Kolena ist für seine innovativen Lösungen bei der Entwicklung von Tools zur Bewertung, zum Benchmarking und zur Validierung der Leistung von KI-Modellen bekannt und hat kürzlich erklärt, dass es ihm gelungen sei, sich einen vielversprechenden Fondsbetrag von 15 Millionen US-Dollar zu sichern. Zu den Hauptinvestoren der von Lobby Capital geleiteten Finanzierungsrunde gehörten SignalFire und Bloomberg Beta.
Die neue Kapitalzufuhr hat Kolenas Gesamtvermögen auf unglaubliche 21 Millionen US-Dollar erhöht. Die Mittel sollen den Wachstumskurs des Unternehmens beschleunigen und Forschungsaktivitäten, Allianzen mit Regulierungsbehörden sowie Vertriebs- und Marketinginitiativen vorantreiben. Die Nachricht wurde kürzlich vom Mitbegründer und CEO des Unternehmens, Mohamed Elgendy, in einem E-Mail-Interview mit TechCrunch bestätigt.
Elgendy betonte das enorme Potenzial von KI-Anwendungen, machte aber auch auf die zugrunde liegende Skepsis von Entwicklern und der Öffentlichkeit gegenüber dem Vertrauen in KI aufmerksam. Er betonte die Notwendigkeit eines methodischen und effektiven Einsatzes dieser sich entwickelnden Technologie, die das digitale Erlebnis verbessert und nicht beeinträchtigt. Seine Ansicht beruht auf der Überzeugung, dass die Branche den technischen Fortschritt fördern und steuern muss, um die richtigen Ergebnisse zu erzielen und sich nicht nur durch eine fehlgeleitete Nutzung zu trennen.
In Zusammenarbeit mit Andrew Shi und Gordon Hart, die ihr sechsjähriges Fachwissen aus den KI-Abteilungen von Amazon, Palantir, Rakuten und Synapse einbrachten, startete Elgendy 2021 Kolena. Die brillanten Köpfe kamen zusammen und stellten sich ein „Modellqualitäts-Framework“ vor. Der Kern der Idee bestand darin, Unit-Tests und umfassende Tests für die Übersetzung von Modellen in eine unternehmensfreundliche Form zu ermöglichen.
Elgendy sieht Kolena als transformatives Werkzeug in der gegenwärtigen Landschaft des Modellqualitätsrahmens. Der Schwerpunkt liegt weiterhin darauf, Teams in die Lage zu versetzen, kontinuierlich szenariobasierte oder Unit-Tests durchzuführen, zusammen mit End-to-End-Tests der gesamten KI- und maschinellen Lernsysteme, nicht nur der Teilmengen.
Kolena erweist sich als vorteilhaft für die Entschlüsselung der Lücken in der Datenabdeckung des KI-Modelltests. Die Plattform integriert Risikomanagementfunktionen, um die Risiken zu überwachen, die mit der Anwendung eines bestimmten KI-Systems einhergehen. Das Benutzererlebnis wird durch die Benutzeroberfläche von Kolena weiter verbessert, die es Benutzern ermöglicht, Testfälle zur Bewertung der Produktivität eines Modells zu formulieren und mögliche Ursachen zu identifizieren, die die Leistung eines Modells beeinträchtigen, während es gleichzeitig seine Leistung mit anderen Modellen vergleicht.
Im Gegensatz zu herkömmlichen Strategien, die sich auf generische Parameter wie einen Genauigkeitswert konzentrieren, können Teams mit Kolena Tests für bestimmte Szenarien verwalten und durchführen, denen eine KI-Anwendung ausgesetzt sein muss. Elgendy bestätigt die Einzigartigkeit jedes Modells mit unterschiedlichen Stärken und Schwächen, und daher kann ein Genauigkeitswert eines Modells bei der Erkennung von Autos nicht unbedingt seine Wirksamkeit in verschiedenen Aspekten bestätigen.
Wenn Kolena hält, was es verspricht, könnte es für Datenwissenschaftler, die viel Zeit und Mühe in die Erstellung von Modellen zur Untermauerung von KI-Apps investieren, ein entscheidender Faktor sein. Elgendy behauptet, dass die Plattform von Kolena eine der wenigen ist, die vollständige Kontrolle über die Datentypen, die Bewertungslogik und andere Komponenten bietet, die für einen KI-Modelltest wichtig sind.
Elgendy beleuchtet die Datenschutzgarantie von Kolena, die es Kunden überflüssig macht, ihre Daten oder Modelle auf die Plattform hochzuladen. Tatsächlich speichert Kolena nur Modelltestergebnisse für zukünftiges Benchmarking, die auf Anfrage gelöscht werden können.
Elgendy betrachtet robuste Tests als entscheidend, um Risiken durch ein KI- und maschinelles Lernsystem vor seinem Einsatz zu negieren. Er beklagt das aktuelle Szenario gelegentlicher Modelltests und häufiger Fehler beim Proof-of-Concept für maschinelles Lernen und bekräftigt Kolenas Engagement für eine gründliche Modellevaluierung. Dadurch wird Machine-Learning-Managern, Produktmanagern und Führungskräften ein beispielloser Einblick in die Testabdeckung eines Modells und die produktspezifischen Funktionsanforderungen geboten, wodurch sie von Anfang an in die Lage versetzt werden, die Produktqualität kompetent zu beeinflussen.
