01
Un único sistema de registro
Mantén los datos de sensores, etiquetas, esquemas, aprobaciones y exportaciones conectados con la versión del conjunto de datos que los produjo.
Empresa
Fleet Learning Infrastructure para Physical AI.
Avala conecta los datos de sensores de robots, vehículos y drones con la revisión humana + IA, las versiones de conjuntos de datos y la retroalimentación del modelo que inicia el siguiente ciclo.
Un ciclo conectado
TrazableDatos de sensores
MCAP · LiDAR · vídeo
Versiones de datos
Versiones · linaje · permisos
Retroalimentación del modelo
Evaluar · deriva · reetiquetar
Cada resultado del modelo puede remontarse a los datos.
Historia del fundador
Avala empezó con el fleet learning de Tesla Autopilot.
Antes de fundar Avala, Emal Alwis se unió al equipo de Autopilot AI de Tesla como su tercer ingeniero de software y el primero en trabajar en fleet learning, reportando directamente a Elon Musk. Construyó los sistemas que convertían los casos límite de la flota en mejoras del modelo a escala de producción.
Esa experiencia dio forma a Avala: un ciclo conectado que preserva el contexto de los sensores, las decisiones de revisión, el linaje de los datasets y el feedback de los modelos. Construimos la infraestructura de datos para que los equipos de Physical AI puedan concentrarse en sus máquinas y modelos.
Emal Alwis
Fundador y CEO
De un vistazo
Avala, en cinco datos.
- Categoría
- Fleet learning infrastructure para Physical AI: datos 4D del mundo real y el ciclo que mejora el modelo.
- Qué operamos
- El bucle que convierte los datos de sensores de una flota en su próximo modelo: reconstrucción 4D, etiquetado humano + IA, control de calidad, versiones publicadas y la entrega al entrenamiento. El etiquetado es una etapa de ese bucle.
- Qué poseen los clientes
- Los datos, las etiquetas y el modelo. Los clientes entrenan en su propio pipeline; Avala opera la infraestructura que hace que cada versión sea mejor que la anterior.
- Fundada
- 2020, San Francisco. El fundador y CEO Emal Alwis fue el tercer ingeniero de software del equipo de Autopilot AI de Tesla y el primero en trabajar en fleet learning.
- Respaldada por
- Wonder Ventures, MaC Venture Capital, Flybridge Capital y Valor Equity Partners.
Por qué Avala
Physical AI mejora cuando sus datos tienen memoria.
Los bytes se multiplican. Lo difícil es saber qué datos importaron, qué cambió, quién los aprobó y qué versión llegó al entrenamiento. Avala conserva intacto ese historial operativo. Cada despliegue produce las excepciones que sus modelos aún no han visto. Conservar ese historial intacto es lo que hace que la siguiente versión sea mejor que la anterior.
Prueba operativa
Construido en producción, no en teoría.
Nuestros equipos ejecutan flujos reales de datos de sensores dentro de Avala. Esa profundidad operativa se convierte en software reutilizable (controles de calidad, versiones de datos y ciclos de retroalimentación), no en una serie de entregas aisladas.
Hacia dónde vamos
Dueños de su propia inteligencia, no inquilinos de la de otros.
En 2028, Avala es la infraestructura abierta sobre la que cualquier operador de máquinas en el mundo físico convierte su propia experiencia en su propia inteligencia, con datos, modelos y despliegue bajo su propio control, para que todos puedan ser dueños de su inteligencia y no inquilinos de la de otros. Empieza con el ciclo que operamos hoy: hacer repetible un flujo de trabajo, llevar su historial a más modelos y equipos, y ayudar a cada flota a aprender de su propia experiencia.
Lee nuestra visiónOperaciones globales
Criterio experto, conectado al sistema.
Una red formada en cinco continentes resuelve los casos que los modelos no pueden, mientras cada decisión permanece vinculada a la versión del conjunto de datos.
Red operativa
5 continentesAvala
Norteamérica
Sudamérica
África
Europa
Asia
Las decisiones humanas permanecen en el mismo flujo gobernado que la automatización.
Cómo construimos
Principios para una infraestructura duradera.
La plataforma debe facilitar la operación correcta: un único registro, evidencia visible y criterio humano donde cambia el resultado.
02
Evidencia en cada control
Haz visibles las decisiones de revisión, las señales de calidad y el historial de versiones para que los equipos puedan reproducir lo que llegó al entrenamiento.
03
Personas donde importa el criterio
Usa la automatización para ganar capacidad. Envía los casos ambiguos, críticos para la seguridad o específicos de un dominio a revisores formados que conservan el contexto entre versiones.
Socios a largo plazo
Respaldados por socios que comparten nuestra misión
Construye con nosotros
Construye la infraestructura de la que dependerá Physical AI.
Únete a un equipo que trabaja en sistemas de datos, operaciones de modelos y ejecución centrada en las personas para robots, vehículos y otras máquinas que aprenden del mundo físico.
Empieza con un flujo de trabajo