Chaque flotte devrait apprendre de sa propre expérience.

Imaginez un véhicule qui approche d’une zone de travaux ayant changé pendant la nuit. Son modèle peine à interpréter la nouvelle configuration. L’enregistrement devrait devenir bien plus qu’un fichier journal ou qu’une investigation ponctuelle. Avec le bon contexte, il peut aider l’équipe à comprendre la défaillance, à préparer de meilleures données d’entraînement et à vérifier si le prochain modèle gère cette situation avec davantage de fiabilité.

C’est l’avenir que nous souhaitons pour les machines autonomes : une expérience qui devient un apprentissage utile, cycle après cycle. Un robot de livraison, une machine de récolte et un bras industriel font face à des problèmes différents. Leurs concepteurs partagent le besoin de relier ce qui se passe dans le monde à ce qui change dans le modèle. Nous voulons que ce lien devienne une infrastructure fiable.

Chez Tesla Autopilot, j’ai travaillé sur des systèmes qui transformaient les cas limites de la flotte en améliorations des modèles. Ce travail m’a appris à regarder au-delà du modèle lui-même : comment l’équipe trouve des exemples utiles, préserve le contexte des capteurs, détermine ce qui s’est passé et s’appuie sur ces décisions pour constituer le prochain jeu de données d’entraînement. La capacité à répéter ce processus compte autant que chaque avancée prise isolément.

J’ai fondé Avala parce que les autres équipes de Physical AI ne devraient pas avoir à construire tout ce socle à partir de zéro. Elles devraient pouvoir consacrer le meilleur de leur ingénierie aux machines et aux modèles qui les distinguent. Avala devrait leur offrir un moyen fiable d’apprendre du monde, de leur premier flux de travail en production aux flottes qu’elles exploiteront un jour.

Notre travail commence par les données de production : enregistrements multimodaux de capteurs, annotation et revue de qualité. Les enregistrements MCAP et ROS, les images des caméras, le LiDAR et les trajectoires des robots doivent rester reliés au contexte qui les rend utiles. Nous réunissons logiciels et opérations expertes pour préparer des données qui répondent aux exigences d’entraînement du client.

Commencez par un problème récurrent : des annotations incohérentes, des exemples manquants ou un jeu de données d’entraînement qui nécessite un nouveau cycle de corrections. Définissez ce qui est acceptable. Mesurez les délais, la qualité et l’effort total. Puis facilitez la production de la version suivante. C’est ainsi qu’un projet de données précis peut devenir un système sur lequel le client s’appuie, plutôt qu’une livraison isolée de plus.

D’ici 2036, notre ambition est qu’Avala soit l’infrastructure d’apprentissage par défaut des équipes qui construisent des machines autonomes : le système qu’elles utilisent pour transformer l’expérience du terrain en versions de données d’entraînement, relier ces versions à l’évaluation et reproduire ce qui fonctionne dans leurs flottes. Nous comptons mériter cette place à travers quatre étapes liées entre elles.

1. 01

   Faire ses preuves sur un flux de travail en production.

   Résoudre un problème qu’un client doit résoudre maintenant. Livrer selon un critère d’acceptation clair et mesurer le résultat par rapport au processus précédent. Rendre le cycle suivant plus fiable, sans se contenter d’une première livraison impressionnante.

2. 02

   Devenir le socle commun aux modèles et aux équipes.

   Étendre la même identité du dataset, le même historique de revue et les mêmes politiques de qualité à davantage de flux de travail. Chaque extension devrait réutiliser l’infrastructure déjà en place. Le test consiste à vérifier si une autre équipe ou un autre modèle peut en bénéficier sans nouveau projet d’ingénierie sur mesure.

3. 03

   Automatiser le travail entre la découverte et l’amélioration.

   Progresser vers des agents qui transforment un objectif d’entraînement en plan exécutable : trouver des données existantes, commander les exemples manquants, coordonner la revue experte, préparer une version et relier les résultats d’évaluation à la prochaine décision. Automatiser le travail courant tout en maintenant les actions à fort impact dans un périmètre défini, avec la possibilité de les examiner et sous le contrôle du client.

4. 04

   Rendre l’apprentissage portable dans tout l’écosystème.

   Relier les systèmes robotiques, les modèles et l’infrastructure au moyen d’interfaces ouvertes. Les équipes devraient pouvoir adopter de meilleurs outils sans renoncer à leur historique. Des datasets et des modèles partagés peuvent étendre ce socle lorsque leurs propriétaires choisissent de les partager et que leur réutilisation est autorisée. L’interopérabilité devrait élargir l’accès, sans imposer de céder le contrôle.

Les clients devraient conserver l’avantage que leur confèrent leurs ressources propriétaires. Apprendre de l’expérience d’une flotte ne doit pas signifier regrouper discrètement ses données avec celles d’un concurrent. Nous croyons aux données portables, à des droits clairs et à un déploiement contrôlé par le client. Avala devrait mériter sa place par la valeur du système, et non par la difficulté à le quitter.

Les personnes qui enseignent aux machines et les évaluent font partie de cet avenir. Leur jugement mérite de bons outils, une rémunération juste et des voies d’accès à un travail plus qualifié. Nous voulons que l’automatisation élimine les efforts répétitifs tout en donnant plus de valeur à l’expertise : de meilleures décisions consignées dans le processus, de meilleurs logiciels pour accompagner la tâche suivante et moins d’erreurs répétées.

L’objectif plus large est un travail physique plus sûr et plus productif, ainsi que des services utiles à la portée de davantage de personnes. Nous voulons qu’une petite équipe de robotique puisse s’appuyer sur des capacités qui exigeraient autrement une vaste organisation interne. De meilleures machines sont le moyen. Permettre à davantage de personnes de construire, de gagner leur vie et d’en bénéficier est le but.