手動質量保證無法滿足現代數據管道的需求——太慢、太貴、太脆弱。 @Hivemapper 最初建立了一個龐大的基於人力的地圖質量保證數據平台，擁有超過 20,000 名人類編輯。在過去的六個月中，我們刪除了該平台的 85%，並用各種 AI 功能取而代之。 新 AI 平台有三個關鍵部分 1. AI 驗證器 驗證器負責確保速度限制、油價、垂直高度限制、道路寬度等數據的準確性。他們基本上是在評分 Bee 的作業，當 Bee 在捕捉速度限制時出錯，例如將其記錄為 25 mph 而不是 35 mph 時，則會進行修正。這裡運行著多個模型，所有模型都需要達成共識。在這裡，大多數 AI 模型表現良好，我們甚至看到使用 OpenAI 和 Phi 的舊模型也有出色的表現。目前，我們不建議使用 Claude 進行這些基於視覺的 AI 驗證任務。 2. AI 定位 這有點棘手，但基本上我們希望確保物體定位良好，標誌與正確的車道和正確的方位角相關聯。大多數基礎 AI 模型尚未對三維空間有強烈的感知，但我們預計這很快會改變。 OpenAI 的 CPO Kevin Weil 說過："你今天使用的 AI 模型將是你餘生中使用的最糟糕的 AI 模型。" 我們在這裡的做法是捕捉明顯的定位錯誤，我的意思是，路中間是否有速度限制，建築物邊界內是否有電線桿，停車標誌是否與交叉口不對齊等等。這裡還有其他技術，我會留到另一篇文章中再說。 3. AI 再訓練 Bee 正在運行基於推理的 AI 模型，這些模型在邊緣構建地圖。然而，我們首先在雲端訓練這些模型，關鍵在於找到有趣的邊緣案例，以減少未來的錯誤。例如，下面顯示的附在卡車後面的 55 mph 速度限制標誌並不是靜態的速度限制標誌。圍繞這些物體的上下文告訴我們很多關於這些物體本身的信息，因此我們正在教 Bee 的 AI 模型理解這些上下文。從根本上講，你需要數億公里的道路覆蓋範圍才能看到有意義的邊緣案例。Hivemapper 擁有這一點真是太好了。