nachweise an jedem Kontrollpunkt
Prüfentscheidungen, Qualitätssignale und Release-Verlauf werden sichtbar, damit Teams reproduzieren können, was ins Training gelangt ist.
03
Menschen, wo Urteilsvermögen zählt
Automatisierung schafft Durchsatz. Mehrdeutige, sicherheitskritische und domänenspezifische Fälle gehen an geschulte Prüfer, die den Kontext über Releases hinweg bewahren.
Langfristige Partner
Unterstützt von Partnern, die unsere Mission teilen
Baue mit uns
Baue die Infrastruktur, auf die Physical AI angewiesen sein wird.
Arbeite mit uns an Datensystemen, Modellbetrieb und menschenzentrierter Umsetzung für Roboter, Fahrzeuge und andere Maschinen, die aus der physischen Welt lernen.
Mit einem Workflow starten