Con la compra de DeepScale, Tesla está comenzando a desarrollar su Start-Up de aprendizaje automático. El equipo contratado a través de esta adquisición ha empezado a dar frutos, entregando una nueva IP para la compañía. Fue durante el último período del año pasado que se revelo la adquisición de DeepScale por parte de Tesla.
DeepScale es una Start-Up ubicada en el Área de la Bahía de California (EE.UU), enfocada en la «Red Neural Profunda (DNN)» para vehículos autónomos. Sin embargo, el monto no fue revelado por intereses de ambas partes.
La nueva IP en aprendizaje automático
El proyecto se especializó en la computación de sistemas de aprendizaje profundo con uso eficiente de la energía. Básicamente, también es un área de enfoque importante para Tesla. Por este motivo la compañía decidió diseñar su propio chip de computadora para alimentar su software de conducción autónoma.
Recién ahora estamos viendo parte del trabajo de ese equipo, gracias a una nueva solicitud de patente. Sin embargo, durante un tiempo se especuló que Tesla adquirió el pequeño equipo de inicio, con la finalidad de acelerar su desarrollo de aprendizaje automático.
A los pocos días después de que Tesla adquiriera la Start-Up en octubre de 2019, el fabricante de automóviles solicitó una nueva patente. Esta nueva patente pediría a tres miembros de DeepScale listados como inventores: Matthew Cooper, Paras Jain y Harsimran Singh Sidhu.
La solicitud de patente llamada «Sistemas y métodos para entrenar modelos de máquinas con datos aumentados» se publicó el 16 de este mes.
La explicación de Tesla
Parte de la explicación de Tesla sobre la aplicación, destaca los sistemas y métodos para entrenar los modelos de máquinas con datos aumentados. Por ejemplo, un método incluye identificar un conjunto de imágenes capturadas por un conjunto de cámaras mientras se fijan a uno o más sistemas de recolección de imágenes. De esta manera para cada imagen en el conjunto se identifica una salida de entrenamiento.
Tal vez te interese: Los robotaxis de Tesla solo esperan aprobación regulatoria para circular.
Para una o más imágenes en el conjunto de estas, se genera una imagen aumentada para un conjunto de imágenes aumentadas. Es decir, para generar una imagen aumentada se necesita modificar la imagen con una función de manipulación de la misma que mantiene las propiedades de la cámara.
La imagen aumentada de entrenamiento está asociada directamente con la salida de entrenamiento de la imagen. De esta forma, se entrena un conjunto de parámetros del modelo predictivo de computadora para predecir el resultado del entrenamiento. Todo basado en un conjunto de entrenamiento de imágenes que incluye las imágenes y el conjunto de imágenes aumentadas.
Fuente: Electrek.