NVIDIA wprowadza Cosmos Data Factory do automatyzacji szkoleń AI w świecie fizycznym
W skrócie: NVIDIA zaprezentowała Cosmos Data Factory (CDF) – platformę wykorzystującą orkiestrację agentową do automatyzacji kuracji, augmentacji i syntetycznego generowania zbiorów danych treningowych. Programiści mogą wdrażać pięć chmurowych szablonów za pomocą prostych promptów, wykonując zadania takie jak augmentacja wideo, generowanie rzadkich zdarzeń czy etykietowanie obrazów.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „NVIDIA Developer”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1Udostępniono pięć szablonów referencyjnych dla zadań takich jak generowanie scenariuszy autonomicznej jazdy i tworzenie obrazów defektów.
- 2Wprowadzono sześć komponowalnych umiejętności agentowych, w tym automatyczne etykietowanie, generowanie anomalii i symulację.
- 3Umożliwiono przepływy pracy „od promptu do danych” sterowane przez agentów kodujących.
- 4Osiągnięto do 60x szybsze tworzenie zbiorów danych i do 45x niższe koszty w porównaniu z tradycyjnymi metodami gromadzenia danych.
Dlaczego to ważne?
Platforma ta przenosi proces tworzenia zbiorów danych z ręcznych, czasochłonnych zadań na zdefiniowane obliczeniowo przepływy pracy. Dzięki ograniczeniu konieczności rejestrowania rzadkich zdarzeń w świecie rzeczywistym, zespoły mogą efektywniej i taniej szkolić agentów wizyjnych.
Co to oznacza dla agentów AI i contact center?
Jeśli Twoja firma buduje agentów do inspekcji wizualnej lub wizji komputerowej, warto sprawdzić ten zestaw narzędzi w celu automatyzacji potoków danych. Porównaj dokładność etykietowania i jakość syntezy z obecnymi metodami; wskaźniki kosztu jednostkowego stanowią punkt odniesienia do oceny, czy przejście na generowanie syntetyczne poprawi zwrot z inwestycji w przypadku niszowych zbiorów treningowych.
🧪 Warte przetestowania
Pozwala na szybkie generowanie zbiorów danych z rzadkimi zdarzeniami i defektami, które są kluczowe dla skutecznego uczenia modeli AI wizyjnych.
Źródła
- NVIDIA DeveloperOficjalneŹródło pierwotneOryginalny artykuł →„Build Training-Ready Physical AI Datasets with Two Prompts in NVIDIA Cosmos“18 lis 2026, 19:00
- Data publikacji źródła
- 18 lis 2026, 19:00
- Znalezione przez nasz system
- 18 lis 2026, 19:26
- Podsumowanie wygenerowano
- 19 lis 2026, 20:05
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność