Conhecida pelas suas soluções inovadoras na concepção de ferramentas para avaliar, comparar e validar o desempenho dos modelos de IA, Kolena declarou recentemente ter conseguido garantir um montante de fundo promissor de 15 milhões de dólares. Os principais investidores na rodada de financiamento presidida pela Lobby Capital foram empresas como SignalFire e Bloomberg Beta.
A nova injecção de capital elevou os fundos totais de Kolena para espantosos 21 milhões de dólares. Com o objetivo de acelerar a trajetória de crescimento da empresa, os fundos impulsionarão atividades de pesquisa, alianças com autoridades reguladoras e impulsionarão iniciativas de vendas e marketing. A notícia foi confirmada pelo cofundador e CEO da empresa, Mohamed Elgendy, em uma recente entrevista por e-mail ao TechCrunch.
Elgendy destacou o vasto potencial das aplicações de IA, mas chamou a atenção para o ceticismo subjacente dos desenvolvedores e do público sobre a confiança na IA. Ele enfatizou a necessidade de uma implantação metódica e eficaz desta tecnologia em evolução que melhore e não prejudique a experiência digital. Sua visão deriva da crença de que a indústria precisa nutrir e orientar os avanços tecnológicos para servir corretamente e não apenas se separar devido à utilização equivocada.
Colaborando com Andrew Shi e Gordon Hart, que contribuíram com sua experiência de seis anos das divisões de IA da Amazon, Palantir, Rakuten e Synapse, Elgendy lançou o Kolena em 2021. As mentes brilhantes se uniram imaginando uma “estrutura de qualidade modelo”. O cerne da ideia era facilitar testes unitários e testes abrangentes para modelos traduzidos em um formato amigável para empresas.
Elgendy vê Kolena como uma ferramenta transformadora no cenário atual da estrutura de qualidade do modelo. O foco permanece em capacitar as equipes para conduzir continuamente testes unitários ou baseados em cenários, juntamente com testes ponta a ponta de todos os sistemas de IA e aprendizado de máquina, e não apenas dos subconjuntos.
Kolena se mostra vantajoso para decifrar as lacunas na cobertura dos dados de teste do modelo de IA. A plataforma integra recursos de gestão de risco para monitorar os riscos decorrentes da aplicação de um determinado sistema de IA. A experiência do usuário ganha ainda mais impulso com a UI do Kolena, que permite aos usuários formular casos de teste para avaliar a produtividade de um modelo e identificar possíveis causas que impedem o desempenho de um modelo e, ao mesmo tempo, comparar seu desempenho com outros modelos.
Ao contrário das estratégias convencionais que se baseiam em parâmetros genéricos como uma pontuação de precisão, com o Kolena as equipes podem gerenciar e conduzir testes para cenários específicos que uma aplicação de IA terá que enfrentar. Elgendy afirma a singularidade de cada modelo com diferentes pontos fortes e fracos e, portanto, uma pontuação de precisão de um modelo na detecção de carros não pode necessariamente afirmar sua eficácia em diversos aspectos.
Se Kolena cumprir sua promessa, poderá se tornar uma virada de jogo para os cientistas de dados que gastam tempo e esforço consideráveis na construção de modelos para sustentar aplicativos de IA. Elgendy afirma que a plataforma de Kolena é uma das poucas que oferece comando completo sobre os tipos de dados, lógica de avaliação e outros componentes integrantes de um teste de modelo de IA.
Elgendy esclarece a garantia de privacidade de Kolena, que anula a necessidade dos clientes fazerem upload de seus dados ou modelos na plataforma. Na verdade, Kolena apenas preserva os resultados dos testes do modelo para benchmarking futuro, que podem ser excluídos mediante solicitação.
Elgendy considera testes robustos essenciais para negar os riscos de um sistema de IA e aprendizado de máquina antes de sua implantação. Lamentando o cenário atual de testes de modelos casuais e falhas frequentes nas provas de conceitos de aprendizado de máquina, ele afirma o compromisso de Kolena com uma avaliação completa do modelo. Conseqüentemente, oferece visibilidade incomparável da cobertura de testes de um modelo e dos requisitos funcionais específicos do produto para gerentes de aprendizado de máquina, gerentes de produto e executivos, permitindo-lhes influenciar com proficiência a qualidade do produto desde o início.
