Компания Teraki разработала программную технологию, которая позволяет сжимать и фильтровать данные для более точного обнаружения объектов и нужд машинного обучения.

Большие данные – ​важная составляющая подключенных устройств. Тем не менее для большинства поставщиков экспоненциальный рост объема данных представляет проблему – ​особенно в том, что касается рентабельности центрального процессора в системе, достаточно мощной для обработки данных, и отправки больших данных в «облако» для обучения с использованием искусственного интеллекта. Стартап Teraki (г. Берлин, ФРГ) специализируется на решении сложных задач обработки данных. Эксперты Teraki разрабатывают методы обработки сигналов, использующие сжатие данных и тем самым позволяющие встроенным системам более эффективно использовать входящие данные, сводя к минимуму время ожидания и повышая точность алгоритма.

В основе технологии Teraki лежит сочетание больших данных, ИИ и квантовых вычислений – ​и это не просто маркетинговый ход. Стартап, основанный Дэниелом Ричартом, бывшим исследователем в области квантовой оптики Института Макса Планка, действительно сосредоточен на разработке такого комплексного подхода. По мнению Ричарта, идея квантовой теории информации на самом деле не так далека от того, что требуется для современных вычислений. Точно так же, как квантовые вычисления должны находить качественное, стабильное «состояние кубита», отсеивая множество атомов, генерирующих шумовые помехи, Интернет вещей и производители электроники должны иметь возможность извлекать информацию из потока данных – ​достаточно быстро и с тем качеством, которое им необходимо для обработки полезных данных.

Ричарт и его команда начали подготовку основной концепции Teraki в 2014 г., а официально создали компанию в 2015-м. К настоящему времени подходы Teraki к повышению эффективности обрабатываемых данных можно описать блок-схемой, представленной на рис. 1.

Источник: Teraki

Рисунок 1. Методика Teraki для эффективной встроенной обработки и сокращения объема передаваемых данных

Рассмотрим пример высокоавтоматизированных транспортных средств. Если на уровне датчиков происходит только небольшая предварительная обработка данных, при слиянии данных датчиков транспортных средств автопроизводители могут столкнуться с большими издержками, поскольку для решения этой задачи потребуется более мощный и дорогостоящий центральный вычислительный блок. -Отправка и хранение больших объемов данных в «облаке» для обучения с использованием ИИ также может быть связано с серьезными затратами со стороны изготовителей комплектного оборудования (OEM). Следует также прибавить к этому проблему времени ожидания, которая может вызвать запаздывания и неточности при обнаружении объектов.

ПО для сокращения объемов передаваемых данных

Сосредоточив внимание на встроенной обработке краевых вычислений, Teraki разработала программную технологию, способную уменьшать объем передаваемых данных о сигналах трех различных типов датчиков: телематических, камер и лидаров или радаров. Утверждается, что ПО Teraki способно уменьшить объем передаваемых телематических сигналов на 90–97%. Высвобождающиеся ресурсы перенаправляются на профилактическое обслуживание, мониторинг поведения водителя или предупреждение аварийных ситуаций. ПО Teraki может работать на стандартных автомобильных ИС, таких как вычислительный блок Bluebox фирмы NXP Semiconductors и микроконтроллер Aurix фирмы Infineon. Переговоры о закупке первой партии продукции Teraki уже ведутся.

Компания также разработала ПО, предварительно обрабатывающее сигналы 2D-изо-бражения с камер. Видеокадры обрабатываются до уровня требований кодирования по стандарту H.264. Утверждается, что таким образом удается сократить объем передаваемых данных на 75% от исходного, что, предположительно, поспособствует улучшению восприятия на основе видео. Разработка ПО завершена, избранные OEM уже проводят тестирование.

Самым многообещающим из программных инноваций Teraki могло бы стать решение для трехмерных данных облака точек, полученных с помощью лидаров, датчиков времени пролета и радаров. Сейчас Teraki сотрудничает в этом плане с несколькими фирмами-разработчиками лидаров. Соответствующее ПО находится на этапе демоверсии, переход на этап коммерческой доступности ожидается в I кв. 2020 г. Место Teraki в экосистеме обработки данных указано на рис. 2.

Источник: Teraki

Средства Teraki обрабатывают 60% всех данных приложений, основанных на обработке данных датчиков

Рисунок 2. Место Teraki в экосистеме обработки данных

Технология сжатия данных стартапа Teraki позволяет адаптивно фильтровать данные и изменять их объем, что обеспечивает более точное обнаружение объектов и соответствие нуждам машинного обучения. Это не просто уменьшение количества бит путем сжатия, – ​подход, используемый компанией, не допускает того, чтобы предварительная обработка сигналов датчиков ухудшила качество и точность данных. Сжатие данных на ранних этапах обработки информации с датчиков во встроенной системе позволяет снизить время передачи и смягчить требования к ОЗУ и ПЗУ, а кроме того, существенно сокращает время обучения.

Камера, действующая на основе кадров и событий

Возникает вопрос: если сокращение времени ожидания столь важно для повышения безопасности высокоавтоматизированных транспортных средств, зачем тратить время на предварительную обработку кадров с обычной камеры на основе кадров? Как насчет использования камеры, работающей на основе событий (например, фирмы Prophesee)? Специалисты Teraki заявляют, что достижения в области нейроморфной инженерии позволяют добиться взаимодополняющей работы двух подходов. Управляемые событиями датчики изображения обладают минимальным временем ожидания, поэтому могут функционировать в качестве средства раннего предупреждения. При этом ПО Teraki гораздо более адаптивно в случаях извлечении информации из любых датчиков, а время ожидания не превышает 10 мс.

В декабре 2019 г. Teraki получила 11 млн долл. финансирования на первоначальное развитие (Series A financing, получаемое после «семенного» финансирования). Большую часть средств предоставил фонд венчурного финансирования Horizons Ventures, остальное вложили другие стратегические инвесторы. Таким образом, общий капитал, вложенный в Teraki с учетом «семенного» финансирования, достиг 16,3 млн долл.

Yoshida Junko. Teraki Takes ‘Quantum’ Leap on Big Data. EETimes magazine, January 13, 2020: https://www.eetimes.com/teraki-takes-quantum-leap-on-big-data/