L'IA Physique a un Problème de Données — et Ce N'est Pas la Collecte de Données

Cet atelier en ligne montre aux équipes d'IA Physique comment transformer les enregistrements bruts de robots multi-capteurs en un corpus classifié et interrogeable en utilisant MCAP et FiftyOne. ## Des enregistrements à des ensembles de données fiables L'IA Physique dépend encore de tâches familières de vision par ordinateur telles que la détection, la segmentation, l'estimation de profondeur et le suivi. Le défi est que l'unité de base des données a changé. Au lieu d'une image et d'une étiquette, les équipes travaillent désormais avec de longs épisodes contenant des caméras, LiDAR, GPS, IMU et journaux, tous fonctionnant sur des horloges indépendantes et sans frontières de cadre simples. Se déroulant le mercredi 9 septembre 2026, de 9h00 à 10h00 PST, cette session pratique en ligne examine pourquoi les outils de vision par ordinateur conventionnels peinent souvent avec cette complexité. Elle est organisée par le London AI, Machine Learning and Computer Vision Meetup et animée par le super organisateur Jimmy G. L'annonce du Meetup la décrit comme un événement de networking avec 116 participants à travers 48 groupes hôtes. ## Ce que couvre l'atelier La session suit le parcours des données, de l'enregistrement brut au corpus classifié. Les participants vont : - Apprendre ce qu'est MCAP, comment il est structuré et pourquoi il est devenu le format de journal par défaut de ROS 2 depuis Iron. - Visiter de véritables ensembles de données d'IA Physique produits par des robots terrestres, aquatiques et forestiers. - Ouvrir un épisode complet avec chaque capteur synchronisé sur une chronologie partagée, y compris des canaux que les logiciels existants peuvent ne pas savoir décoder. - Voir comment FiftyOne 1.19 peut ouvrir des fichiers MCAP nativement aux côtés d'images et de vidéos. - Explorer une collection entière d'enregistrements plutôt que d'inspecter les fichiers un par un. - Examiner la fluidité, la santé des capteurs et les métriques des valeurs aberrantes, y compris ce que chaque signal mesure et où il peut être trompeur. - Apprendre à transformer des scores de qualité en décisions défendables sur les données à conserver, à examiner ou à exclure.… Inscrivez-vous à cet événement