Põhijoontes: Vision-AI-agendid vajavad süstemaatilisi lähenemisi andmete sünteseerimiseks ja mudelite täpsustamiseks, et tuvastada haruldasi juhtumeid ja kohaneda kohalike tingimustega.
NVIDIA esitleb töövoogusid, et teha Vision-AI-agenditega täpsemaks läbi sünteetiliste treeningandmete ja mudelite kohandamise. See on suunatud servapaigatuste juurutamisele tööstuses, logistikas ja linnades.
Probleemistik: Gartneri andmetel töödeldakse 2028. aastaks üle kahe kolmandiku ettevõttete juhtimisest pärinevaid andmeid väljaspool andmekeskusi või pilverakendusi andmete tekkekohas. Edge-AI-juurutamine peaks 2029. aastaks kasvama üle kahe kolmandiku kõigile maailma ettevõtetele, võrreldes 10%-ga 2025. aastal. Kuid umbes 90% servaaandmetest jääb seni töötlemata. Põhjus on selles, et Vision-AI-agendid peavad mõistma videoandmeid, kohanema tegeliku maailmaga ja samal ajal järgima latentsi-, energia- ja ühenduvusnõudeid juurutuskohas.
Tüüpilised arendamistihendid: Arendajad seisavad silmitsi kolme kesksega väljakutsega. Esiteks: täpsuse plaatod andmelünkade tõttu – näiteks kui inspektsioonimudel on treenitud tavapärastel kriimustustele, kuid ei tuvasta peenikesi pragusid, mis pole treeningandmetes esindatud. Teiseks: puuduv teadustiline ettevalmistus täpsustamisel, kuna kohandumine nõuab märgistatud andmekogumeid, treeningkonfiguratsiooni, katse jälgimist ja hindamist – ressursse, mida väiksemad meeskonnad ei oma. Kolmandaks: ajamahukas agendipipeliinide kokkupanemine videosse töötlemisest, AI-mudelitest, metaandmetest, manukasutusest, indekseermisest, otsingust, hoiatustest ja süsteemi integratsioonist.
NVIDIAga lahenduslähenemise: NVIDIA Metropolis agent skills ja blueprints pakuvad taaskasutatavaid töövoogusid kogu arendustsükli jooksul. Defect Image Generation skill loob sünteetilisi defektiandmeid. Video Data Augmentation skill laiendab stsenaariumi katmist – valgustuse, ilma, liiklusmustrite, kaamera nurkade, varjestuste ja haruldaste sündmuste jaoks. NVIDIA TAO skills võimaldavad mudelite täpsustamist, toetatud OpenUSD-ga kui ühise 3D-stseenide kirjeldusformaadiga simulatsioonile ja sünteetiliste andmete genereerimisele NVIDIA Omniverses. See vältib 3D-keskkondade taasehitamist iga asukoha või tingimuse muutumise korral.
Eesmärk on, et arendajad saaksid reprodutseeritavalt luua sünteetilisi andmeid, kohandada mudeleid ja jagada Vision-AI-rakendusi ühtlaselt servade ja pilve vahel – ilma spetsialiseeritud ML-meeskondadeta igal asukohal.
Allikas: blogs.nvidia.com · Avaldatud 30. juunil 2026
Lumi AI News — AI-abil kurateeritud kooskõlas EU AI Akti artikliga 50. Parafraas ja klassifikatsioon Lumi News Pipeline v1.7.2 kaudu.