隨著企業要應對越來越多的數據（包括組織內部產生的和從外部來源收集的數據），找到有效的方法來分析和「操作」這些數據以獲得競爭優勢，變得越來越具有挑戰性。
這也推動了資料科學和機器學習領域對新工具和新技術的需求。根據《財富商業洞察》報告顯示，全球機器學習市場規模在2021年就達到了154.4億美元，今年將達到211.7億美元，預計到2029年將增長到至2099.1億美元，複合年增長率為38.8% 。
同時，根據Allied Market Research的報告顯示，2020年數據科學平台的全球市場規模為47億美元，預計到2030年將達到797億美元，複合年增長率為33.6%。
「資料科學」和「機器學習」有時會讓人覺得有些混淆，甚至是可以互換使用。實際上這是兩個不同的概念，但兩者又是相關的，因為資料科學實踐是機器學習專案的關鍵。
根據Master's in Data Science網站的定義，資料科學是一個使用科學方法從資料中提取意義和見解的研究領域，包括制定資料分析策略、準備分析資料、開發資料視覺化和建立資料模型。
根據《財富商業洞察》報告，機器學習則是範疇更廣的人工智慧領域下的一個子部分，是指使用資料分析來教導電腦如何學習（也就是模仿人類的學習方式）使用基於演算法和數據的模型。
對資料科學和機器學習工具的需求，催生了一批在資料科學或是機器學習領域開發前沿技術的新創公司，下面來看看其中這10家：
Aporia開發了一個全堆疊的、高度可自訂的機器學習可觀察性平台，資料科學和機器學習可以使用該平台來監控、調試、解釋和改進機器學習模型和資料。
Aporia成立於2020年，在獲得了500萬美元種子資金的10個月之後，於2022年3月的A輪融資中又獲得了2500萬美元資金。
Aporia將利用這筆融資在2023年初之前將員工規模擴大兩倍，同時擴展在美國的業務，並擴大其技術覆蓋的用例範圍。
Baseten是在今年4月正式發布的，提供的產品可以加快從機器學習模型開發到生產級應用的過程。
據Baseten稱，該技術自2021年夏季以來一直處於內測階段，可以自動執行將機器學習模型投入生產所需的許多技能，幫助數據科學和機器學習團隊將機器學習整合到業務流程中，無需後端、前端或MLOps知識。
Baseten公司是由執行長Tuhin Srivastava、技術長Amir Haghighat和首席科學家Philip Howes於2019年創立，他們之前都曾在電子商務平台開發商Gumroad公司就職。今年4月，Baseten在A輪融資中獲得了1200萬美元，此前早些時候在種子輪融資中獲得了800萬美元。
Deci開發了一個深度學習開發平台，用於建立下一代人工智慧和深度學習應用。 Deci的技術旨在幫助解決“人工智慧效率差距”，也就是電腦硬體無法滿足那些規模和複雜性不斷增長的機器學習模型的需求。
Deci的平台在開發生命週期早期就考慮到了生產方面的問題，從而幫助資料科學家消除這一差距，減少在生產中部署模型時解決問題的時間和成本。據Deci稱，該平台結合了Deci專有的AutoNAC（自動神經架構構建）技術，提供了“更高效的開發範式”，幫助AI開發人員利用硬體感知的“神經架構搜尋”來構建深度學習模型，以滿足特定的生產需求目標。
Deci成立於2019年，在今年7月由Insight Partners領投的B輪融資中獲得了2500萬美元，就在7個月前，Deci剛剛在A輪融資中獲得了2100萬美元。
Galileo針對非結構化資料開發了一個機器學習資料智慧平台，讓資料科學家可以在整個機器學習生命週期中檢查、發現和修復關鍵的機器學習錯誤。
今年11月初，Galileo公司推出了該平台的免費版本Galileo Community Edition，讓從事自然語言處理的資料科學家們能夠使用更高品質的訓練資料更快速地建立模型。
Galileo在今年5月獲得於510萬美元種子資金的時候走出隱身模式，緊接著在11月1日，在由Battery Ventures領投的A輪融資中獲得了1800萬美元。 Galileo公司聯合創辦人包括執行長Vikram Chatterji，他曾是Google的雲端AI專案管理負責人；Atindriyo Sanyal，曾是蘋果和Uber公司的軟體工程師；以及Yash Sheth，曾是Google語音辨識系統的軟體工程師。
Neuton成立於2021年，開發的自動化無程式碼「tinyML」平台和其他工具用於開發微型機器學習模型，這些模型可以嵌入微控制器中，使邊緣設備變得智慧。
Neuton的技術正在被廣泛應用，包括壓縮機水泵的預測性維護、防止電網過載、房間佔用檢測、手持設備上的手寫識別、變速箱故障預測和水污染監測設備。
Pinecone開發的向量資料庫和搜尋技術主要為人工智慧和機器學習應用提供支援。 2021年10月，Pinecone公司推出了Pinecone 2.0，將軟體從研究實驗室帶到生產應用。
Pinecone成立於2019年，去年正式發布，並在2021年1月的種子輪融資中獲得1000萬美元，今年3月的A輪融資中獲得了2800萬美元。
今年10月，Pinecone推出了結合語意和關鍵字搜尋功能的新「向量搜尋」解決方案，對自己的機器學習搜尋基礎設施產品組合進行了擴展。
Gartner曾在2021年將Pinecone評為人工智慧和機器學習資料領域中的「酷廠商」。
今年5月，Predibase憑藉低程式碼機器學習平台走出隱身模式，該平台可以讓資料科學家和非專家快速開發具有「同類最佳」機器學習基礎設施的機器學習模型。該軟體目前在許多財富500強公司進行測試使用。
Predibase提供將其技術作為對傳統AutoML的替代方法，開發機器學習模式解決現實中的問題。該平台使用聲明式機器學習，Predibase稱它讓使用者可以把機器學習模型指定為「配置」或簡單文件，告訴系統使用者想要什麼，並讓系統找出滿足該需求的最佳方法。
Predibase公司是由執行長Piero Molino、技術長Travis Addair、首席產品長Devvret Rishi以及史丹佛大學副教授Chris Re共同創立的，其中Molino和Addair都曾經在Uber公司工作。在Uber的時候，他們兩人開發了用於深度學習模型的Ludwig開源框架，以及用於擴展和分發深度學習模型訓練到海量資料的Horovod開源框架（Predibase就是建立在Ludwig和Horovod之上的。）
今年5月，Predibase在Greylock領投的種子輪和A輪融資中獲得了1650萬美元。
Snorkel成立於2019 年，起源於史丹佛大學人工智慧實驗室，該公司的五位創辦人都曾在那裡研究解決機器學習開發缺乏標記訓練資料問題的方法。
Snorkel開發了以Snorkel Flow以數據為中心的系統，並在今年3月全面投入市場，該系統透過使用程式化標籤（這是資料準備和機器學習模型開發和培訓的關鍵步驟）來加速人工智慧和機器學習的開發。
2021年8月，Snorkel公司的估值達到10億美元，當時這家新創公司在C輪融資中獲得了8,500萬美元，使用這筆資金發展其工程和銷售團隊並加速平台開發。
Vectice開發了一種自動化的資料科學知識擷取和共享解決方案。 Vectice的技術可以自動擷取資料科學團隊為專案創建的資產，包括資料集、程式碼、模型、筆記本、運行和插圖，並在整個專案生命週期（從業務需求到生產部署）中產生文件。
據稱，Vectice的軟體旨在幫助企業管理透明度、治理以及與AI和機器學習專案保持一致，並提供一致的專案結果。
Vectice是由執行長Cyril Brignone和技術長Gregory Haardt於2020年創立的，在今年1月的A輪融資中獲得了1260萬美元，總融資額達到1560萬美元。
Verta開發了人工智慧/機器學習模型管理和操作軟體，讓資料科學和機器學習團隊使用這些軟體在整個人工智慧和機器學習模型生命週期中部署、操作、管理和監控固有的複雜模型。
今年8月，Verta公司增強了其MLOps平台的企業功能，包括增加原生整合生態系統、圍繞企業安全、隱私和存取控制以及模型風險管理的附加功能。
Verta成立於2018年，於2020年正式發布，今年被Gartner評為核心AI技術領域的「酷廠商」。
以上是年終盤點：2022年最炙手可熱的十家資料科學與機器學習新創公司的詳細內容。更多資訊請關注PHP中文網其他相關文章！
