Arquitectura de datos abierta para sistemas de IA física

NVIDIA, en colaboración con Microsoft Azure y Nebius, ha presentado una arquitectura de referencia abierta diseñada para industrializar la generación y el procesamiento de datos para sistemas de IA física, incluyendo aplicaciones en robótica y movilidad autónoma.

Contexto de la cooperación
La colaboración entre NVIDIA, Microsoft Azure y Nebius aborda una limitación fundamental en el desarrollo de la IA física: la disponibilidad de grandes volúmenes de datos de entrenamiento de alta calidad.

Los sistemas de IA física, como los vehículos autónomos, las plataformas robóticas y los agentes de IA visual, requieren conjuntos de datos diversos que incluyan escenarios raros y críticos para la seguridad. La recopilación de estos datos en entornos reales es costosa en recursos y, a menudo, poco práctica. El objetivo de esta cooperación es reemplazar los procesos manuales de recopilación de datos con flujos de trabajo automatizados basados en computación.

Solución técnica y responsabilidades
La solución se basa en el NVIDIA Physical AI Data Factory Blueprint, una arquitectura abierta que estructura las canalizaciones de datos en etapas modulares: curación, aumento (augmentación) y evaluación.

NVIDIA proporciona el núcleo del software, incluyendo herramientas basadas en Cosmos para el procesamiento de datos, la generación de datos sintéticos y la validación. Estos componentes permiten transformar conjuntos de datos limitados en corpus de entrenamiento ampliados mediante simulación y modelos generativos.

Microsoft Azure integra esta arquitectura en su infraestructura en la nube, combinando servicios como operaciones IoT, plataformas de datos y análisis en tiempo real para respaldar flujos de trabajo de aprendizaje automático a escala empresarial.

Nebius aporta la integración a nivel de infraestructura, combinando computación acelerada por GPU (sistemas RTX PRO 6000 de clase Blackwell), almacenamiento de objetos y ejecución sin servidor para el despliegue integral de canalizaciones.

La arquitectura funciona mediante flujos de trabajo automatizados que refinan datos en bruto, generan variaciones sintéticas (incluyendo escenarios poco frecuentes) y validan los resultados mediante modelos de evaluación basados en razonamiento. Esto reduce la intervención manual y estandariza la calidad de los datos.

Una capa de orquestación, NVIDIA OSMO, gestiona cargas de trabajo distribuidas en distintos entornos de computación. Se integra con agentes de codificación de IA para automatizar la asignación de recursos y la ejecución de canalizaciones, facilitando la automatización industrial de los procesos de datos.

Implementación y despliegue
La arquitectura se despliega en entornos de nube, lo que permite a los desarrolladores configurar canalizaciones de datos sin necesidad de construir infraestructura dedicada.

En Azure, el sistema forma parte de una cadena de herramientas abierta para IA física, permitiendo su integración con sistemas de TI empresariales. Nebius implementa la arquitectura en su nube de IA, ofreciendo canalizaciones listas para producción con servicios gestionados de inferencia y datos.

Los primeros usuarios, como FieldAI, Hexagon Robotics, Linker Vision y Teradyne Robotics, están probando el sistema en flujos de trabajo de percepción, movilidad y aprendizaje por refuerzo. Otras implementaciones en la infraestructura de Nebius respaldan aplicaciones de análisis de video y robótica.

Aplicaciones y casos de uso
La arquitectura está dirigida a múltiples sectores industriales:

Entre los casos de uso se incluyen el entrenamiento basado en simulación, la validación de modelos de percepción en condiciones variables y la expansión continua de conjuntos de datos para sistemas adaptativos.

Resultados e impacto esperado
La colaboración introduce un cambio de la recopilación de datos hacia la generación de datos, utilizando recursos computacionales para producir conjuntos de entrenamiento de forma sistemática. Este enfoque reduce la dependencia de la adquisición de datos del mundo real y mejora la cobertura de escenarios poco frecuentes.

Desde el punto de vista operativo, el marco mejora la escalabilidad, la repetibilidad y la validación de las canalizaciones de entrenamiento de IA. Al integrar infraestructura en la nube con flujos de trabajo automatizados, el sistema permite ciclos de iteración más rápidos y un rendimiento más consistente de los modelos en entornos complejos.

Editado por la periodista industrial Sucithra Mani con la ayuda de IA.

www.nvidia.com