Cada flota debería aprender de su propia experiencia.

Imagina un vehículo que se acerca a una zona de obras que cambió de la noche a la mañana. A su modelo le cuesta interpretar la nueva distribución. La grabación debería convertirse en algo más que un archivo de registro o una investigación puntual. Con el contexto adecuado, puede ayudar al equipo a entender el fallo, preparar mejores datos de entrenamiento y comprobar si el siguiente modelo resuelve esa situación con mayor fiabilidad.

Ese es el futuro que queremos para las máquinas autónomas: experiencia que se convierte en aprendizaje útil, una y otra vez. Un robot de reparto, una cosechadora y un brazo industrial se enfrentan a problemas distintos. Quienes los construyen comparten la necesidad de conectar lo que sucede en el mundo con lo que cambia en el modelo. Queremos que esa conexión se convierta en infraestructura fiable.

En Tesla Autopilot, trabajé en sistemas que convertían los casos límite de la flota en mejoras de modelos. Ese trabajo me enseñó a mirar más allá del modelo en sí: cómo el equipo encuentra ejemplos útiles, preserva el contexto de los sensores, determina qué ocurrió y transforma esas decisiones en el siguiente conjunto de entrenamiento. La capacidad de repetir ese proceso importa tanto como cualquier avance individual.

Fundé Avala porque otros equipos de Physical AI no deberían tener que construir toda esa base desde cero. Deberían poder dedicar lo mejor de su ingeniería a las máquinas y los modelos que los distinguen. Avala debería ofrecerles una forma fiable de aprender del mundo, desde su primer flujo de trabajo en producción hasta las flotas que lleguen a operar.

Nuestro trabajo empieza con los datos de producción: grabaciones multimodales de sensores, anotación y revisión de calidad. Las grabaciones MCAP y ROS, las imágenes de cámaras, el LiDAR y las trayectorias de robots deben permanecer conectados al contexto que los hace útiles. Unimos software y operaciones expertas para preparar datos que cumplan los requisitos de entrenamiento del cliente.

Empieza con un problema recurrente: etiquetas inconsistentes, ejemplos que faltan o un conjunto de entrenamiento que necesita otra ronda de correcciones. Define qué significa aceptable. Mide los plazos, la calidad y el esfuerzo total. Después, facilita la producción de la siguiente versión. Así es como un proyecto concreto de datos puede convertirse en un sistema en el que el cliente confía, en lugar de otra entrega desconectada.

Para 2036, nuestra ambición es que Avala sea la infraestructura de aprendizaje que elijan por defecto los equipos que construyen máquinas autónomas: el sistema que usan para transformar la experiencia sobre el terreno en versiones de datos de entrenamiento, conectar esas versiones con la evaluación y repetir lo que funciona en todas sus flotas. Queremos ganarnos esa posición a través de cuatro etapas conectadas.

1. 01

   Demostrar el valor de un flujo de trabajo en producción.

   Resolver un problema que un cliente necesita resolver ahora. Entregar según un criterio de aceptación claro y medir el resultado frente al proceso anterior. Hacer más fiable el siguiente ciclo, sin conformarse con que la primera entrega impresione.

2. 02

   Convertirnos en la base para todos los modelos y equipos.

   Llevar la misma identidad del dataset, el historial de revisión y las políticas de calidad a más flujos de trabajo. Cada ampliación debería reutilizar la infraestructura ya existente. La prueba es si otro equipo o modelo puede beneficiarse sin necesitar otro proyecto de ingeniería a medida.

3. 03

   Automatizar el trabajo entre el descubrimiento y la mejora.

   Avanzar hacia agentes que conviertan un objetivo de entrenamiento en un plan ejecutable: encontrar datos existentes, encargar los ejemplos que faltan, coordinar la revisión experta, preparar una versión y conectar los resultados de evaluación con la siguiente decisión. Automatizar el trabajo rutinario manteniendo las acciones de mayor impacto acotadas, revisables y bajo el control del cliente.

4. 04

   Hacer que el aprendizaje sea portable en todo el ecosistema.

   Conectar sistemas robóticos, modelos e infraestructura mediante interfaces abiertas. Los equipos deberían poder adoptar mejores herramientas sin renunciar a su historial. Los datasets y modelos compartidos pueden ampliar esa base cuando sus propietarios deciden compartirlos y su reutilización está permitida. La interoperabilidad debería ampliar el acceso, sin exigir que se ceda el control.

Los clientes deberían conservar la ventaja que les da su propiedad intelectual. Aprender de la experiencia de una flota no debe significar mezclar sus datos con los de un competidor sin que lo sepa. Creemos en los datos portables, los derechos claros y el despliegue controlado por el cliente. Avala debería ganarse su lugar por el valor del sistema, no por la dificultad de dejar de usarlo.

Las personas que enseñan a las máquinas y las evalúan forman parte de este futuro. Su criterio merece buenas herramientas, una remuneración justa y vías de acceso a trabajos más cualificados. Queremos que la automatización elimine el esfuerzo repetitivo y dé más valor a la experiencia: mejores decisiones registradas en el proceso, mejor software para apoyar la siguiente tarea y menos errores que se repitan.

El propósito más amplio es un trabajo físico más seguro y productivo, y servicios útiles que más personas puedan permitirse. Queremos que un pequeño equipo de robótica pueda apoyarse en capacidades que, de otro modo, exigirían una gran organización interna. Mejores máquinas son el medio. Que más personas puedan construir, obtener ingresos y beneficiarse de ellas es el objetivo.