Connue pour ses solutions innovantes dans la conception d'outils permettant d'évaluer, de comparer et de valider les performances des modèles d'IA, Kolena a récemment déclaré avoir obtenu avec succès un montant de fonds prometteur de 15 millions de dollars. Les principaux investisseurs du cycle de financement présidé par Lobby Capital étaient SignalFire et Bloomberg Beta.
La nouvelle injection de capitaux a porté le total des fonds de Kolena à un montant stupéfiant de 21 millions de dollars. Destinés à accélérer la trajectoire de croissance de l'entreprise, les fonds propulseront les activités de recherche, les alliances avec les autorités réglementaires et stimuleront les initiatives de vente et de marketing. La nouvelle a été confirmée par le co-fondateur et PDG de l'entreprise, Mohamed Elgendy, dans une récente interview par courrier électronique avec TechCrunch.
Elgendy a souligné le vaste potentiel des applications de l’IA, mais a attiré l’attention sur le scepticisme sous-jacent des développeurs et du public quant à la confiance accordée à l’IA. Il a souligné la nécessité d'un déploiement méthodique et efficace de cette technologie en évolution qui améliore et ne compromet pas l'expérience numérique. Son point de vue découle de la conviction que l’industrie doit nourrir et guider les avancées technologiques pour servir correctement et ne pas se contenter de se séparer en raison d’une utilisation malavisée.
En collaboration avec Andrew Shi et Gordon Hart, qui ont apporté leur expertise de six ans au sein des divisions IA d'Amazon, Palantir, Rakuten et Synapse, Elgendy a lancé Kolena en 2021. Les esprits brillants se sont réunis pour envisager un « cadre de qualité des modèles ». L'idée centrale était de faciliter les tests unitaires et les tests complets pour les modèles traduits sous une forme conviviale pour l'entreprise.
Elgendy considère Kolena comme un outil de transformation dans le paysage actuel du cadre de qualité des modèles. L'accent reste mis sur l'autonomisation des équipes pour qu'elles puissent effectuer en permanence des tests basés sur des scénarios ou des tests unitaires, ainsi que des tests de bout en bout de l'ensemble des systèmes d'IA et d'apprentissage automatique, et pas seulement de leurs sous-ensembles.
Kolena s'avère avantageux pour déchiffrer les lacunes dans la couverture des données de test du modèle d'IA. La plateforme intègre des fonctionnalités de gestion des risques pour surveiller les risques liés à l'application d'un système d'IA particulier. L'expérience utilisateur est encore améliorée grâce à l'interface utilisateur de Kolena qui permet aux utilisateurs de formuler des cas de test pour évaluer la productivité d'un modèle et d'identifier les causes possibles qui entravent les performances d'un modèle tout en comparant simultanément ses performances avec d'autres modèles.
Contrairement aux stratégies conventionnelles qui s'appuient sur des paramètres génériques comme un score de précision, avec Kolena, les équipes peuvent gérer et réaliser des tests pour des scénarios spécifiques auxquels une application d'IA devra faire face. Elgendy affirme le caractère unique de chaque modèle avec différentes forces et faiblesses, et par conséquent, un score de précision d'un modèle dans la détection de voitures ne peut pas nécessairement affirmer son efficacité sous différents aspects.
Si Kolena tient ses promesses, cela pourrait changer la donne pour les data scientists qui consacrent beaucoup de temps et d'efforts à la création de modèles pour soutenir les applications d'IA. Elgendy affirme que la plate-forme de Kolena est l'une des rares à offrir une maîtrise complète des types de données, de la logique d'évaluation et d'autres composants faisant partie intégrante d'un test de modèle d'IA.
Elgendy met en lumière l'assurance de confidentialité de Kolena, qui élimine la nécessité pour les clients de télécharger leurs données ou modèles sur la plateforme. En fait, Kolena conserve uniquement les résultats des tests du modèle pour de futures analyses comparatives, qui peuvent être supprimés sur demande.
Elgendy considère des tests robustes comme essentiels pour éliminer les risques d'un système d'IA et d'apprentissage automatique avant son déploiement. Déplorant le scénario actuel de tests de modèles occasionnels et d'échecs fréquents dans la preuve de concept de l'apprentissage automatique, il affirme l'engagement de Kolena en faveur d'une évaluation approfondie des modèles. Ainsi, nous offrons une visibilité inégalée sur la couverture des tests d'un modèle et les exigences fonctionnelles spécifiques au produit aux responsables du machine learning, aux chefs de produit et aux dirigeants, leur permettant ainsi d'influencer efficacement la qualité du produit dès le début.
