$23.9 млн в Серии А: Gantry — оценка и улучшение ИИ

Спрос на ИИ для предприятий постоянно растет, но проблема заключается в создании инфраструктуры, ее развитии и обслуживании. Опрос IDC 2020 года показал, что нехватка данных для обучения ИИ и некачественные данные остаются основными препятствиями для внедрения искусственного интеллекта на предприятиях, наряду с проблемами безопасности данных, управляемости, производительности и задержек. На самом деле, треть предприятий, принявших участие в опросе, сообщают, что тратят около трети времени своего жизненного цикла ИИ на интеграцию и подготовку данных по сравнению с фактическими усилиями по обработке и анализу данных.

Джош Тобин, бывший научный сотрудник OpenAI, наблюдал за этой тенденцией во время преподавания курса глубокого обучения в Калифорнийском университете в Беркли в 2019 году вместе с Вики Чунг. Он и Чунг видели, как ИИ достиг переломного момента. Тем не менее, несмотря на то, что некоторые поставщики заявляют о «демократизации ИИ», большинству компаний по-прежнему очень сложно создавать продукты на базе ИИ.

«Основная проблема при создании или внедрении инфраструктуры для машинного обучения заключается в том, что эта область развивается невероятно быстро. Например, всего несколько лет назад обработка естественного языка считалась недоступной для промышленных приложений, но сегодня она быстро становится обычным явлением», — сказал Тобин. «Вот почему мы создаем платформу непрерывного совершенствования машинного обучения».

Тобин, который ранее возглавлял инфраструктуру в OpenAI, и Чунг, которая была инженером-основателем в Duolingo, являются соучредителями Gantry, сервиса, цель которого помочь командам разработчиков ИИ решить, когда надо переобучить свои ИИ-системы и какие данные использовать во время переобучения. Тобин утверждает, что Gantry, который подключается к существующим приложениям, службам маркировки и хранения данных, может суммировать и визуализировать данные на этапах обучения, оценки и развертывания.

Gantry сегодня был представлен публике при получении 28.3 миллионов долларов в комбинации раунда Серии A на 23.9 миллиона долларов и ранее нераскрытого посевного  раунда на 4.4 миллиона долларов.

«Наш продукт помогает инженерам по машинному обучению использовать данные, которые проходят через их работающий продукт на основе машинного обучения, чтобы выяснить, как на самом деле работает приложение, найти способы его улучшения и реализовать эти улучшения», — говорит Тобин.

Системы искусственного интеллекта учатся делать прогнозы, собирая наборы данных (например, исторические данные о погоде) и изучая отношения между различными точками данных (например, температура обычно выше в солнечные дни) в этих наборах. Но системы ИИ, как правило, неустойчивы в реальном мире, потому что данные реального мира почти никогда не бывают последовательными. Поэтому обучающая выборка в течение длительного периода не является репрезентативной для реального мира. Например, система прогнозирования запасов может выдавать неправильные данные, потому что пандемия поменяла покупательское поведение. Система беспилотных автомобилей Volvo стала печально известна тем, что кенгуру сбивали ее с толку —  из-за прыжков было трудно судить, насколько близко они.

Тобин и Чунг считают, что решением этой проблемы является система «непрерывного» обучения Gantry — инфраструктура, которая может адаптировать систему к постоянно меняющемуся потоку данных. По словам Тобина, Gantry разработан, чтобы служить единым источником достоверной информации о производительности ИИ-системы. Платформа позволяет пользователям узнать, как работает система, и как ее улучшить, используя инструменты рабочего процесса для определения показателей и срезов данных, на основе которых она работает.

«Дни плохого корпоративного опыта прошли — теперь клиенты ожидают, что работа будет такой же плавной, последовательной и интуитивно понятной, как и то, что они ожидают от современных технологических компаний. Машинное обучение позволяет масштабировать эти возможности. Однако создание продуктов на основе машинного обучения обходится дорого и создает риск для бренда и взаимодействия с клиентами, поскольку модели могут неожиданно и вредно сбоить при взаимодействии с пользователями», — добавил он. «Gantry помогает предприятиям создавать удобные условия для клиентов на основе машинного обучения с меньшими рисками и меньшими затратами, предоставляя инфраструктуру и элементы управления, необходимые для безопасного обслуживания и итерации продуктовых функций на основе машинного обучения».

Gantry входит в новую категорию программного обеспечения, известную как MLOps, которая стремится оптимизировать жизненный цикл ИИ-систем за счет автоматизации и стандартизации рабочих процессов разработки. Аналитическая фирма Cognilytica прогнозирует, что благодаря ускоренному внедрению ИИ мировой рынок решений MLOps к 2025 году будет стоить 4 миллиарда долларов — по сравнению с 350 миллионами долларов в 2019 году.

Тобин признает, что другие инструменты, такие как Arize, Arthur и Fiddler, выполняют те же функции, что и Gantry. Но он утверждает, что они сосредоточены на более широком круге проблем ИИ, тогда как Gantry затрагивает — но выходит за рамки — таких аспектов, как наблюдаемость, мониторинг и объяснимость. Например, Gantry можно использовать для обнаружения предвзятости в приложениях на основе ИИ, утверждает Тобин, даже если приложения используют «неструктурированные» данные, такие как текст и изображения.

Пока неизвестно, сколько пользователей или клиентов у Gantry. Но основатель говорит, что финансирование будет частично направлено на привлечение клиентов, в дополнение к увеличению размера существующей команды Gantry из 22 человек.

«Мы считаем, что потенциальные препятствия в сфере технологий более чем компенсируются сильным попутным ветром в машинном обучении», — добавил Тобин, когда его спросили о текущем экономическом климате и о том, что это может означать для Gantry. «Кроме того, по мере того, как пояса затягиваются, а компании стали более обдуманно относиться к своим расходам, инвестиции в инструменты, помогающие повысить эффективность команд, а также производительность и надежность продуктов, становятся еще более важными».