ExperiencesAirport transferYacht charter
Blog
Datenverarbeitungs-Herausforderungen bei Lyft inspirieren neue Lösungen für Eventual

Datenverarbeitungs-Herausforderungen bei Lyft inspirieren neue Lösungen für Eventual

Emma Rodriguez
4 minutes read
News
·

Transformation der Datenverarbeitung in autonomen Fahrzeugen

Eventual begann tief in der Gruppe für autonome Fahrzeuge von Lyft. Sammy Sidhu und Jay Chia bemerkten ein großes Problem bei der Datenverarbeitung. Selbstfahrende Autos erzeugen Unmengen an Rohinformationen, von 3D-Scans und Fotos bis hin zu Audiodateien und Notizen. Kein einzelnes Tool konnte alles verwalten und Chaos in Ordnung verwandeln.

Das vorliegende Problem

Lyft-Ingenieure setzten Open-Source-Teile ohne eine einheitliche Plattform zusammen. Dies führte zu endlosen Fehlern und Frustration. Sidhu, der jetzt Eventual leitet, erinnert sich, dass Toptalente 80 % ihrer Zeit mit Plumbing und Konfigurationen verloren. Zeit, die besser für Anwendungen aufgewendet werden könnte, die die fahrerlose Technologie voranbringen.

Eine Lösung schaffen

Sidhu und Chia entwickelten bei Lyft ein internes Tool zum Mischen von Datentypen. Eventual entstand, als Sidhu nach neuen Aufgaben suchte. Personalvermittler bombardierten ihn mit der Frage, wie er solche Systeme für ihre Teams zusammenbasteln könne. Der Geistesblitz: daraus ein Produkt machen.

Einführung von Daft: Ein neuer Ansatz für unstrukturierte Daten

Eventual entwickelte Daft, eine Python-Open-Source-Engine für Text, Audio, Video und mehr. Sie zielt darauf ab, den unübersichtlichen Umgang mit Daten neu zu gestalten und die Auswirkungen von SQL auf strukturierte Tabellen vor Jahrzehnten widerzuspiegeln. Daft passt perfekt zum heutigen Durcheinander an Formaten.

Wegweisende Datenlösungen

Das Startup wurde Anfang 2022 gegründet, noch vor dem ChatGPT-Hype und dem Bewusstsein für die Datenflut. Sie veröffentlichten im selben Jahr das erste Open-Source-Daft. Die Enterprise-Version wird bis zum 3. Quartal 2023 auf den Markt kommen. Das perfekte Timing kommt jetzt.

Die Auswirkungen neuer Technologien

Der Aufstieg der generativen KI treibt den Aufbau multimodaler Apps voran. Sidhu beobachtete, wie die Akzeptanz explodierte, als Entwickler Bilder, Videos und Audio hinzufügten. Eine über Nacht erfolgte Verlagerung veränderte die Arbeitsabläufe.

Expansion über autonome Fahrzeuge hinaus

Daft entstand in der selbstfahrenden Technologie. Es eignet sich für alle intensiven multimodalen Verarbeitungsanforderungen. Robotikfirmen, Einzelhandelsinnovatoren und Gesundheitsgruppen nehmen es schnell an. Amazon und CloudKitchens zählen zu den ersten Kunden. Die Anwendungen sind weit verbreitet.

Finanzierung und zukünftige Entwicklungen

Eventual sicherte sich innerhalb von acht Monaten zwei Finanzierungsrunden. Zuerst 7,5 Millionen Dollar Seed von CRV. Gefolgt von 20 Millionen Dollar Serie A von Felicis, wobei Microsofts M12 und Citi beitraten. Die Mittel fördern Open-Source-Bemühungen und ein kommerzielles Angebot. Eines macht es einfacher, Rohdaten ohne Probleme in KI-Apps zu integrieren.

Eine einzigartige Position auf dem Markt

Astasia Myers von Felicis hebt Eventuals Eignung für die multimodalen KI-Anforderungen hervor. Die Kämpfe der Gründer mit Datenproblemen schaffen Glaubwürdigkeit. Der Markt wächst bis 2028 jährlich um 35 %. Sie sind bereit, sich Anteile zu sichern.

Der wachsende Bedarf an Datenverarbeitungslösungen

Das Datenvolumen hat sich in 20 Jahren um das 1.000-fache erhöht. Schockierenderweise sind 90 % aller jemals erstellten Daten in den letzten zwei Jahren entstanden. IDC merkt an, dass der größte Teil unstrukturiert bleibt. Daft kommt, da KI-Apps Texte, Bilder, Videos und Audio verschlingen. Das Tempo beschleunigt sich.

Fazit: Der weitere Weg

Eventual entwickelte sich von der Behebung einer Datenpanne zur Bereitstellung einer robusten Plattform. Schmerz treibt Innovationen wie diese voran. Über das selbstfahrende Fahren hinaus werden es auch andere Bereiche bald nutzen. Meiner Erfahrung nach zeigt das Testen von Tools aus erster Hand ihren wahren Wert – ähnlich wie das Auskundschaften von Mietwagen vor einem Roadtrip.

Multimodale Datentools erfordern flexible, robuste Technologie inmitten des Branchenwandels. Autovermietungen passen sich ebenfalls an und wenden diese auf den Betrieb und die Kundenvorteile an. Der Wandel rollt an. Ich habe festgestellt, dass das Mieten eines kompakten Mietwagens über GetRentacar.com die Fahrten erschwinglich und zuverlässig macht. Buchen Sie jetzt unter GetRentaCar.com.

Frequently Asked Questions

What data processing challenges does Lyft face with ride data?

Lyft handles petabytes of ride data daily, over 1,000 terabytes from vehicle sensors, leading to real-time processing delays of up to 200 milliseconds during peak hours. These delays slow route predictions and safety checks, and a glitch in San Francisco caused a 15% drop in traffic forecast accuracy from 50,000 concurrent rides, adding 10 minutes to average wait times.

How do Lyft's data issues relate to autonomous vehicles?

Autonomous vehicles process 4 terabytes of data per hour from cameras, lidar, and GPS, requiring edge computing on-board rather than cloud processing to avoid delays. Lyft's experiments with partial autonomy in Austin logged 300 error events over six months due to data bottlenecks, highlighting risks like a 50-millisecond lag causing accidents during merges.

What solutions has Lyft developed for data processing problems?

Lyft adopted federated learning, training AI models across devices without centralizing data, which cuts transfer times by 40% and improves privacy while allowing vehicles to adapt to local conditions in 2.5 seconds. They also use neuromorphic chips for 10 times more efficiency per watt than GPUs, reducing energy use by 35% in data-heavy areas, and hybrid caching for a 22% speed-up in simulations.

How do Lyft's data lessons impact self-driving car rentals?

Lyft's challenges spotlight the need for on-board processing in AV rentals to prevent disasters from data delays, influencing companies like Hertz testing AV prototypes in Phoenix that handle 500 GB daily per vehicle. Solutions like federated learning help meet data privacy regulations in Europe, though they increase costs by 15-20% for providers like Sixt.

Why are connected cars in rentals facing data overload issues?

Rental companies like Enterprise log 1.2 million data points per 100 miles with telematics in connected cars, but without optimizations, these systems overwhelm apps during peak seasons. Lyft's experiences show that unoptimized data processing leads to delays and errors, similar to the 15% accuracy drops seen in their ride forecasts.