Что происходит с з…

В течение последних не…

Скачки волатильнос…

Есть два метода измере…

VW хочет стать сам…

Volkswagen объявил, чт…

Рухани считает, чт…

Президент Ирана - Хаса…

Спад на нефтяном и…

Аналитики Bank of Amer…

Какие акции входят…

Акции коммунального се…

Почему администрац…

Многие инвесторы, рыно…

Трамп заявил, что …

В пятницу 16 ноября пр…

Saudi Aramco: прио…

Национальная нефтяная …

Лондон быстро стан…

Лондон создает репутац…

Сделка SAP-Qualtri…

В среду 14 ноября гене…

Кибератаки теорети…

Угрозы кибершпионажа у…

Финансовый отчет N…

Производитель графичес…

iBanFirst привлек …

Французский стартап iB…

Финансовый директо…

Стало известно, со ссы…

IBM использует иск…

Тайский филиал америка…

«
»

01.08.2018 18:20

Labelbox продает программное обеспечение для обучающих данных

Каждый стартап, связанный с искусственным интеллектом, или корпоративная научно-исследовательская лаборатория должны заново изобретать велосипед, когда встает вопрос о том, как людям нужно комментировать учебные данные, чтобы научить алгоритмы искать то, что нужно. Будь то врачи, оценивающие размер раковой опухоли по рентгену, или водители, кружащие вокруг уличных знаков в беспилотных автомобилях, — любая такая маркировка где-то создается. Часто приходится потратить шесть месяцев и миллион долларов лишь на разработку системы обучающих данных. Поскольку почти каждый проект сейчас стремится привлечь к производству искусственный интеллект, такие траты денег и времени кажутся серьезной проблемой.

Labelbox строит программное обеспечение маркировки обучающих данных для искусственного интеллекта, чтобы больше никому не пришлось с этим возиться. Что Salesforce для команды продаж, то Labelbox — для инженерной ИИ-команды.  Программное-обеспечение-как-услуга выступает в качестве интерфейса для специалистов или краудсорсинг-труда, чтобы научить компьютеры определять актуальные сигналы в данных и постоянно улучшать точность собственных алгоритмов.

Сегодня Labelbox выходит в свет после шести месяцев в тени с раундом на зародышевой стадии в $3,9 млн, возглавляемым Клейнером Перкинсом (Kleiner Perkins), к которому присоединились First Round и Google Gradient Ventures.

«Не было корректных инструментов, позволяющих ИИ-командам передавать институциональные знания из своего мозга в программное обеспечение», — говорит соучредитель Ману Шарма (Manu Sharma). «Сейчас у нас более 5000 клиентов, и многие крупные компании заменили свои собственные инструменты на Labelbox».

Илья Фушман (Ilya Fushman) из Kleiner объясняет, что «с такого рода инструментами Вы сможете развиваться по кривой ИИ намного быстрее, что позволит компаниям реализовать ИИ-мечту».

Изобрести лучшее колесо

Шарма знал, как надоело пытаться создавать учебные системы данных с нуля, потому что он видел это ранее в Planet Labs, стартапе, идеей которой была спутниковая съемка.

«Одна из вещей, которые я наблюдал там, заключалась в том, что у Planet Labs есть превосходная ИИ-команда, но эта команда уже более шести месяцев строила инструменты для маркировки и обучения. Неужели это способ, который используют команды по всему миру при строительстве искусственного интеллекта?», — подумал он.

До этого он работал в DroneDeploy вместе с соучредителем Labelbox и его техническим директором Даниэлем Расмусоном (Daniel Rasmuson), который возглавлял платформу разработчиков в стартапе аэронавигационных данных.

«Многие аналитические компании, которые также занимались разработкой ИИ, переживали одну и ту же проблему», — рассказывает Шарма. В сентябре они начали изучать эту идею и обнаружили, что 20 других крупных и малых предприятий также тратили талант и капитал на эти разработки. «Мы подумали, что можем сделать это намного эффективнее, чтобы ИИ-команды могли сосредоточиться на алгоритмах».

Labelbox запустил свою раннюю альфа-версию в январе и быстро увидел отклик из ИИ-сообщества, которое сразу же попросило дополнительные функции. Со временем инструмент разработал все больше и больше способов вручную аннотировать данные: от уровней градации того, насколько больна корова, для оценки потенциального производства ее молока и вплоть до систем сопоставления — например, подходит ли конкретное платье к эстетике модного бренда. Строгая наука о данных применяется для устранения несоответствий между решениями рецензентов и выявления краевых случаев, которые не соответствуют моделям.

«Все эти исследования о том, как создавать учебные данные Labelbox анализирует и применяет», говорит соучредитель и главный операционный директор Исиад Феррейрас (Ysiad Ferreiras), который возглавил все продажи и доходы в быстро растущей кампании стартапа Hustle. «Мы позволяем людям подгонять различные настройки, чтобы они могли запустить свою собственную программу машинного обучения так, как хотят они сами, вместо того, чтобы ограничиваться тем, что они могут быстро построить».

Когда Норвегия обязала всех граждан проходить скрининг рака толстой кишки, ей пришлось построить ИИ для распознавания полипов. Вместо того, чтобы потратить полгода на создание инструмента обучения, они просто подписали всех врачей на Labelbox.

Любая организация может попробовать Labelbox бесплатно, а Феррейрас утверждает, что у сотен доступ уже есть. Как только они достигают порога использования, стартап начинает работать с ними по соответствующей цене SaaS (программное обеспечение как сервис), связанной с доходом, который будет генерировать ИИ клиента. Один из них — Lytx — создал DriveCam, систему, установленную на полумиллионе грузовиков с камерами, которые используют ИИ, чтобы вычислить небезопасное поведение водителя, чтобы их можно тренировать для исправления стиля вождения. Conde Nast использует Labelbox для соотнесения подиумной моды к связанным элементам в своем архиве контента.

Устранение избыточности, но и рабочих мест тоже?

Большой проблемой является убеждение компаний в том, что им лучше оставить учебное программное обеспечение для экспертов, а не строить его внутри, где они активно, хотя, вероятно, неэффективно, участвуют в каждом этапе развития.  Некоторые обращаются к краудсорсинговым агентствам, таким как CrowdFlower, у которых есть собственный интерфейс обучающих данных, но они работают только с универсальным трудом, а не с экспертами из узких областей. Labelbox хочет в этом плане сотрудничать, а не конкурировать, выступая в качестве программного обеспечения для управления, которое рассматривает аутсорсеров в качестве еще одного вклада данных.

Долгосрочный риск для Labelbox заключается в том, что он появился слишком рано для революции ИИ. Большинство потенциальных корпоративных клиентов по-прежнему находятся на стадии НИОКР вокруг ИИ, а не масштабированного развертывания реальных продуктов. Крупный бизнес не продает программное обеспечение для маркировки. Это только начало пути. Labelbox хочет непрерывно управлять данными точной настройки, чтобы оптимизировать алгоритм на протяжении всего жизненного цикла. Это требует, чтобы ИИ был частью фактического инженерного процесса. Сейчас он часто застревает на стадии эксперимента в лаборатории. «Мы не заботимся о нашей способности создать подходящий инструмент. Наша озабоченность заключается в том, «достаточно ли быстро отрасль догонит наши разработки», — заявляет Феррейрас.

Их инвестор согласен. В прошлом году большая шутка в венчурном капитале заключалась в том, что внезапно мы перестали встречать стартапы без приписки «AI».

«Была крупная волна, где все было «AI». Думаю, на данный момент это почти что подразумевается», — говорит Фушман. Но поле возможностей для Labelbox —  это корпорации, у которых уже есть достаточно много данных, и много человеческих ресурсов, чтобы запутаться. «Больший вопрос заключается в том, «когда эта реальность [ИИ] достигнет потребителей, не только Google и Amazon, а типичных корпораций?».

Labelbox готов подождать, или, что еще лучше, ускорить это прибытие, даже если это означает устранение рабочих мест. Это потому, что команда считает, что выгоды для человечества перевешивают проблемы перехода.

«Для колоноскопии или маммограммы у вас есть только определенное количество людей в мире, которые могут это сделать. Это ограничивает количество потенциальных процедур. В будущем этот процесс может быть ограничен только вычислительной силой, поэтому она может быть экспоненциально дешевле», — говорит соучредитель Брайан Ригер (Brian Rieger).

С Labelbox можно будет проводить десятки тысяч рентгенологических сессий, чтобы разработать алгоритмы выявления рака, которые, по его словам, как показывают исследования, могут стать более точными, чем выполненные людьми. Может стать сложнее трудоустроиться, но, надеемся, жизнь станет легче и дешевле. Между тем, улучшение инспекций подводных трубопроводов может защитить окружающую среду от самой большой угрозы: нас.

«ИИ может решить важные проблемы в нашем обществе», — заключает Шарма. «Мы хотим ускорить этот процесс, помогая компаниям рассказывать ИИ о том, чему учиться».

1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (1 оценок, среднее: 5,00 из 5)
Загрузка...

Добавить комментарий

8 (800) 600-47-17

(Звонок бесплатный)

+7 (495) 790-47-17

info@sharespro.ru

109028, Москва, Малый Ивановский переулок 7/9с1

ИНН: 7716851037 КПП: 771601001 ОГРН: 1177746245610

8(800)600-47-17 +7 (495) 790-47-17 info@sharespro.ru
109028, Москва, Малый Ивановский переулок 7/9с1
ИНН: 7716851037 КПП: 771601001 ОГРН: 1177746245610
или
пройдите регистрацию


Авторизация
*
*



Регистрация
*
*
*

Я согласен получать рассылку по электронной почте

Я даю разрешение на использование своих персональных данных


Генерация пароля