Semakan akhir tahun: Sepuluh permulaan sains data dan pembelajaran mesin terhangat pada tahun 2022

Apabila perniagaan berurusan dengan jumlah data yang semakin meningkat, kedua-duanya dijana dalam organisasi dan dikumpulkan daripada sumber luaran, mencari cara yang berkesan untuk menganalisis dan "memanipulasi" data ini untuk kelebihan daya saing menjadi semakin penting.

Ini juga mendorong keperluan untuk alatan dan teknologi baharu dalam bidang sains data dan pembelajaran mesin. Menurut laporan "Fortune Business Insights", pasaran pembelajaran mesin global akan mencecah AS$15.44 bilion pada 2021 dan akan mencecah AS$21.17 bilion tahun ini Ia dijangka meningkat kepada AS$209.91 bilion menjelang 2029, dengan kadar pertumbuhan tahunan kompaun sebanyak. 38.8%.

Pada masa yang sama, menurut laporan oleh Allied Market Research, saiz pasaran global platform sains data ialah AS$4.7 bilion pada 2020 dan dijangka mencecah AS$79.7 bilion menjelang 2030, dengan pertumbuhan tahunan kompaun kadar 33.6%.

"Sains data" dan "pembelajaran mesin" kadangkala boleh berasa sedikit mengelirukan atau digunakan secara bergantian. Ini sebenarnya adalah dua konsep yang berbeza, tetapi ia berkaitan kerana amalan sains data adalah kunci kepada projek pembelajaran mesin.

Menurut takrifan laman web Sarjana Sains Data, sains data ialah bidang pengajian yang menggunakan kaedah saintifik untuk mengekstrak makna dan pandangan daripada data, termasuk membangunkan strategi analisis data, menyediakan data untuk analisis, membangunkan data visualisasi, dan membina model data .

Menurut laporan Fortune Business Insights, pembelajaran mesin ialah subseksyen bidang kecerdasan buatan yang lebih luas dan merujuk kepada penggunaan analisis data untuk mengajar komputer cara belajar (iaitu, untuk meniru cara manusia belajar ) Gunakan algoritma dan model berasaskan data.

Permintaan untuk sains data dan alatan pembelajaran mesin telah menimbulkan beberapa syarikat pemula membangunkan teknologi termaju dalam bidang sains data atau pembelajaran mesin. Mari kita lihat 10 daripadanya:

• Aporia
• Baseten
• Deci
• Galileo
• Neuton
• Pinecone
• Pinecone
• . platform komprehensif yang boleh digunakan oleh sains data dan pembelajaran mesin untuk memantau, nyahpepijat, mentafsir dan menambah baik model dan data pembelajaran mesin.
• Aporia diasaskan pada 2020 dan menerima tambahan $25 juta dalam pembiayaan Siri A pada Mac 2022, 10 bulan selepas menerima $5 juta dalam pembiayaan benih.
• Aporia akan menggunakan pembiayaan untuk menggandakan saiz tenaga kerjanya menjelang awal 2023, sambil turut mengembangkan kehadirannya di A.S. dan meluaskan julat kes penggunaan yang diliputi oleh teknologinya.

Baseten

Baseten telah dikeluarkan secara rasmi pada April tahun ini, menyediakan produk yang boleh mempercepatkan proses daripada pembangunan model pembelajaran mesin kepada aplikasi peringkat pengeluaran.

Menurut Baseten, teknologi itu, yang telah berada dalam beta dalaman sejak musim panas 2021, boleh mengautomasikan banyak kemahiran yang diperlukan untuk meletakkan model pembelajaran mesin ke dalam pengeluaran, membantu sains data dan pasukan pembelajaran mesin mengintegrasikan pembelajaran mesin ke Dalam proses perniagaan, tiada pengetahuan back-end, front-end atau MLOps diperlukan.

Baseten diasaskan pada 2019 oleh Ketua Pegawai Eksekutif Tuhin Srivastava, CTO Amir Haghighat dan Ketua Saintis Philip Howes, yang semuanya sebelum ini bekerja di pemaju platform e-dagang Gumroad. Baseten mengumpul $12 juta dalam pembiayaan Siri A pada April tahun ini, berikutan pendanaan benih awal $8 juta.

Deci

Deci telah membangunkan platform pembangunan pembelajaran mendalam untuk membina generasi akan datang kecerdasan buatan dan aplikasi pembelajaran mendalam. Teknologi Deci direka untuk membantu menangani "jurang kecekapan AI", di mana perkakasan komputer tidak dapat memenuhi permintaan model pembelajaran mesin yang semakin meningkat dari segi saiz dan kerumitan.

Platform Deci mengambil kira pengeluaran pada awal kitaran hayat pembangunan, membantu saintis data merapatkan jurang ini dan mengurangkan masa dan kos untuk menyelesaikan isu apabila menggunakan model dalam pengeluaran. Menurut Deci, platform itu menggabungkan teknologi AutoNAC (Pembinaan Seni Bina Neural Automatik) milik Deci untuk menyediakan "paradigma pembangunan yang lebih cekap" untuk membantu pembangun AI memanfaatkan "carian seni bina saraf" yang sedar perkakasan untuk membina model pembelajaran mendalam bagi memenuhi permintaan pengeluaran tertentu sasaran.

Deci diasaskan pada 2019 dan memperoleh AS$25 juta dalam pembiayaan Siri B yang diketuai oleh Insight Partners pada Julai tahun ini, Deci baru sahaja menerima AS$21 juta dalam pembiayaan Siri A.

Galileo

Galileo telah membangunkan platform risikan data pembelajaran mesin untuk data tidak berstruktur, membolehkan saintis data memeriksa, menemui dan membetulkan ralat pembelajaran mesin kritikal sepanjang kitaran hayat pembelajaran mesin.

Pada awal November tahun ini, Galileo melancarkan Edisi Komuniti Galileo, versi percuma platform, membenarkan saintis data yang terlibat dalam pemprosesan bahasa semula jadi menggunakan data latihan berkualiti tinggi untuk membina model dengan lebih cepat.

Galileo keluar daripada mod senyap apabila menerima pembiayaan awal AS$5.1 juta pada Mei tahun ini, dan kemudian pada 1 November, ia menerima pembiayaan Siri A AS$18 juta yang diketuai oleh Battery Ventures. Pengasas bersama Galileo termasuk Ketua Pegawai Eksekutif Vikram Chatterji, yang merupakan ketua pengurusan projek AI awan di Google, Atindriyo Sanyal, bekas jurutera perisian di Apple dan Uber dan Yash Sheth, bekas jurutera perisian pada jurutera sistem pengecaman pertuturan Google;

Neuton

Diasaskan pada 2021, Neuton membangunkan platform "tinyML" tanpa kod automatik dan alatan lain untuk membangunkan model pembelajaran mesin kecil yang boleh dibenamkan dalam mikropengawal untuk membolehkan Peranti pinggir menjadi pintar .

Teknologi Neuton sedang digunakan dalam pelbagai aplikasi, termasuk penyelenggaraan ramalan pam air pemampat, mencegah beban grid, pengesanan penghunian bilik, pengecaman tulisan tangan pada peranti pegang tangan, ramalan kegagalan penghantaran dan peralatan pemantauan pencemaran air.

Pinecone

Pangkalan data vektor dan teknologi carian yang dibangunkan oleh Pinecone terutamanya menyediakan sokongan untuk aplikasi kecerdasan buatan dan pembelajaran mesin. Pada Oktober 2021, Pinecone melancarkan Pinecone 2.0, mengambil perisian daripada makmal penyelidikan kepada aplikasi pengeluaran.

Pinecone diasaskan pada 2019 dan dilancarkan secara rasmi tahun lepas Ia menerima pembiayaan pusingan benih AS$10 juta pada Januari 2021 dan AS$28 juta dalam pembiayaan Siri A pada Mac tahun ini.

Pada bulan Oktober tahun ini, Pinecone mengembangkan portfolio infrastruktur carian pembelajaran mesinnya dengan pelancaran penyelesaian "carian vektor" baharu yang menggabungkan keupayaan carian semantik dan kata kunci.

Gartner menamakan Pinecone sebagai "Penjual Keren" dalam bidang kecerdasan buatan dan data pembelajaran mesin pada tahun 2021.

Predibase

Pada bulan Mei tahun ini, Predibase keluar daripada mod siluman dengan platform pembelajaran mesin kod rendah yang membolehkan saintis data dan bukan pakar membangunkan aplikasi dengan cepat dengan "terbaik-dalam -kelas" infrastruktur pembelajaran mesin. Model pembelajaran mesin. Perisian ini kini dalam penggunaan beta di banyak syarikat Fortune 500.

Predibase menawarkan teknologinya sebagai alternatif kepada AutoML tradisional untuk membangunkan model pembelajaran mesin bagi menyelesaikan masalah dunia sebenar. Platform ini menggunakan pembelajaran mesin deklaratif, yang Predibase katakan membolehkan pengguna menentukan model pembelajaran mesin sebagai "konfigurasi," atau fail mudah, memberitahu sistem apa yang pengguna mahu dan membiarkan sistem memikirkan cara terbaik untuk memenuhi keperluan itu.

Predibase diasaskan bersama oleh Ketua Pegawai Eksekutif Piero Molino, Ketua Pegawai Teknologi Travis Addair, Ketua Pegawai Produk Devvret Rishi, dan Profesor Madya Universiti Stanford Chris Re dan Addair, kedua-duanya pernah bekerja di Uber. Semasa di Uber, kedua-duanya membangunkan rangka kerja sumber terbuka Ludwig untuk model pembelajaran mendalam, dan rangka kerja sumber terbuka Horovod untuk melanjutkan dan mengedarkan latihan model pembelajaran mendalam kepada data besar-besaran (Predibase dibina di atas Ludwig dan Horovod.)

Pada Mei tahun ini, Predibase menerima AS$16.5 juta dalam bentuk pembiayaan benih dan siri A yang diketuai oleh Greylock.

Snorkel AI

Snorkel telah diasaskan pada 2019 dan berasal dari Makmal Kepintaran Buatan Universiti Stanford, di mana lima pengasas syarikat bekerja untuk menyelesaikan masalah kekurangan data latihan berlabel untuk kaedah pembangunan pembelajaran mesin .

Snorkel membangunkan Snorkel Flow, sistem berpusatkan data yang telah dilancarkan sepenuhnya di pasaran pada bulan Mac tahun ini, dengan menggunakan pelabelan terprogram, satu langkah penting dalam penyediaan data dan pembangunan model pembelajaran mesin dan latihan ) untuk mempercepatkan pembangunan kecerdasan buatan dan pembelajaran mesin.

Snorkel bernilai $1 bilion pada Ogos 2021, apabila syarikat permulaan memperoleh $85 juta dalam pembiayaan Siri C, menggunakan dana itu untuk mengembangkan pasukan kejuruteraan dan jualannya serta mempercepatkan pembangunan platformnya.

Vectice

Vectice membangunkan penyelesaian penangkapan dan perkongsian pengetahuan sains data automatik. Teknologi Vectice secara automatik menangkap aset yang dibuat oleh pasukan sains data untuk projek, termasuk set data, kod, model, buku nota, larian dan ilustrasi, serta menjana dokumentasi sepanjang kitaran hayat projek, daripada keperluan perniagaan hingga penggunaan pengeluaran.

Perisian Vectice dikatakan direka untuk membantu perusahaan mengurus ketelusan, tadbir urus dan penjajaran dengan AI dan projek pembelajaran mesin serta menyampaikan hasil projek yang konsisten.

Vectice, yang diasaskan pada 2020 oleh Ketua Pegawai Eksekutif Cyril Brignone dan CTO Gregory Haardt, menerima $12.6 juta dalam pembiayaan Siri A pada Januari tahun ini, menjadikan jumlah pembiayaan kepada $15.6 juta.

Verta

Verta membangunkan perisian pengurusan dan operasi model AI/ML yang digunakan oleh pasukan sains data dan pembelajaran mesin untuk menggunakan, Operasi, pengurusan dan pemantauan model yang sememangnya kompleks.

Pada Ogos tahun ini, Verta meningkatkan keupayaan perusahaan platform MLOpsnya, termasuk menambah ekosistem penyepaduan asli, keupayaan tambahan di sekitar keselamatan perusahaan, privasi dan kawalan akses serta pengurusan risiko model.

Verta diasaskan pada 2018 dan dikeluarkan secara rasmi pada 2020. Pada tahun ini, ia telah dinamakan sebagai "Cool Vendor" dalam bidang teknologi AI teras oleh Gartner.

Atas ialah kandungan terperinci Semakan akhir tahun: Sepuluh permulaan sains data dan pembelajaran mesin terhangat pada tahun 2022. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!