Jede Flotte sollte aus ihren eigenen Erfahrungen lernen.

Stellen Sie sich ein Fahrzeug vor, das sich einer Baustelle nähert, die sich über Nacht verändert hat. Sein Modell hat Schwierigkeiten, die neue Anordnung zu verstehen. Die Aufzeichnung sollte mehr werden als eine Protokolldatei oder eine einmalige Untersuchung. Mit dem richtigen Kontext kann sie dem Team helfen, den Fehler zu verstehen, bessere Trainingsdaten vorzubereiten und zu prüfen, ob das nächste Modell diese Situation zuverlässiger bewältigt.

Das ist die Zukunft, die wir uns für autonome Maschinen wünschen: Erfahrungen, aus denen immer wieder nützliches Lernen entsteht. Ein Lieferroboter, eine Erntemaschine und ein Industrieroboterarm stehen vor unterschiedlichen Problemen. Ihre Entwickler haben ein gemeinsames Bedürfnis: das Geschehen in der Welt mit den Veränderungen im Modell zu verbinden. Diese Verbindung soll zu verlässlicher Infrastruktur werden.

Bei Tesla Autopilot arbeitete ich an Systemen, die Grenzfälle aus der Flotte in Modellverbesserungen verwandelten. Diese Arbeit lehrte mich, über das Modell selbst hinauszublicken: Wie findet das Team nützliche Beispiele, bewahrt den Sensorkontext, beurteilt das Geschehen und verwandelt diese Entscheidungen in den nächsten Trainingsdatensatz? Diesen Prozess wiederholen zu können, ist ebenso wichtig wie jeder einzelne Durchbruch.

Ich gründete Avala, damit andere Teams für Physical AI diese gesamte Grundlage nicht von Grund auf selbst bauen müssen. Sie sollten ihre besten Ingenieursleistungen in die Maschinen und Modelle investieren können, die sie auszeichnen. Avala sollte ihnen einen verlässlichen Weg bieten, aus der Welt zu lernen: vom ersten Arbeitsablauf im produktiven Einsatz bis zu den Flotten, die sie später betreiben.

Unsere Arbeit beginnt mit Daten aus dem produktiven Einsatz: multimodalen Sensoraufzeichnungen, Annotation und Qualitätsprüfung. MCAP- und ROS-Aufzeichnungen, Kamerabilder, LiDAR und Robotertrajektorien müssen mit dem Kontext verbunden bleiben, der sie nützlich macht. Wir bringen Software und fachkundige operative Arbeit zusammen, um Daten vorzubereiten, die den Trainingsanforderungen des Kunden entsprechen.

Beginnen Sie mit einem wiederkehrenden Problem: uneinheitlichen Annotationen, fehlenden Beispielen oder einem Trainingsdatensatz, der eine weitere Korrekturrunde braucht. Definieren Sie, was akzeptabel ist. Messen Sie Durchlaufzeit, Qualität und Gesamtaufwand. Machen Sie dann das nächste Release leichter produzierbar. So kann aus einem konkreten Datenprojekt ein System werden, auf das sich der Kunde verlässt, statt einer weiteren isolierten Lieferung.

Unser Ziel für 2036 ist, dass Avala die Lerninfrastruktur ist, auf die Teams beim Bau autonomer Maschinen standardmäßig zurückgreifen: das System, mit dem sie Erfahrungen aus dem Einsatz in Trainingsdaten-Releases verwandeln, diese Releases mit der Evaluation verbinden und Bewährtes in ihren Flotten wiederholen. Diese Position wollen wir uns in vier miteinander verbundenen Etappen verdienen.

1. 01

   Einen Arbeitsablauf im produktiven Einsatz validieren.

   Ein Problem lösen, für das ein Kunde jetzt eine Lösung braucht. Nach einem klaren Abnahmestandard liefern und das Ergebnis am bisherigen Prozess messen. Den nächsten Zyklus zuverlässiger machen, statt sich mit einer beeindruckenden ersten Lieferung zufriedenzugeben.

2. 02

   Zur gemeinsamen Grundlage für Modelle und Teams werden.

   Dieselbe Datensatzidentität, Prüfhistorie und dieselben Qualitätsrichtlinien in weitere Arbeitsabläufe übernehmen. Jede Erweiterung sollte die bereits vorhandene Infrastruktur nutzen. Entscheidend ist, ob ein weiteres Team oder Modell davon profitieren kann, ohne ein weiteres maßgeschneidertes Entwicklungsprojekt zu benötigen.

3. 03

   Die Arbeit zwischen Entdeckung und Verbesserung automatisieren.

   Auf Agenten hinarbeiten, die ein Trainingsziel in einen ausführbaren Plan übersetzen: vorhandene Daten finden, fehlende Beispiele in Auftrag geben, die Prüfung durch Experten koordinieren, ein Release vorbereiten und Evaluationsergebnisse mit der nächsten Entscheidung verbinden. Routinearbeit automatisieren und dabei folgenreiche Aktionen klar begrenzt, überprüfbar und unter der Kontrolle des Kunden halten.

4. 04

   Lernen im gesamten Ökosystem übertragbar machen.

   Robotiksysteme, Modelle und Infrastruktur über offene Schnittstellen verbinden. Teams sollten bessere Werkzeuge einsetzen können, ohne ihre Historie aufzugeben. Geteilte Datensätze und Modelle können diese Grundlage erweitern, wenn ihre Eigentümer sie teilen möchten und die Wiederverwendung erlaubt ist. Interoperabilität sollte den Zugang erweitern, ohne die Aufgabe der Kontrolle zu verlangen.

Kunden sollten den Vorteil ihrer proprietären Ressourcen behalten. Aus den Erfahrungen einer Flotte zu lernen, darf nicht bedeuten, ihre Daten stillschweigend mit denen eines Wettbewerbers zusammenzuführen. Wir glauben an portable Daten, klare Rechte und einen vom Kunden kontrollierten Einsatz. Avala sollte sich seinen Platz durch den Wert des Systems verdienen, nicht durch die Schwierigkeit, es zu verlassen.

Die Menschen, die Maschinen unterrichten und bewerten, sind Teil dieser Zukunft. Ihr Urteilsvermögen verdient gute Werkzeuge, faire Vergütung und Wege zu anspruchsvollerer Arbeit. Automatisierung soll repetitive Arbeit beseitigen und dabei Expertise wertvoller machen: bessere Entscheidungen, die im Prozess festgehalten werden, bessere Software zur Unterstützung der nächsten Aufgabe und weniger wiederholte Fehler.

Das übergeordnete Ziel sind sicherere und produktivere körperliche Arbeit sowie nützliche Dienstleistungen, die sich mehr Menschen leisten können. Ein kleines Robotikteam soll auf Fähigkeiten aufbauen können, die sonst eine große interne Organisation erfordern würden. Bessere Maschinen sind das Mittel. Mehr Menschen, die damit etwas aufbauen, Geld verdienen und davon profitieren können, sind das Ziel.