Kolena, известная своими инновационными решениями в разработке инструментов для оценки, сравнения и проверки эффективности моделей искусственного интеллекта, недавно объявила об успешном привлечении многообещающей суммы фонда в размере 15 миллионов долларов США. Ключевыми инвесторами в раунде финансирования под председательством Lobby Capital были такие компании, как SignalFire и Bloomberg Beta.
Новое вливание капитала увеличило общий объем средств Колены до ошеломляющих 21 миллиона долларов. Эти фонды, направленные на ускорение траектории роста компании, будут способствовать исследовательской деятельности, альянсам с регулирующими органами, а также стимулировать продажи и маркетинговые инициативы. Эту новость подтвердил соучредитель и генеральный директор фирмы Mohamed Elgendy в недавнем интервью по электронной почте TechCrunch.
Элгенди подчеркнул огромный потенциал приложений ИИ, но обратил внимание на скептицизм разработчиков и общественности по поводу доверия к ИИ. Он подчеркнул необходимость методичного и эффективного внедрения этой развивающейся технологии, которая улучшает, а не ухудшает цифровой опыт. Его точка зрения основана на убеждении, что отрасли необходимо поощрять и направлять технологические достижения, чтобы они служили правильно, а не просто расходиться из-за неправильного использования.
Сотрудничая с Andrew Shi и Gordon Hart, которые поделились своим шестилетним опытом работы в подразделениях искусственного интеллекта Amazon, Palantir, Rakuten и Synapse, Элгенди запустил Kolena в 2021 году. Блестящие умы объединились, чтобы разработать «систему качества модели». Суть идеи заключалась в том, чтобы облегчить модульное тестирование и комплексное тестирование моделей, преобразуемых в удобную для предприятия форму.
Элгенди рассматривает Колену как инструмент преобразования в нынешней системе качества моделей. Основное внимание по-прежнему уделяется предоставлению командам возможности постоянно проводить сценарные или модульные тесты, а также сквозное тестирование всех систем искусственного интеллекта и машинного обучения, а не только их подмножеств.
Колена оказывается полезной для расшифровки пробелов в покрытии тестовых данных модели ИИ. Платформа объединяет функции управления рисками для мониторинга рисков, связанных с применением конкретной системы искусственного интеллекта. Пользовательский интерфейс Kolena еще больше повышает удобство работы пользователей с пользовательским интерфейсом Kolena, который позволяет пользователям формулировать тестовые примеры для оценки производительности модели и выявлять возможные причины, препятствующие работе модели, одновременно сравнивая ее производительность с другими моделями.
В отличие от традиционных стратегий, которые основываются на общих параметрах, таких как показатель точности, с помощью Kolena команды могут управлять и проводить тесты для конкретных сценариев, с которыми придется столкнуться приложению ИИ. Элгенди подтверждает уникальность каждой модели, обладающей различными сильными и слабыми сторонами, и, следовательно, показатель точности модели в обнаружении автомобилей не обязательно может подтвердить ее эффективность в различных аспектах.
Если Kolena выполнит свое обещание, она может изменить правила игры для ученых, работающих с данными, которые тратят много времени и усилий на создание моделей для поддержки приложений искусственного интеллекта. Элгенди утверждает, что платформа Kolena — одна из немногих, которые предлагают полный контроль над типами данных, логикой оценки и другими компонентами, необходимыми для тестирования модели ИИ.
Элгенди проливает свет на гарантию конфиденциальности Kolena, которая сводит на нет необходимость для клиентов загружать свои данные или модели на платформу. Фактически, Kolena сохраняет только результаты тестов модели для будущего сравнительного анализа, которые могут быть удалены по запросу.
Элгенди считает, что надежное тестирование имеет решающее значение для устранения рисков, связанных с системами искусственного интеллекта и машинного обучения перед их развертыванием. Оплакивая текущий сценарий случайного тестирования моделей и частые неудачи в проверке концепций машинным обучением, он подтверждает приверженность Колены тщательной оценке модели. Таким образом, менеджерам по машинному обучению, менеджерам по продуктам и руководителям предоставляется беспрецедентная наглядность тестового покрытия модели и функциональных требований к конкретному продукту, что позволяет им с самого начала умело влиять на качество продукта.
