Bekend om zijn innovatieve oplossingen bij het ontwerpen van tools om de prestaties van AI-modellen te evalueren, benchmarken en valideren, heeft Kolena onlangs verklaard met succes een veelbelovend fondsbedrag van $ 15 miljoen binnen te halen. Belangrijke investeerders in de financieringsronde onder leiding van Lobby Capital waren onder meer SignalFire en Bloomberg Beta.
Door de nieuwe kapitaalinjectie zijn de totale middelen van Kolena gestegen naar maar liefst $21 miljoen. De fondsen zijn bedoeld om het groeitraject van het bedrijf te versnellen en zullen onderzoeksactiviteiten, allianties met regelgevende instanties stimuleren en verkoop- en marketinginitiatieven stimuleren. Het nieuws werd bevestigd door de mede-oprichter en CEO van het bedrijf, Mohamed Elgendy, in een recent e-mailinterview met TechCrunch.
Elgendy benadrukte het enorme potentieel van AI-toepassingen, maar vestigde de aandacht op het onderliggende scepticisme van ontwikkelaars en het publiek over het vertrouwen in AI. Hij benadrukte de noodzaak van een methodische en effectieve inzet van deze evoluerende technologie die de digitale ervaring verbetert en niet schaadt. Zijn visie komt voort uit de overtuiging dat de industrie technologische ontwikkelingen moet koesteren en begeleiden om goed te kunnen dienen en niet alleen maar uit elkaar te gaan als gevolg van verkeerd gebruik.
In samenwerking met Andrew Shi en Gordon Hart, die hun zesjarige expertise van AI-divisies bij Amazon, Palantir, Rakuten en Synapse inbrachten, lanceerde Elgendy Kolena in 2021. De briljante geesten kwamen samen en bedachten een 'modelkwaliteitsraamwerk'. De kern van het idee was het vergemakkelijken van het testen van eenheden en het uitgebreid testen van modellen die zich vertalen naar een ondernemingsvriendelijke vorm.
Elgendy ziet Kolena als een transformerend hulpmiddel in het huidige landschap van het modelkwaliteitsraamwerk. De focus blijft liggen op het in staat stellen van teams om voortdurend scenariogebaseerde of unit-tests uit te voeren, samen met end-to-end testen van de hele AI- en machine learning-systemen, en niet alleen van de subsets.
Kolena blijkt een voordeel te zijn bij het ontcijferen van de lacunes in de dekking van de testgegevens van het AI-model. Het platform integreert risicobeheerfuncties om de risico’s te monitoren die gepaard gaan met de toepassing van een bepaald AI-systeem. De gebruikerservaring krijgt een verdere impuls met Kolena's gebruikersinterface waarmee gebruikers testcases kunnen formuleren om de productiviteit van een model te beoordelen en mogelijke oorzaken te identificeren die de prestaties van een model belemmeren, terwijl ze tegelijkertijd de prestaties ervan met andere modellen vergelijken.
In tegenstelling tot conventionele strategieën die zich bezighouden met generieke parameters zoals een nauwkeurigheidsscore, kunnen teams met Kolena tests beheren en uitvoeren voor specifieke scenario's waarmee een AI-toepassing te maken zal krijgen. Elgendy bevestigt het unieke karakter van elk model met verschillende sterke en zwakke punten, en daarom kan een nauwkeurigheidsscore van een model bij het detecteren van auto's niet noodzakelijkerwijs de effectiviteit ervan in verschillende aspecten bevestigen.
Als Kolena zijn belofte waarmaakt, kan het een game-changer worden voor datawetenschappers die veel tijd en moeite steken in het bouwen van modellen ter ondersteuning van AI-apps. Elgendy beweert dat het platform van Kolena een van de weinige is die volledige controle biedt over de datatypen, evaluatielogica en andere componenten die een integraal onderdeel zijn van een AI-modeltest.
Elgendy werpt licht op de privacygarantie van Kolena, waardoor de noodzaak voor klanten om hun gegevens of modellen op het platform te uploaden teniet wordt gedaan. In feite bewaart Kolena alleen modeltestresultaten voor toekomstige benchmarking, die op verzoek kunnen worden verwijderd.
Elgendy beschouwt robuust testen als cruciaal voor het ontkennen van de risico’s van een AI- en machine learning-systeem voordat het wordt ingezet. Hij betreurt het huidige scenario van informele modeltests en frequente mislukkingen in de proof-of-concepts van machinaal leren, en bevestigt Kolena's inzet voor een grondige modelevaluatie. Hierdoor wordt ongeëvenaard inzicht geboden in de testdekking van een model en de productspecifieke functionele vereisten voor machine learning-managers, productmanagers en leidinggevenden, waardoor ze vanaf het begin de productkwaliteit vakkundig kunnen beïnvloeden.
