LatticeFlow، استارت آپی که در سال 2020 از ETH زوریخ جدا شد، به تیم های یادگیری ماشینی کمک می کند تا مدل های بینایی هوش مصنوعی خود را با تشخیص خودکار مشکلات و بهبود داده ها و خود مدل ها بهبود بخشند. این شرکت امروز اعلام کرد که یک دور سرمایه گذاری 12 میلیون دلاری سری A به رهبری پل آتلانتیک و OpenOcean با مشارکت FPV Ventures جمع آوری کرده است. سرمایه گذاران موجود btov Partners و Global Founders Capital که سال گذشته دور اولیه 2.8 میلیون دلاری شرکت را رهبری کردند نیز در این دور شرکت کردند.
همانطور که پتار تسانکوف، یکی از بنیانگذاران و مدیرعامل LatticeFlow به من گفت، این شرکت در حال حاضر بیش از 10 مشتری در اروپا و ایالات متحده دارد، از جمله تعدادی از شرکت های بزرگ مانند زیمنس و سازمان هایی مانند راه آهن فدرال سوئیس، و در حال حاضر به صورت آزمایشی اجرا می شود. پروژه هایی با تعداد کمی دیگر این تقاضای مشتری است که باعث شده است LatticeFlow به این مناسبت برسد.
تسانکوف توضیح داد که من در ایالات متحده بودم و با سرمایه گذاران در پالو آلتو ملاقات کردم. «آنها تنگناهایی را دیدند که ما با مشتریانی که وارد کشتی می‌شوند، داریم. ما به معنای واقعی کلمه مهندسین یادگیری ماشینی داشتیم که از مشتریان پشتیبانی می کردند، و شما نباید چنین شرکتی را اداره کنید. و آنها گفتند: “خوب، 12 میلیون دلار بگیرید، این افراد را بیاورید و گسترش دهید.”
همانطور که Tsankov و یکی از بنیانگذاران او، CTO Pavol Bielik، خاطرنشان کردند، اکثر کسب و کارها امروزه برای تولید مدل های خود با مشکل مواجه می شوند، و سپس وقتی این کار را انجام می دهند، اغلب متوجه می شوند که آنطور که انتظار داشتند عملکرد خوبی ندارند. وعده LatticeFlow این است که می تواند به طور خودکار داده ها و مدل ها را برای یافتن نقاط کور احتمالی تشخیص دهد. در کار با یک شرکت بزرگ پزشکی، ابزارهای آن برای تجزیه و تحلیل مجموعه داده‌ها و مدل‌های آنها به‌سرعت بیش از نیم دوجین نقطه کور بحرانی را در مدل‌های ساخت پیشرفته‌شان کشف کردند.
این تیم خاطرنشان کرد که تنها نگاه کردن به داده‌های آموزشی و اطمینان از وجود مجموعه‌ای از تصاویر – در مورد مدل‌های بصری که LatticeFlow در آن تخصص دارد – کافی نیست، بلکه برای کشف الگوها نیز کافی است.
تیم موسس LatticeFlow (از چپ به راست): پروفسور آندریاس کراوز (مشاور علمی)، دکتر پتار تسانکوف (مدیر عامل)، دکتر پاول بیلیک (مدیر فنی) و پروفسور مارتین وچف (مشاور علمی). اعتبار تصویر: جریان شبکه
“اگر شما فقط دیدن در بر داده ها – و این است آ اساسی متمایز کننده برای LatticFlow زیرا ما نمی کنیم فقط یافت استاندارد داده ها سوالات پسندیدن برچسب زدن سوالات یا فقیر-کیفیت نمونه ها، ولی هم مدل کور لکه ها، که هستند بر اسکریپت جایی که بر مدل ها هستند تسانکوف توضیح داد که شکست. “یک بار بر مدل است آماده ما من میتوانم بعهده گرفتن آی تی، find ناهمسان داده ها مدل سوالات و کمک شرکت ها ثابت آی تی.”
به عنوان مثال، او خاطرنشان کرد که مدل‌ها اغلب همبستگی‌های پنهانی را پیدا می‌کنند که می‌تواند مدل را مخدوش کرده و نتایج را منحرف کند. به عنوان مثال، هنگام کار با مشتری بیمه که از مدل ML برای تشخیص خودکار فرورفتگی، خط و خش و سایر آسیب‌ها در تصاویر خودرو استفاده می‌کند، مدل اغلب تصویری را با انگشت در آن به عنوان خراش برچسب‌گذاری می‌کند. چرا؟ زیرا در مجموعه آموزشی مشتریان اغلب از یک خراش از نمای نزدیک عکس می گرفتند و به آن اشاره می کردند. جای تعجب نیست که این مدل «انگشت» را با «خراش» مرتبط می‌کند، حتی زمانی که هیچ خرشی روی خودرو وجود ندارد. تیم‌های LatticeFlow می‌گویند اینها مشکلاتی هستند که فراتر از ایجاد برچسب‌های بهتر هستند و به سرویسی نیاز دارند که بتواند هم به مدل و هم به داده‌های آموزشی نگاه کند.
LatticeFlow سوگیری داده ها را برای آموزش مدل های هوش مصنوعی برای بازرسی آسیب خودرو آشکار می کند. از آنجایی که مردم اغلب به سمت خراش ها اشاره می کنند، این باعث می شود که مدل ها متوجه شوند که انگشتان نشان دهنده آسیب هستند (یک ویژگی نادرست). این مشکل با یک پسوند سفارشی برطرف شده است که انگشتان را از همه تصاویر حذف می کند. اعتبار تصویر: جریان شبکه
شایان ذکر است که LatticeFlow خود در تجارت آموزشی نیست. این سرویس با مدل های از پیش آموزش دیده کار می کند. در حال حاضر، این شرکت همچنین بر ارائه خدمات خود به عنوان یک ابزار اولیه تمرکز دارد، اگرچه ممکن است در آینده یک سرویس کاملاً مدیریت شده نیز ارائه دهد زیرا از بودجه جدید برای استخدام شدید استفاده می کند، هم برای ارائه خدمات بهتر به مشتریان فعلی خود و هم برای سبد محصولات خود را بسازید
سونیر کاپور، شریک عملیاتی در آتلانتیک بریج، گفت: «حقیقت دردناک این است که امروزه بیشتر استقرار مدل‌های هوش مصنوعی در مقیاس بزرگ به سادگی در دنیای واقعی کار نمی‌کنند. این تا حد زیادی به دلیل فقدان ابزارهایی است که به مهندسان کمک می کند تا به طور موثر داده های حیاتی هوش مصنوعی و خطاهای مدل را حل کنند. اما به همین دلیل است که تیم پل آتلانتیک به صراحت تصمیم به سرمایه گذاری در LatticeFlow گرفت. ما معتقدیم که این شرکت برای رشد فوق‌العاده آماده است، زیرا در حال حاضر تنها شرکتی است که به طور خودکار داده‌های هوش مصنوعی و نقص‌های مدل را در مقیاس تشخیص داده و برطرف می‌کند.