Được biết đến với các giải pháp sáng tạo trong việc thiết kế các công cụ để đánh giá, đánh giá và xác thực hiệu suất của các mô hình AI, Kolena gần đây đã tuyên bố thành công trong việc huy động được số tiền tài trợ đầy hứa hẹn là 15 triệu USD. Các nhà đầu tư chính trong vòng cấp vốn do Lobby Capital chủ trì là SignalFire và Bloomberg Beta.
Đợt bơm vốn mới đã nâng tổng số vốn của Kolena lên con số đáng kinh ngạc là 21 triệu USD. Nhằm mục đích đẩy nhanh quỹ đạo tăng trưởng của công ty, quỹ sẽ thúc đẩy các hoạt động nghiên cứu, liên minh với các cơ quan quản lý cũng như thúc đẩy các sáng kiến tiếp thị và bán hàng. Tin tức này đã được xác nhận bởi người đồng sáng lập và Giám đốc điều hành của công ty, Mohamed Elgendy, trong một cuộc phỏng vấn qua email gần đây với TechCrunch.
Elgendy nhấn mạnh tiềm năng to lớn của các ứng dụng AI nhưng lại thu hút sự chú ý đến sự hoài nghi tiềm ẩn từ các nhà phát triển và công chúng về việc tin tưởng vào AI. Ông nhấn mạnh sự cần thiết phải triển khai một cách có phương pháp và hiệu quả công nghệ đang phát triển này nhằm nâng cao và không làm suy giảm trải nghiệm kỹ thuật số. Quan điểm của ông bắt nguồn từ niềm tin rằng ngành này cần nuôi dưỡng và hướng dẫn những tiến bộ công nghệ để phục vụ đúng đắn chứ không chỉ chia tay do sử dụng sai lầm.
Cộng tác với Andrew Shi và Gordon Hart, những người đã đóng góp chuyên môn sáu năm của họ từ các bộ phận AI tại Amazon, Palantir, Rakuten và Synapse, Elgendy đã ra mắt Kolena vào năm 2021. Những bộ óc thông minh đã cùng nhau vạch ra một 'khuôn khổ chất lượng mô hình'. Điểm mấu chốt của ý tưởng là tạo điều kiện thuận lợi cho việc thử nghiệm đơn vị và thử nghiệm toàn diện cho các mô hình chuyển sang dạng thân thiện với doanh nghiệp.
Elgendy hình dung Kolena như một công cụ biến đổi trong bối cảnh khuôn khổ chất lượng mô hình hiện nay. Trọng tâm vẫn là trao quyền cho các nhóm để liên tục tiến hành các thử nghiệm đơn vị hoặc dựa trên kịch bản, cùng với thử nghiệm từ đầu đến cuối của toàn bộ hệ thống AI và máy học chứ không chỉ các tập hợp con.
Kolena tỏ ra thuận lợi trong việc giải mã các lỗ hổng trong phạm vi dữ liệu thử nghiệm mô hình AI. Nền tảng này tích hợp các tính năng quản lý rủi ro để giám sát các rủi ro xảy ra khi áp dụng một hệ thống AI cụ thể. Trải nghiệm người dùng được nâng cao hơn nữa với giao diện người dùng của Kolena cho phép người dùng xây dựng các trường hợp thử nghiệm để đánh giá năng suất của mô hình và xác định các nguyên nhân có thể cản trở hiệu suất của mô hình đồng thời so sánh hiệu suất của mô hình đó với các mô hình khác.
Không giống như các chiến lược thông thường tập trung vào các thông số chung chung như điểm chính xác, với Kolena, các nhóm có thể quản lý và tiến hành kiểm tra các tình huống cụ thể mà ứng dụng AI sẽ phải đối mặt. Elgendy khẳng định tính độc đáo của từng mẫu xe với những điểm mạnh và điểm yếu khác nhau, do đó, điểm chính xác của một mô hình trong việc phát hiện ô tô không nhất thiết khẳng định tính hiệu quả của nó ở các khía cạnh khác nhau.
Nếu Kolena thực hiện đúng như lời hứa của mình, nó có thể trở thành nhân tố thay đổi cuộc chơi cho các nhà khoa học dữ liệu, những người dành nhiều thời gian và công sức để xây dựng các mô hình củng cố các ứng dụng AI. Elgendy khẳng định rằng nền tảng của Kolena là một trong số rất ít nền tảng cung cấp khả năng chỉ huy hoàn chỉnh đối với các loại dữ liệu, logic đánh giá và các thành phần khác không thể thiếu trong thử nghiệm mô hình AI.
Elgendy làm sáng tỏ sự đảm bảo quyền riêng tư của Kolena, điều này giúp khách hàng không cần phải tải dữ liệu hoặc mô hình của họ lên nền tảng. Trên thực tế, Kolena chỉ lưu giữ kết quả kiểm tra mô hình để đo điểm chuẩn trong tương lai và kết quả này có thể bị xóa theo yêu cầu.
Elgendy coi thử nghiệm mạnh mẽ là rất quan trọng để loại bỏ rủi ro từ hệ thống AI và máy học trước khi triển khai. Than thở về tình hình hiện tại của việc thử nghiệm mô hình thông thường và những thất bại thường xuyên trong việc chứng minh các khái niệm trong học máy, ông khẳng định cam kết của Kolena đối với việc đánh giá mô hình kỹ lưỡng. Do đó, cung cấp khả năng hiển thị tuyệt vời về phạm vi thử nghiệm của mô hình và các yêu cầu chức năng dành riêng cho sản phẩm cho người quản lý máy học, người quản lý sản phẩm và giám đốc điều hành, từ đó cho phép họ tác động thành thạo đến chất lượng sản phẩm ngay từ đầu.
