Nota per le sue soluzioni innovative nella progettazione di strumenti per valutare, confrontare e convalidare le prestazioni dei modelli di intelligenza artificiale, Kolena ha recentemente dichiarato di essersi assicurata con successo un promettente importo di fondi di 15 milioni di dollari. Gli investitori principali nel round di finanziamento presieduto da Lobby Capital sono stati SignalFire e Bloomberg Beta.
La nuova iniezione di capitale ha portato i fondi totali di Kolena all'incredibile cifra di 21 milioni di dollari. Mirati ad accelerare il percorso di crescita dell'azienda, i fondi stimoleranno le attività di ricerca, le alleanze con le autorità di regolamentazione e guideranno le iniziative di vendita e marketing. La notizia è stata confermata dal co-fondatore e CEO dell'azienda, Mohamed Elgendy, in una recente intervista via email con TechCrunch.
Elgendy ha sottolineato il vasto potenziale delle applicazioni IA, ma ha attirato l’attenzione sullo scetticismo di fondo da parte degli sviluppatori e del pubblico riguardo alla fiducia nell’IA. Ha sottolineato la necessità di un’implementazione metodica ed efficace di questa tecnologia in evoluzione che migliori e non comprometta l’esperienza digitale. Il suo punto di vista nasce dalla convinzione che l’industria debba coltivare e guidare i progressi tecnologici per servire nel modo giusto e non solo separarsi a causa di un utilizzo errato.
Collaborando con Andrew Shi e Gordon Hart, che hanno contribuito con la loro esperienza di sei anni dalle divisioni AI di Amazon, Palantir, Rakuten e Synapse, Elgendy ha lanciato Kolena nel 2021. Le menti brillanti si sono riunite immaginando un "quadro di qualità modello". Il nocciolo dell'idea era facilitare i test unitari e i test completi per i modelli da tradurre in una forma di facile utilizzo per l'azienda.
Elgendy immagina Kolena come uno strumento di trasformazione nel panorama attuale del quadro di qualità del modello. L’attenzione rimane nel consentire ai team di condurre continuamente test basati su scenari o unitari, insieme a test end-to-end dell’intero sistema di intelligenza artificiale e di apprendimento automatico, non solo dei sottoinsiemi.
Kolena si rivela utile per decifrare le lacune nella copertura dei dati dei test del modello AI. La piattaforma integra funzionalità di gestione del rischio per monitorare i rischi derivanti dall'applicazione di un particolare sistema di intelligenza artificiale. L'esperienza dell'utente ottiene un ulteriore impulso con l'interfaccia utente di Kolena che consente agli utenti di formulare casi di test per valutare la produttività di un modello e identificare possibili cause che impediscono le prestazioni di un modello confrontando contemporaneamente le sue prestazioni con altri modelli.
A differenza delle strategie convenzionali che si basano su parametri generici come un punteggio di precisione, con Kolena i team possono gestire e condurre test per scenari specifici che un’applicazione AI dovrà affrontare. Elgendy afferma l'unicità di ciascun modello con diversi punti di forza e di debolezza e, pertanto, un punteggio di precisione di un modello nel rilevamento delle auto non può necessariamente affermare la sua efficacia sotto vari aspetti.
Se Kolena mantiene le sue promesse, potrebbe diventare un punto di svolta per i data scientist che dedicano molto tempo e sforzi alla creazione di modelli per sostenere le app di intelligenza artificiale. Elgendy afferma che la piattaforma di Kolena è una delle pochissime che offre il controllo completo sui tipi di dati, sulla logica di valutazione e su altri componenti integrati in un test del modello AI.
Elgendy fa luce sulla garanzia della privacy di Kolena, che annulla la necessità per i clienti di caricare i propri dati o modelli sulla piattaforma. Infatti, Kolena conserva solo i risultati dei test del modello per futuri benchmark che possono essere cancellati su richiesta.
Elgendy considera test approfonditi fondamentali per annullare i rischi derivanti da un sistema di intelligenza artificiale e apprendimento automatico prima della sua implementazione. Lamentando lo scenario attuale di test casuali dei modelli e frequenti fallimenti nella dimostrazione dei concetti di machine learning, afferma l'impegno di Kolena per una valutazione approfondita del modello. Offre quindi una visibilità senza precedenti sulla copertura dei test di un modello e sui requisiti funzionali specifici del prodotto ai manager del machine learning, ai product manager e ai dirigenti, consentendo loro di influenzare abilmente la qualità del prodotto fin dall'inizio.
