LatticeFlow raccoglie 12 milioni di dollari per eliminare i punti ciechi della visione artificiale

LatticeFlow, una startup creata dall’ETH di Zurigo nel 2020, aiuta i team di machine learning a migliorare i propri modelli di visione AI diagnosticando automaticamente i problemi e migliorando sia i dati che i modelli stessi. La società ha annunciato oggi di aver raccolto un round di finanziamento di serie A da 12 milioni di dollari guidato da Atlantic Bridge e OpenOcean, con la partecipazione di FPV Ventures. A questo round hanno partecipato anche gli investitori esistenti btov Partners e Global Founders Capital, che lo scorso anno hanno guidato il round seed della società da 2,8 milioni di dollari.

Come mi ha detto Petar Tsankov, co-fondatore e CEO di LatticeFlow, l’azienda ha attualmente più di 10 clienti sia in Europa che negli Stati Uniti, tra cui un certo numero di grandi imprese come Siemens e organizzazioni come le Ferrovie Federali Svizzere, e sta attualmente conducendo progetti pilota con abbastanza un po ‘di più È questa domanda dei clienti che ha portato LatticeFlow ad aumentare a questo punto.

“Ero negli Stati Uniti e ho incontrato alcuni investitori a Palo Alto”, ha spiegato Tsankov. “Hanno visto il collo di bottiglia che abbiamo con l’onboarding dei clienti. Avevamo letteralmente ingegneri di apprendimento automatico a supporto dei clienti e non è così che dovresti gestire l’azienda. E hanno detto: “OK, prendi 12 milioni di dollari, porta queste persone ed espandi”. È stato sicuramente un ottimo tempismo perché quando abbiamo parlato con altri investitori, abbiamo visto che il mercato è cambiato”.

Come hanno notato Tsankov e il suo co-fondatore CTO Pavol Bielik, la maggior parte delle aziende oggi ha difficoltà a mettere in produzione i propri modelli e poi, quando lo fanno, spesso si rendono conto che non funzionano come si aspettavano. La promessa di LatticeFlow è che può autodiagnosticare i dati e i modelli per trovare potenziali punti ciechi. Nel suo lavoro con una grande azienda medica, i suoi strumenti per analizzare i loro set di dati e modelli hanno trovato rapidamente più di una mezza dozzina di punti ciechi critici nei loro modelli di produzione all’avanguardia, ad esempio.

Il team ha notato che non è sufficiente guardare solo i dati di addestramento e assicurarsi che vi sia un insieme diversificato di immagini, nel caso dei modelli di visione in cui è specializzato LatticeFlow, ma anche esaminare i modelli.

Team fondatore di LatticeFlow

Team fondatore di LatticeFlow

Team fondatore di LatticeFlow (da sinistra a destra): Prof. Andreas Krause (consulente scientifico), il dott. Petar Tsankov (CEO), il dott. Pavol Bielik (CTO) e il prof. Martin Vechev (consulente scientifico). Crediti immagine: LatticeFlow

Se voi solo Guarda a il Data — e questo è a fondamentale differenziatore per lmansarda Flow perché noi no solo trovare la standard Data questioni piace etichettatura questioni oro povero-qualità campioni, ma anche modello cieco macchie, quale sono il scenari dove il Modelli sono fallendo”, ha spiegato Tsankov. “undici il modello è pronto, noi cane prendere esso find vari Data modello questioni e aiuto aziende fisso esso.”

Ha notato, ad esempio, che i modelli spesso trovano correlazioni nascoste che possono confondere il modello e distorcere i risultati. Lavorando con un cliente assicurativo, ad esempio, che utilizzava un modello ML per rilevare automaticamente ammaccature, graffi e altri danni nelle immagini di automobili, il modello spesso etichettava un’immagine con un dito come graffio. Come mai? Perché nel set di allenamento, i clienti spesso scattavano una foto in primo piano con un graffio e la indicavano con il dito. Non sorprende che il modello metterebbe in correlazione “dito” con “graffio”, anche quando non c’era nessun graffio sull’auto. Questi sono problemi, sostengono i team di LatticeFlow, che vanno oltre la creazione di etichette migliori e richiedono un servizio in grado di esaminare sia il modello che i dati di addestramento.

LatticeFlow scopre una distorsione nei dati per l’addestramento di modelli di intelligenza artificiale per l’ispezione dei danni alle auto. Poiché le persone spesso indicano graffi, questo fa sì che i modelli apprendano che le dita indicano un danno (una caratteristica spuria). Questo problema è stato risolto con un potenziamento personalizzato che rimuove le dita da tutte le immagini. Crediti immagine: LatticeFlow

Vale la pena notare che LatticeFlow stesso non è nel settore della formazione. Il servizio funziona con modelli pre-addestrati. Per ora, si concentra anche sull’offerta del proprio servizio come strumento on-premise, sebbene possa offrire anche un servizio completamente gestito in futuro, poiché utilizza i nuovi finanziamenti per assumere in modo aggressivo, sia per servire meglio i suoi clienti esistenti sia per costruire il proprio portafoglio prodotti.

“La dolorosa verità è che oggi, la maggior parte delle implementazioni di modelli di intelligenza artificiale su larga scala semplicemente non funzionano in modo affidabile nel mondo reale”, ha affermato Sunir Kapoor, partner operativo di Atlantic Bridge. “Ciò è in gran parte dovuto all’assenza di strumenti che aiutino gli ingegneri a risolvere in modo efficiente i dati critici dell’IA e gli errori dei modelli. Ma questo è anche il motivo per cui il team di Atlantic Bridge ha deciso in modo così inequivocabile di investire in LatticeFlow. Riteniamo che l’azienda sia pronta per enorme crescita, dal momento che è attualmente l’unica azienda che autodiagnostica e corregge i dati dell’IA e modella i difetti su larga scala”.

Leave a Comment

Your email address will not be published. Required fields are marked *