Activeloop, kuruluşlara yapay zeka için çok modlu verilerden yararlanmanın daha iyi bir yolunu sunmak üzere 11 milyon dolar kazandı

Kaliforniya merkezli Aktif döngüYapay zeka projelerini kolaylaştırmak için özel bir veritabanı sunan bir startup olan startup, bugün Streamlined Ventures, Y Combinator, Samsung Next (Samsung Group’un startup hızlandırma kolu) ve diğer birçok yatırımcıdan A serisi fon olarak 11 milyon dolar topladığını duyurdu.

Piyasada pek çok veri platformu olmasına rağmen, Princeton’dan ayrılan Davit Buniatyan tarafından kurulan Activeloop, işletmelerin bugün karşılaştığı en büyük zorluklardan birinin üstesinden gelmek için bir sistemle kendine bir yer edindi: Yapay zeka modellerinin eğitimi için yapılandırılmamış çok modlu verilerden yararlanmak. Şirket, “Deep Lake” olarak adlandırılan bu teknolojinin, ekiplerin piyasa tekliflerinden %75’e kadar daha düşük bir maliyetle yapay zeka uygulamaları oluşturmasına olanak tanıdığını ve mühendislik ekiplerinin üretkenliğini beş kata kadar artırdığını iddia ediyor.

Gittikçe daha fazla işletmenin farklı kullanım örneklerini hedefleyen yapay zeka uygulamaları için karmaşık veri kümelerinden yararlanmanın yollarını araması nedeniyle bu çalışma önem taşıyor. McKinsey araştırmasına göre, üretken yapay zeka Müşterilerle destek etkileşimleri sağlamak, pazarlama ve satış için yaratıcı içerik üretmek ve doğal dildeki komutlara dayalı yazılım kodu taslağı hazırlamak da dahil olmak üzere düzinelerce alanda önemli etkiyle yılda 2,6 trilyon ila 4,4 trilyon dolar arasında küresel kurumsal kâr elde etme potansiyeline sahiptir.

Activeloop Deep Lake ne işe yarar?

Günümüzde yüksek performanslı temel yapay zeka modellerinin eğitimi, metin, ses ve video gibi modaliteleri kapsayan petabayt ölçeğinde yapılandırılmamış verilerle uğraşmayı içerir. Bu görev genellikle ekiplerin dağınık silolardan ilgili veri kümelerini tanımlamasını ve bunları farklı depolama ve erişim teknolojileriyle sürekli olarak çalıştırmasını gerektirir; bu, mühendislerin çok sayıda standart kodlama ve entegrasyon yapmasını gerektirir ve projenin maliyetini artırabilir.

Activeloop bu tutarsız yaklaşımı, diğerlerinin yanı sıra resimler, videolar ve açıklamalar gibi karmaşık verileri makine öğrenimi (ML) -yerel matematiksel temsiller (tensörler) biçiminde depolayan ve verilerin akışını kolaylaştıran Deep Lake’in standartlaştırılmasıyla hedefliyor. bu tensörleri SQL benzeri Tensor Sorgu Dili’ne, bir tarayıcı içi görselleştirme motoruna veya PyTorch ve TensorFlow gibi derin öğrenme çerçevelerine bağlar.

Bu, geliştiricilere, çok modlu verileri filtrelemek ve aramaktan, zaman içindeki sürümlerini izlemeye ve karşılaştırmaya ve farklı kullanım durumlarını hedefleyen eğitim modelleri için yayınlamaya kadar her şey için tek bir platform sağlar.

VentureBeat ile yaptığı görüşmede Buniatyan, Deep Lake’in tüm avantajları sunduğunu söylüyor vanilya veri gölü (silolardan çok modlu verilerin alınması gibi) ancak bunların tamamını, derin öğrenme algoritmalarının girdi olarak beklediği tensör formatına dönüştürmesiyle öne çıkıyor.

Tensörler, bulut tabanlı nesne depolamada veya AWS S3 gibi yerel depolamada düzgün bir şekilde depolanır ve ardından eğitim için buluttan grafik işleme birimlerine (GPU’lar) sorunsuz bir şekilde aktarılır; bu da tam olarak kullanılması için hesaplamaya yetecek kadar verinin iletilmesini sağlar. . Büyük veri kümeleriyle ilgilenen önceki yaklaşımlar, verilerin gruplar halinde kopyalanmasını gerektiriyordu ve bu da GPU’ları atıl durumda bırakıyordu.

Buniatyan, Activeloop ve bu teknoloji üzerinde çalışmaya 2018 yılında Princeton Nörobilim Laboratuvarı’nda binlerce yüksek çözünürlüklü fare beyin taramasını depolama ve ön işleme zorluğuyla karşılaştığında başladığını söyledi. O tarihten bu yana şirket, iki ana kategoriye sahip temel veritabanı işlevlerini geliştirdi: açık kaynak ve özel.

“Açık kaynak yönü, diğer yeteneklerin yanı sıra veri kümesi formatını, sürüm kontrolünü ve akış ve sorgulama için tasarlanmış geniş bir API dizisini kapsıyor. Öte yandan, tescilli segment, gelişmiş görselleştirme araçlarını, bilgi erişimini ve performanslı bir akış motorunu içeriyor ve bunlar birlikte ürünlerinin genel işlevselliğini ve çekiciliğini artırıyor” dedi VentureBeat’e.

CEO, Activeloop’un birlikte çalıştığı müşterilerin tam sayısını paylaşmasa da, açık kaynaklı projenin bugüne kadar bir milyondan fazla indirildiğini ve şirketin kurumsal segmentteki varlığını güçlendirdiğini belirtti. Şu anda kurumsal odaklı teklif, kullanıma dayalı bir fiyatlandırma modeliyle birlikte geliyor ve biyofarma, yaşam bilimleri, tıp teknolojisi, otomotiv ve hukuk gibi sıkı düzenlemeye tabi sektörlerdeki Fortune 500 şirketleri tarafından kullanılıyor.

Bir müşteri, Bayer Radyolojifarklı veri yöntemlerini tek bir depolama çözümünde birleştirmek için Deep Lake’i kullandı, veri ön işleme süresini kolaylaştırdı ve veri bilimcilerin taramaları doğal dilde sorgulamasına olanak tanıyan yeni bir “X-ışınları ile sohbet” özelliğini etkinleştirdi.

Kurucu, “Activeloop’un bilgi alma özelliği, veri ekiplerinin piyasadaki diğer tüm ürünlere kıyasla %75’e kadar daha düşük bir maliyetle çözümler oluşturmasına yardımcı olmak için optimize edildi ve Activeloop’un hizmet verdiği sektörlerde önemli olan geri alma doğruluğunu önemli ölçüde artırdı” diye ekledi.

Büyümeyi planlayın

Activeloop, bu finansman turuyla kurumsal teklifini oluşturmayı ve daha fazla müşteriyi yapay zeka veri tabanına bağlayarak onların organize olmasını sağlamayı planlıyor karmaşık yapılandırılmamış veriler ve bilgiyi kolaylıkla alın.

Şirket ayrıca fonları mühendislik ekibini büyütmek için kullanmayı planlıyor.

Buniatyan, “Gelişmekte olan önemli bir gelişme, Deep Lake v4’ün daha hızlı eş zamanlı IO, eğitim modelleri için en hızlı akış veri yükleyicisi, eksiksiz tekrarlanabilir veri dizilimi ve harici veri kaynağı entegrasyonları ile gelecek sürümüdür” dedi. Bu alandaki müşteriler ancak “doğrudan rakip yok.”

Sonuçta teknolojinin, işletmeleri veri organizasyonu ve erişimi için şirket içi çözümlere milyonlar harcamaktan kurtaracağını ve mühendisleri çok sayıda manuel el işi ve standart kodlama yapmaktan alıkoyarak onları daha üretken hale getireceğini umuyor.