01
Un système de référence unique
Gardez les données capteurs, les étiquettes, les schémas, les approbations et les exports liés à la version du jeu de données qui les a produits.
Entreprise
Fleet Learning Infrastructure pour la Physical AI.
Avala relie les données capteurs des robots, véhicules et drones à la révision humaine + IA, aux versions de jeux de données et au retour du modèle qui déclenche le cycle suivant.
Une boucle connectée
TraçableDonnées capteurs
MCAP · LiDAR · vidéo
Versions des jeux de données
Versions · traçabilité · autorisations
Retour du modèle
Évaluer · dérive · réétiqueter
Chaque résultat du modèle peut être relié aux données.
Parcours du fondateur
Avala a commencé avec le fleet learning de Tesla Autopilot.
Avant de fonder Avala, Emal Alwis a rejoint l'équipe Autopilot AI de Tesla comme troisième ingénieur logiciel et premier à travailler sur le fleet learning, en rapportant directement à Elon Musk. Il a construit les systèmes qui transformaient les cas limites de la flotte en améliorations du modèle à l'échelle de la production.
Cette expérience a façonné Avala : une boucle connectée qui préserve le contexte des capteurs, les décisions de revue, la traçabilité des datasets et le feedback des modèles. Nous construisons le socle de données pour que les équipes de Physical AI puissent se concentrer sur leurs machines et leurs modèles.
Emal Alwis
Fondateur et CEO
En bref
Avala, en cinq faits.
- Catégorie
- Fleet learning infrastructure pour la Physical AI : des données 4D du monde réel et la boucle qui améliore le modèle.
- Ce que nous opérons
- La boucle qui transforme les données capteurs d'une flotte en son prochain modèle : reconstruction 4D, labeling humain + IA, contrôle qualité, versions publiées et remise à l'entraînement. Le labeling est une étape de cette boucle.
- Ce que possèdent les clients
- Les données, les labels et le modèle. Les clients entraînent dans leur propre pipeline ; Avala opère l'infrastructure qui rend chaque version meilleure que la précédente.
- Fondée
- 2020, San Francisco. Le fondateur et CEO Emal Alwis a été le troisième ingénieur logiciel de l'équipe Autopilot AI de Tesla et le premier à y travailler sur le fleet learning.
- Soutenue par
- Wonder Ventures, MaC Venture Capital, Flybridge Capital et Valor Equity Partners.
Pourquoi Avala
La Physical AI progresse lorsque ses données ont une mémoire.
Les octets se multiplient. Le plus difficile est de savoir quelles données ont compté, ce qui a changé, qui les a approuvées et quelle version a atteint l’entraînement. Avala préserve cet historique opérationnel. Chaque déploiement produit les exceptions que ses modèles n’ont pas encore vues. Préserver cet historique intact est ce qui rend la version suivante meilleure que la précédente.
Preuve opérationnelle
Construit en production, pas en théorie.
Nos équipes exécutent de vrais workflows de données capteurs dans Avala. Cette profondeur opérationnelle devient un logiciel réutilisable (contrôles qualité, versions de données et boucles de retour), et non une succession de livraisons ponctuelles.
Notre direction
Propriétaires de leur intelligence, pas locataires de celle d’un autre.
En 2028, Avala est l’infrastructure ouverte sur laquelle tout opérateur de machines dans le monde physique transforme sa propre expérience en sa propre intelligence, avec les données, les modèles et le déploiement sous son propre contrôle, pour que chacun puisse être propriétaire de son intelligence plutôt que locataire de celle d’un autre. Cela commence par la boucle que nous faisons tourner aujourd’hui : rendre un flux de travail répétable, porter son historique vers davantage de modèles et d’équipes, et aider chaque flotte à apprendre de sa propre expérience.
Lire notre visionOpérations mondiales
Le jugement expert, connecté au système.
Un réseau formé sur cinq continents traite les cas que les modèles ne peuvent pas résoudre, tandis que chaque décision reste liée à la version du jeu de données.
Réseau opérationnel
5 continentsAvala
Amérique du Nord
Amérique du Sud
Afrique
Europe
Asie
Les décisions humaines restent dans le même workflow gouverné que l’automatisation.
Notre manière de construire
Des principes pour une infrastructure durable.
La plateforme doit faciliter les bonnes pratiques opérationnelles : un registre unique, des preuves visibles et un jugement humain là où il change le résultat.
02
Des preuves à chaque contrôle
Rendez visibles les décisions de révision, les signaux de qualité et l’historique des versions afin que les équipes puissent reproduire ce qui a servi à l’entraînement.
03
L’humain là où le jugement compte
Utilisez l’automatisation pour le débit. Confiez les cas ambigus, critiques pour la sécurité ou propres à un domaine à des réviseurs formés qui conservent le contexte entre les versions.
Partenaires de long terme
Soutenus par des partenaires qui partagent notre mission
Construisez avec nous
Construisez l’infrastructure dont dépendra la Physical AI.
Rejoignez une équipe qui relie systèmes de données, opérations de modèles et exécution centrée sur l’humain pour les robots, véhicules et autres machines qui apprennent du monde physique.
Commencez par un workflow