Dikenal karena solusi inovatifnya dalam merancang alat untuk mengevaluasi, membandingkan, dan memvalidasi kinerja model AI, Kolena baru-baru ini menyatakan berhasil mendapatkan jumlah dana yang menjanjikan sebesar $15 juta. Investor utama dalam putaran pendanaan yang dipimpin oleh Lobby Capital adalah SignalFire dan Bloomberg Beta.
Suntikan modal baru telah meningkatkan total dana Kolena menjadi $21 juta. Ditujukan untuk mempercepat lintasan pertumbuhan perusahaan, dana tersebut akan mendorong kegiatan penelitian, aliansi dengan otoritas pengatur, dan mendorong inisiatif penjualan dan pemasaran. Berita tersebut dikonfirmasi oleh salah satu pendiri dan CEO perusahaan, Mohamed Elgendy, dalam wawancara email baru-baru ini dengan TechCrunch.
Elgendy menyoroti potensi besar aplikasi AI, namun juga menyoroti skeptisisme mendasar dari pengembang dan masyarakat mengenai kepercayaan terhadap AI. Ia menekankan perlunya penerapan teknologi yang terus berkembang ini secara metodis dan efektif, sehingga dapat meningkatkan dan tidak mengganggu pengalaman digital. Pandangannya berasal dari keyakinan bahwa industri perlu memelihara dan membimbing kemajuan teknologi agar dapat memberikan pelayanan yang benar dan tidak hanya terhenti karena pemanfaatan yang salah.
Berkolaborasi dengan Andrew Shi dan Gordon Hart, yang menyumbangkan keahlian mereka selama enam tahun dari divisi AI di Amazon, Palantir, Rakuten, dan Synapse, Elgendy meluncurkan Kolena pada tahun 2021. Para pemikir brilian berkumpul untuk membayangkan 'kerangka kualitas model'. Inti dari idenya adalah untuk memfasilitasi pengujian unit dan pengujian komprehensif untuk model yang diterjemahkan ke dalam bentuk yang ramah perusahaan.
Elgendy membayangkan Kolena sebagai alat transformatif dalam lanskap kerangka kualitas model saat ini. Fokusnya tetap pada pemberdayaan tim untuk terus melakukan pengujian berbasis skenario atau unit, serta pengujian menyeluruh terhadap keseluruhan sistem AI dan pembelajaran mesin, bukan hanya subsetnya saja.
Kolena terbukti bermanfaat dalam menguraikan kekosongan dalam cakupan data pengujian model AI. Platform ini mengintegrasikan fitur manajemen risiko untuk memantau risiko yang timbul akibat penerapan sistem AI tertentu. Pengalaman pengguna semakin ditingkatkan dengan UI Kolena yang memungkinkan pengguna merumuskan kasus pengujian untuk menilai produktivitas model dan mengidentifikasi kemungkinan penyebab yang menghambat kinerja model sekaligus membandingkan kinerjanya dengan model lain.
Tidak seperti strategi konvensional yang berfokus pada parameter umum seperti skor akurasi, dengan Kolena, tim dapat mengelola dan melakukan pengujian untuk skenario spesifik yang harus dihadapi oleh aplikasi AI. Elgendy menegaskan keunikan masing-masing model dengan kelebihan dan kelemahan yang berbeda-beda, sehingga skor akurasi suatu model dalam mendeteksi mobil belum tentu dapat menegaskan efektivitasnya dalam berbagai aspek.
Jika Kolena memenuhi janjinya, hal ini dapat menjadi terobosan baru bagi ilmuwan data yang menghabiskan banyak waktu dan upaya dalam membangun model untuk mendukung aplikasi AI. Elgendy menegaskan bahwa platform Kolena adalah salah satu dari sedikit platform yang menawarkan perintah lengkap atas tipe data, logika evaluasi, dan komponen lain yang terintegrasi dengan pengujian model AI.
Elgendy menyoroti jaminan privasi Kolena, yang menghilangkan kebutuhan pelanggan untuk mengunggah data atau model mereka ke platform. Faktanya, Kolena hanya menyimpan hasil pengujian model untuk pembandingan di masa mendatang yang mungkin dihapus berdasarkan permintaan.
Elgendy menganggap pengujian yang kuat sebagai hal yang penting untuk meniadakan risiko dari sistem AI dan pembelajaran mesin sebelum penerapannya. Menyayangkan skenario pengujian model kasual saat ini dan seringnya terjadi kegagalan dalam pembuktian konsep pembelajaran mesin, dia menegaskan komitmen Kolena terhadap evaluasi model secara menyeluruh. Oleh karena itu, menawarkan visibilitas yang tak tertandingi ke dalam cakupan pengujian model dan persyaratan fungsional spesifik produk kepada manajer pembelajaran mesin, manajer produk, dan eksekutif, sehingga memungkinkan mereka memengaruhi kualitas produk dengan baik sejak awal.
