Kolena เป็นที่รู้จักในด้านโซลูชั่นนวัตกรรมในการออกแบบเครื่องมือเพื่อประเมิน เปรียบเทียบ และตรวจสอบประสิทธิภาพของโมเดล AI โดยเพิ่งประกาศว่าประสบความสำเร็จในการระดมทุนจำนวน 15 ล้านดอลลาร์สหรัฐฯ นักลงทุนหลักในรอบการระดมทุนซึ่งมี Lobby Capital เป็นประธานคือ SignalFire และ Bloomberg Beta
การเพิ่มทุนครั้งใหม่ทำให้เงินทุนทั้งหมดของ Kolena เพิ่มขึ้นเป็น 21 ล้านดอลลาร์ กองทุนนี้มีเป้าหมายเพื่อเร่งเส้นทางการเติบโตของบริษัท โดยจะขับเคลื่อนกิจกรรมการวิจัย การสร้างพันธมิตรกับหน่วยงานกำกับดูแล และขับเคลื่อนความคิดริเริ่มด้านการขายและการตลาด ข่าวดังกล่าวได้รับการยืนยันจาก Mohamed Elgendy ผู้ร่วมก่อตั้งและซีอีโอของบริษัท ในการสัมภาษณ์ทางอีเมลล่าสุดกับ TechCrunch
Elgendy เน้นย้ำถึงศักยภาพอันมากมายของแอปพลิเคชัน AI แต่ดึงความสนใจไปที่ความกังขาจากนักพัฒนาและสาธารณชนเกี่ยวกับการไว้วางใจ AI เขาเน้นย้ำถึงความจำเป็นในการปรับใช้เทคโนโลยีที่กำลังพัฒนานี้อย่างเป็นระบบและมีประสิทธิภาพ ซึ่งจะช่วยปรับปรุงและไม่ทำให้ประสบการณ์ดิจิทัลด้อยลง มุมมองของเขาเกิดจากความเชื่อที่ว่าอุตสาหกรรมจำเป็นต้องดูแลและชี้แนะความก้าวหน้าทางเทคโนโลยีเพื่อให้บริการอย่างถูกต้อง ไม่ใช่แค่แยกทางเนื่องจากการใช้งานที่เข้าใจผิด
Elgendy ร่วมมือกับ Andrew Shi และ Gordon Hart ซึ่งร่วมแบ่งปันความเชี่ยวชาญเป็นเวลา 6 ปีจากแผนก AI ที่ Amazon, Palantir, Rakuten และ Synapse โดยเปิดตัว Kolena ในปี 2021 ผู้มีความคิดอันชาญฉลาดมารวมตัวกันเพื่อมองเห็น 'กรอบงานคุณภาพแบบจำลอง' จุดสำคัญของแนวคิดคือการอำนวยความสะดวกในการทดสอบหน่วยและการทดสอบที่ครอบคลุมสำหรับแบบจำลองที่แปลเป็นรูปแบบที่เป็นมิตรต่อองค์กร
Elgendy จินตนาการว่า Kolena เป็นเครื่องมือในการเปลี่ยนแปลงภูมิทัศน์ปัจจุบันของกรอบงานคุณภาพแบบจำลอง จุดมุ่งเน้นยังคงอยู่ที่การเสริมศักยภาพของทีมให้ดำเนินการทดสอบตามสถานการณ์หรือหน่วยอย่างต่อเนื่อง ควบคู่ไปกับการทดสอบ AI และระบบการเรียนรู้ของเครื่องจักรแบบครบวงจร ไม่ใช่แค่ส่วนย่อยเท่านั้น
Kolena พิสูจน์ว่ามีข้อได้เปรียบในการถอดรหัส lacunae ในความครอบคลุมของข้อมูลการทดสอบโมเดล AI แพลตฟอร์มดังกล่าวรวมคุณสมบัติการบริหารความเสี่ยงเพื่อติดตามความเสี่ยงที่มาพร้อมกับการประยุกต์ใช้ระบบ AI โดยเฉพาะ ประสบการณ์ผู้ใช้จะได้รับการปรับปรุงเพิ่มเติมด้วย UI ของ Kolena ซึ่งช่วยให้ผู้ใช้สามารถกำหนดกรณีทดสอบเพื่อประเมินประสิทธิภาพของแบบจำลอง และระบุสาเหตุที่เป็นไปได้ที่ขัดขวางประสิทธิภาพของแบบจำลอง ในขณะเดียวกันก็เปรียบเทียบประสิทธิภาพของแบบจำลองกับรุ่นอื่น ๆ ไปพร้อม ๆ กัน
ต่างจากกลยุทธ์ทั่วไปที่อาศัยพารามิเตอร์ทั่วไป เช่น คะแนนความแม่นยำ ด้วย Kolena ทีมสามารถจัดการและดำเนินการทดสอบสำหรับสถานการณ์เฉพาะที่แอปพลิเคชัน AI จะต้องเผชิญ Elgendy ยืนยันถึงความเป็นเอกลักษณ์ของแต่ละรุ่นโดยมีจุดแข็งและจุดอ่อนที่แตกต่างกัน ดังนั้นคะแนนความแม่นยำของโมเดลในการตรวจจับรถยนต์จึงไม่สามารถยืนยันประสิทธิภาพในแง่มุมที่แตกต่างกันได้เสมอไป
หาก Kolena ทำตามคำมั่นสัญญา ก็อาจกลายเป็นตัวเปลี่ยนเกมสำหรับนักวิทยาศาสตร์ด้านข้อมูลที่ใช้เวลาและความพยายามอย่างมากในการสร้างโมเดลเพื่อสนับสนุนแอป AI Elgendy ยืนยันว่าแพลตฟอร์มของ Kolena เป็นหนึ่งในไม่กี่แพลตฟอร์มที่ให้คำสั่งที่สมบูรณ์เกี่ยวกับประเภทข้อมูล ตรรกะการประเมิน และส่วนประกอบอื่นๆ ที่รวมอยู่ในการทดสอบโมเดล AI
Elgendy ให้ความกระจ่างเกี่ยวกับการรับประกันความเป็นส่วนตัวของ Kolena ซึ่งทำให้ลูกค้าไม่จำเป็นต้องอัปโหลดข้อมูลหรือโมเดลของตนบนแพลตฟอร์ม ในความเป็นจริง Kolena จะเก็บเฉพาะผลการทดสอบแบบจำลองสำหรับการเปรียบเทียบในอนาคตเท่านั้น ซึ่งอาจจะถูกลบออกเมื่อมีการร้องขอ
Elgendy ถือว่าการทดสอบที่มีประสิทธิภาพเป็นสิ่งสำคัญในการปฏิเสธความเสี่ยงจาก AI และระบบการเรียนรู้ของเครื่องจักรก่อนที่จะนำไปใช้งาน ด้วยความคร่ำครวญถึงสถานการณ์ปัจจุบันของการทดสอบโมเดลทั่วไปและความล้มเหลวบ่อยครั้งในการพิสูจน์แนวคิดของการเรียนรู้ของเครื่อง เขายืนยันถึงความมุ่งมั่นของ Kolena ในการประเมินโมเดลอย่างละเอียด ดังนั้น ผู้จัดการการเรียนรู้ของเครื่อง ผู้จัดการผลิตภัณฑ์ และผู้บริหาร จึงสามารถมองเห็นความครอบคลุมการทดสอบของโมเดลและข้อกำหนดการทำงานเฉพาะผลิตภัณฑ์ได้อย่างเหนือชั้น ซึ่งช่วยให้พวกเขาสามารถมีอิทธิพลต่อคุณภาพผลิตภัณฑ์ได้อย่างเชี่ยวชาญตั้งแต่เริ่มต้น
