Yapay zeka modellerinin performansını değerlendirmek, kıyaslamak ve doğrulamak için araçlar tasarlamadaki yenilikçi çözümleriyle tanınan Kolena, yakın zamanda 15 milyon dolarlık umut verici bir fon miktarını başarıyla güvence altına aldığını duyurdu. Lobby Capital başkanlık ettiği finansman turunun kilit yatırımcıları SignalFire ve Bloomberg Beta gibi isimlerdi.
Yeni sermaye enjeksiyonu Kolena'nın toplam fonunu şaşırtıcı bir şekilde 21 milyon dolara çıkardı. Şirketin büyüme yörüngesini hızlandırmayı amaçlayan fonlar, araştırma faaliyetlerini, düzenleyici otoritelerle ittifakları ilerletecek ve satış ve pazarlama girişimlerini teşvik edecek. Haber, TechCrunch ile yakın zamanda yapılan bir e-posta röportajında firmanın kurucu ortağı ve CEO'su Mohamed Elgendy tarafından doğrulandı.
Elgendy, yapay zeka uygulamalarının büyük potansiyelini vurguladı ancak geliştiricilerin ve halkın yapay zekaya güvenme konusunda altta yatan şüpheciliğine dikkat çekti. Dijital deneyimi geliştiren ve bozmayan bu gelişen teknolojinin metodik ve etkili bir şekilde uygulanmasının gerekliliğini vurguladı. Onun görüşü, endüstrinin teknolojideki gelişmeleri doğru hizmet vermek için beslemesi ve yönlendirmesi gerektiği ve yanlış kullanım nedeniyle yolları ayırması gerektiği inancından kaynaklanıyor.
Amazon, Palantir, Rakuten ve Synapse'deki yapay zeka bölümlerindeki altı yıllık uzmanlıklarıyla katkıda bulunan Andrew Shi ve Gordon Hart ile işbirliği yapan Elgendy, 2021'de Kolena'yı piyasaya sürdü. Parlak beyinler bir 'model kalite çerçevesi' tasavvur etmek için bir araya geldi. Fikrin özü, kurumsal dostu bir forma dönüştürülen modeller için birim testini ve kapsamlı testleri kolaylaştırmaktı.
Elgendy, Kolena'yı mevcut model kalite çerçevesi ortamında dönüştürücü bir araç olarak tasavvur ediyor. Odak noktası, yalnızca alt kümelerin değil, tüm yapay zeka ve makine öğrenimi sistemlerinin uçtan uca test edilmesinin yanı sıra sürekli olarak senaryo bazlı veya birim testleri yürütme konusunda ekiplerin güçlendirilmesidir.
Kolena, yapay zeka modeli test verileri kapsamındaki boşlukları çözme konusunda avantajlı olduğunu kanıtlıyor. Platform, belirli bir yapay zeka sisteminin uygulanmasıyla ortaya çıkan riskleri izlemek için risk yönetimi özelliklerini entegre ediyor. Kullanıcıların bir modelin üretkenliğini değerlendirmek için test senaryoları oluşturmasına ve bir modelin performansını engelleyen olası nedenleri belirlerken aynı zamanda performansını diğer modellerle karşılaştırmasına olanak tanıyan Kolena kullanıcı arayüzü ile kullanıcı deneyimi daha da artıyor.
Doğruluk puanı gibi genel parametrelere odaklanan geleneksel stratejilerden farklı olarak Kolena ile ekipler, bir yapay zeka uygulamasının karşılaşacağı belirli senaryolara yönelik testleri yönetebilir ve yürütebilir. Elgendy, her modelin benzersizliğini farklı güçlü ve zayıf yönlerle doğruluyor ve bu nedenle, bir modelin araba tespit etmedeki doğruluk puanı, onun çeşitli açılardan etkinliğini mutlaka doğrulayamıyor.
Kolena sözünü yerine getirirse, yapay zeka uygulamalarını destekleyecek modeller oluşturmak için önemli miktarda zaman ve çaba harcayan veri bilimcileri için oyunun kurallarını değiştirebilir. Elgendy, Kolena platformunun veri türleri, değerlendirme mantığı ve yapay zeka model testinin ayrılmaz bir parçası olan diğer bileşenler üzerinde tam kontrol sağlayan çok az platformdan biri olduğunu ileri sürüyor.
Elgendy, Kolena'nın müşterilerin verilerini veya modellerini platforma yükleme ihtiyacını ortadan kaldıran gizlilik güvencesine ışık tutuyor. Aslında Kolena, yalnızca talep üzerine silinebilecek gelecekteki kıyaslama için model test sonuçlarını korur.
Elgendy, güçlü testlerin, bir yapay zeka ve makine öğrenimi sisteminin devreye alınmasından önce ortaya çıkan riskleri ortadan kaldırmak için kritik öneme sahip olduğunu düşünüyor. Mevcut sıradan model testi senaryosundan ve makine öğrenimi kavram kanıtlarında sık sık yaşanan başarısızlıklardan yakınarak, Kolena'nın kapsamlı bir model değerlendirmesine olan bağlılığını doğruluyor. Bu nedenle, makine öğrenimi yöneticilerine, ürün yöneticilerine ve yöneticilere bir modelin test kapsamına ve ürüne özgü işlevsel gereksinimlere ilişkin benzersiz bir görünürlük sunarak, ürün kalitesini en başından itibaren yetkin bir şekilde etkilemelerine olanak tanır.
