Der Weg von KI skalieren Um ein 7.3-Milliarden-Dollar-Unternehmen zu werden, war es auf echte Bild-, Text-, Sprach- und Videodaten angewiesen. Jetzt nutzt es diese Grundlage, um in das Geschäft mit synthetischen Daten einzusteigen, eine der beliebtesten und aufstrebendsten Kategorien in der KI.
Sie kündigten ein Early-Access-Programm an synthetische Waage, ein Produkt für maschinelles Lernen, mit dem Ingenieure nach Angaben des Unternehmens ihre vorhandenen Datensätze aus der realen Welt verbessern können. Scale stellte zwei Führungskräfte ein, um diesen neuen Geschäftsbereich zu entwickeln. Skalieren brachte Joel Kronander, der zuvor maschinelles Lernen bei Nines leitete und ein ehemaliger Bildgebungsingenieur bei Apple war, der an 3D-Mapping arbeitete, als neuen Leiter für synthetische Daten hinzu. Das Unternehmen hat außerdem Vivek Raju Muppalla als Direktor für synthetische Dienstleistungen eingestellt. Muppalla war zuvor Direktor für KI und Simulationstechnik bei Unity Technologies.
Synthetische Daten sind das, wonach es sich anhört: gefälschte Daten, die von maschinellen Lernalgorithmen erstellt werden, anstatt Informationen aus der realen Welt zu verwenden. Es ist ein leistungsstarkes und nützliches Werkzeug zum Generieren von Daten, wie z. B. medizinischen Bildern, wenn der Datenschutz ein zentrales Thema ist. Entwickler können diese synthetischen Daten verwenden, um ihre Lernmodelle komplexer zu machen und Verzerrungen zu beseitigen, die häufig in Datensätzen aus der realen Welt zu finden sind.
Skalieren begann mit der Kombination von Daten mit echten Bildern, Text, Sprache und Video, die vom Team getaggt wurden, um autonomen Fahrzeugunternehmen die Daten bereitzustellen, die zum Trainieren ihrer Modelle für maschinelles Lernen und zum Entwickeln und Bereitstellen von Robotertaxis, autonomen Lastwagen und automatisierten Bots erforderlich sind, die in Lagern und verwendet werden Lager In-Logistische Lieferungen. Das Startup hat sich seitdem zu einem Unternehmen für Datenmanagementplattformen mit Kunden aus den Bereichen Regierung, Finanzen, E-Commerce, autonome Fahrzeuge und Unternehmen entwickelt.
Gründer und CEO Alexandr Wang beschrieb sein neues Angebot als einen hybriden Ansatz für Daten, ähnlich wie im Labor gezüchtetes Fleisch.
„Wir beginnen mit echten Daten, genau wie rohes Laborfleisch aus echten Tierzellen, und dann wachsen, iterieren und erstellen wir das Produkt von dort aus.“ Durch die Verwendung echter Daten als Quelle zur Erstellung synthetischer Daten kann das Unternehmen seinen Kunden ein wirklich einzigartiges und leistungsstarkes Angebot bieten, sagte Wang.
Kunden von Skalieren Sie sahen diese Chance. Der Vorstoß des Unternehmens in synthetische Daten sei eine Reaktion auf die Nachfrage seiner Kunden, sagte Wang gegenüber TechCrunch und stellte fest, dass sie vor weniger als einem Jahr mit der Entwicklung des Produkts begonnen hätten. Kodiak Robotics, Entwickler autonomer Fahrzeugtechnologie, Tractable AI und das US-Verteidigungsministerium haben ausgewählt Skalieren für sein neues synthetisches Datenprodukt, sagte Wang.
Skalieren, das derzeit rund 450 Mitarbeiter beschäftigt, sieht synthetische Daten als Priorität im Jahr 2022 und als einen Bereich, in den es bei der Entwicklung seiner Produktlinie weiter investieren wird. Das heißt aber nicht, dass sie das eigentliche Datengeschäft verlassen werden. Wang sieht synthetische Daten als ergänzendes Werkzeug, das Entwicklern helfen wird, „mehr für ihre Investitionen in Algorithmen und KI herauszuholen.
Beispielsweise verwenden Unternehmen für autonome Fahrzeuge häufig Simulationen, um reale Szenarien nachzubilden und sie wiederzugeben, um zu sehen, wie das autonome System sie verwenden wird. Aber reale Daten liefern möglicherweise nicht die gewünschten Szenarien.
„Sie stoßen nicht allzu oft auf reale Situationen, in denen beispielsweise 100 Radfahrer gleichzeitig die Straße überqueren könnten“, erklärte Wang. „Wir können mit realen Daten beginnen und dann alle Radfahrer oder alle Menschen synthetisch hinzufügen ." und dann kann man auf diese Weise den Algorithmus richtig trainieren."
