À mesure que les entreprises traitent des quantités croissantes de données (à la fois générées au sein de l'organisation et collectées à partir de sources externes), il devient de plus en plus impératif de trouver des moyens efficaces d'analyser et de « manipuler » ces données pour obtenir un avantage concurrentiel.
Cela stimule également la demande de nouveaux outils et technologies dans les domaines de la science des données et de l'apprentissage automatique. Selon le rapport « Fortune Business Insights », le marché mondial de l'apprentissage automatique atteindra 15,44 milliards de dollars américains en 2021 et atteindra 21,17 milliards de dollars américains cette année. Il devrait atteindre 209,91 milliards de dollars américains d'ici 2029, avec un taux de croissance annuel composé de . 38,8%.
Dans le même temps, selon un rapport d'Allied Market Research, la taille du marché mondial des plateformes de science des données était de 4,7 milliards de dollars en 2020 et devrait atteindre 79,7 milliards de dollars d'ici 2030, avec un taux de croissance annuel composé de 33,6 %. .
« Science des données » et « apprentissage automatique » peuvent parfois sembler un peu déroutants, voire utilisés de manière interchangeable. Il s’agit en fait de deux concepts différents, mais ils sont liés car les pratiques de science des données sont essentielles aux projets d’apprentissage automatique.
Selon la définition du site Web du Master en science des données, la science des données est un domaine d'études qui utilise des méthodes scientifiques pour extraire du sens et des informations à partir des données, notamment en formulant des stratégies d'analyse de données, en préparant les données pour l'analyse, en développant des visualisations de données et en construisant modèles de données.
Selon le rapport « Fortune Business Insights », l'apprentissage automatique est une sous-section du domaine plus large de l'intelligence artificielle. Il fait référence à l'utilisation de l'analyse de données pour enseigner aux ordinateurs comment apprendre (c'est-à-dire imiter les méthodes d'apprentissage humaines) à l'aide d'algorithmes. et le modèle des données.
La demande en outils de science des données et d'apprentissage automatique a donné naissance à un certain nombre de startups développant des technologies de pointe dans le domaine de la science des données ou de l'apprentissage automatique. Jetons un coup d'œil à 10 d'entre elles :
Aporia développe une plateforme d'observabilité d'apprentissage automatique full-stack et hautement personnalisable , la science des données et le Machine Learning peuvent utiliser la plate-forme pour surveiller, déboguer, interpréter et améliorer les modèles et les données d'apprentissage automatique.
Aporia a été fondée en 2020 et a reçu 25 millions de dollars supplémentaires en financement de série A en mars 2022, 10 mois après avoir reçu 5 millions de dollars en financement de démarrage.
Aporia utilisera ce financement pour tripler la taille de ses effectifs d'ici début 2023, tout en élargissant sa présence aux États-Unis et en élargissant la gamme de cas d'utilisation couverts par sa technologie.
Baseten a été officiellement lancé en avril de cette année, fournissant des produits capables d'accélérer le processus depuis le développement de modèles d'apprentissage automatique jusqu'aux applications de niveau production.
Selon Baseten, la technologie, qui est en version bêta interne depuis l'été 2021, peut automatiser de nombreuses compétences requises pour mettre en production des modèles d'apprentissage automatique, aidant ainsi les équipes de science des données et d'apprentissage automatique à intégrer l'apprentissage automatique dans les processus métier, sans backend. , frontend ou connaissances MLOps requises.
Baseten a été fondée en 2019 par le PDG Tuhin Srivastava, le directeur de la technologie Amir Haghighat et le scientifique en chef Philip Howes, qui ont tous travaillé auparavant chez le développeur de plateforme de commerce électronique Gumroad. Baseten a levé 12 millions de dollars en financement de série A en avril de cette année, après un précédent financement de démarrage de 8 millions de dollars.
Deci a développé une plateforme de développement d'apprentissage profond pour créer la prochaine génération d'applications d'intelligence artificielle et d'apprentissage profond. La technologie de Deci est conçue pour aider à combler le « déficit d’efficacité de l’IA », où le matériel informatique est incapable de répondre aux exigences des modèles d’apprentissage automatique dont la taille et la complexité augmentent.
La plateforme Deci prend en compte la production dès le début du cycle de vie du développement, aidant les data scientists à combler cette lacune et à réduire le temps et le coût de résolution des problèmes lors du déploiement de modèles en production. Selon Deci, la plate-forme intègre la technologie exclusive AutoNAC (Automatic Neural Architecture Construction) de Deci pour fournir « un paradigme de développement plus efficace » pour aider les développeurs d’IA à créer des modèles d’apprentissage en profondeur à l’aide d’une « recherche d’architecture neuronale » sensible au matériel pour répondre à des objectifs de demande de production spécifiques. .
Deci a été fondée en 2019 et a reçu 25 millions de dollars de financement de série B dirigé par Insight Partners en juillet de cette année. Il y a à peine 7 mois, Deci venait de recevoir 21 millions de dollars de financement de série A.
Galileo a développé une plateforme d'intelligence des données d'apprentissage automatique pour les données non structurées, permettant aux scientifiques des données d'inspecter, de découvrir et de corriger les erreurs critiques d'apprentissage automatique tout au long du cycle de vie de l'apprentissage automatique.
Début novembre de cette année, Galileo a lancé une version gratuite de la plateforme, Galileo Community Edition, permettant aux data scientists engagés dans le traitement du langage naturel d'utiliser des données d'entraînement de meilleure qualité pour créer des modèles plus rapidement.
Galileo est sorti du mode furtif lorsqu'il a reçu 5,1 millions de dollars de financement de démarrage en mai de cette année, puis le 1er novembre, il a reçu 18 millions de dollars de financement de série A dirigé par Battery Ventures. Les cofondateurs de Galileo comprennent le PDG Vikram Chatterji, qui était responsable de la gestion des projets d'IA cloud chez Google ; Atindriyo Sanyal, ancien ingénieur logiciel chez Apple et Uber ; et Yash Sheth, ancien ingénieur logiciel du système de reconnaissance vocale de Google.
Fondée en 2021, Neuton développe une plateforme automatisée « tinyML » sans code et d'autres outils pour développer de minuscules modèles d'apprentissage automatique qui peuvent être intégrés dans des microcontrôleurs pour rendre les appareils de pointe intelligents.
La technologie de Neuton est utilisée dans un large éventail d'applications, notamment la maintenance prédictive des pompes à eau des compresseurs, la prévention des surcharges du réseau, la détection de l'occupation des pièces, la reconnaissance de l'écriture manuscrite sur les appareils portables, la prévision des pannes de transmission et les équipements de surveillance de la pollution de l'eau.
La base de données vectorielles et la technologie de recherche développées par Pinecone prennent principalement en charge les applications d'intelligence artificielle et d'apprentissage automatique. En octobre 2021, Pinecone a lancé Pinecone 2.0, faisant passer le logiciel des laboratoires de recherche aux applications de production.
Pinecone a été fondée en 2019, officiellement lancée l'année dernière et a reçu 10 millions de dollars américains en financement d'amorçage en janvier 2021 et 28 millions de dollars américains en financement de série A en mars de cette année.
En octobre de cette année, Pinecone a élargi son portefeuille d'infrastructures de recherche d'apprentissage automatique avec le lancement d'une nouvelle solution de « recherche vectorielle » qui combine des capacités de recherche sémantique et par mot clé.
Gartner a nommé Pinecone « Cool Vendor » dans le domaine de l'intelligence artificielle et des données d'apprentissage automatique en 2021.
En mai de cette année, Predibase est sorti du mode furtif avec une plate-forme d'apprentissage automatique low-code qui permet aux scientifiques des données et aux non-experts de développer rapidement des modèles d'apprentissage automatique avec la meilleure infrastructure d'apprentissage automatique de sa catégorie. . Le logiciel est actuellement utilisé en version bêta dans de nombreuses entreprises Fortune 500.
Predibase propose sa technologie comme alternative à l'AutoML traditionnel pour développer des modèles d'apprentissage automatique afin de résoudre des problèmes du monde réel. La plate-forme utilise l'apprentissage automatique déclaratif, qui, selon Predibase, permet aux utilisateurs de spécifier des modèles d'apprentissage automatique sous forme de « configurations » ou de simples fichiers, indiquant au système ce que veut l'utilisateur et laissant le système déterminer la meilleure façon de répondre à ce besoin.
Predibase a été cofondée par le PDG Piero Molino, le directeur de la technologie Travis Addair, le directeur des produits Devvret Rishi et le professeur agrégé de l'Université de Stanford Chris Molino et Addair ont tous deux travaillé chez Uber. Chez Uber, les deux ont développé le framework open source Ludwig pour les modèles d'apprentissage profond et le framework open source Horovod pour étendre et distribuer la formation des modèles d'apprentissage profond à des données massives (Predibase est construit sur Ludwig et Horovod.)
En mai de cette année , Predibase a reçu 16,5 millions de dollars américains en financement d'amorçage et de série A dirigé par Greylock.
Snorkel a été fondée en 2019 et est issue du laboratoire d'intelligence artificielle de l'université de Stanford, où les cinq fondateurs de l'entreprise ont travaillé sur des moyens de résoudre le problème du manque de données d'entraînement étiquetées pour le développement de l'apprentissage automatique.
Snorkel a développé Snorkel Flow, un système centré sur les données qui accélère le travail manuel grâce à l'utilisation de l'étiquetage programmatique, une étape clé dans la préparation des données et le développement et la formation de modèles d'apprentissage automatique, et entièrement lancé sur le marché en mars de cette année. de l'intelligence et de l'apprentissage automatique.
La valorisation de Snorkel a atteint 1 milliard de dollars en août 2021, lorsque la startup a obtenu 85 millions de dollars en financement de série C, utilisant les fonds pour développer ses équipes d'ingénierie et de vente et accélérer le développement de la plateforme.
Vectice développe une solution automatisée de capture et de partage de connaissances en science des données. La technologie de Vectice capture automatiquement les actifs que les équipes de science des données créent pour les projets, notamment les ensembles de données, le code, les modèles, les blocs-notes, les exécutions et les illustrations, et génère de la documentation tout au long du cycle de vie du projet, depuis les exigences commerciales jusqu'au déploiement en production.
Le logiciel de Vectice est censé aider les entreprises à gérer la transparence, la gouvernance et l'alignement avec les projets d'IA et d'apprentissage automatique et à fournir des résultats de projet cohérents.
Vectice, fondée en 2020 par le PDG Cyril Brignone et le CTO Gregory Haardt, a reçu 12,6 millions de dollars en financement de série A en janvier de cette année, portant le financement total à 15,6 millions de dollars.
Verta développe un logiciel de gestion et d'exploitation de modèles IA/ML qui permet aux équipes de science des données et d'apprentissage automatique de déployer, d'exploiter, de gérer et de surveiller la complexité inhérente au déploiement, à l'exploitation, à la gestion et à la surveillance de l'ensemble du modèle IA et ML. cycle de vie.
En août de cette année, Verta a amélioré les capacités d'entreprise de sa plate-forme MLOps, notamment en ajoutant un écosystème d'intégration natif, des fonctionnalités supplémentaires en matière de sécurité d'entreprise, de confidentialité et de contrôle d'accès, ainsi que de gestion des risques de modèle.
Verta a été fondée en 2018 et officiellement lancée en 2020. Cette année, elle a été nommée « Cool Vendor » dans le domaine principal de la technologie de l'IA par Gartner.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Prévisions futures d'ondulation
Méthodes d'analyse des données
Le rôle de l'attribut caption
Mesures de stockage de cryptage des données
Que dois-je faire si le fichier chm ne peut pas être ouvert ?
Comment habiller Douyin Xiaohuoren
Solution d'erreur de paramètre 0x80070057
Que signifie le jumeau numérique ?
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
