Le chemin de Échelle AI pour devenir une entreprise de 7.3 milliards de dollars, elle s'est appuyée sur des données réelles d'image, de texte, de voix et de vidéo. Maintenant, il utilise cette base pour se lancer dans le secteur des données synthétiques, l'une des catégories les plus populaires et les plus émergentes de l'IA.
Ils ont annoncé un programme d'accès anticipé pour échelle synthétique, un produit que les ingénieurs de machine learning peuvent utiliser pour améliorer leurs ensembles de données réels existants, selon l'entreprise. Scale a embauché deux cadres pour développer cette nouvelle division de leur entreprise. Escaliers intérieurs Joel Kronander, qui dirigeait auparavant l'apprentissage automatique chez Nines et était un ancien ingénieur en imagerie chez Apple travaillant sur la cartographie 3D, en tant que nouveau responsable des données synthétiques. La société a également embauché Vivek Raju Muppalla en tant que directeur des services synthétiques. Muppalla était auparavant directeur de l'IA et de l'ingénierie de simulation chez Unity Technologies.
Les données synthétiques sont ce que cela ressemble : de fausses données créées par des algorithmes d'apprentissage automatique au lieu d'utiliser des informations du monde réel. C'est un outil puissant et utile pour générer des données, telles que des images médicales, lorsque la confidentialité est un problème clé. Les développeurs peuvent utiliser ces données synthétiques pour ajouter plus de complexité à leurs modèles d'apprentissage et contribuer à éliminer les biais souvent présents dans les ensembles de données du monde réel.
Escaliers intérieurs a commencé par combiner des données avec des images réelles, du texte, de la voix et des vidéos étiquetées par l'équipe pour fournir aux entreprises de véhicules autonomes les données nécessaires pour former leurs modèles d'apprentissage automatique et pour développer et déployer des robotaxis, des camions autonomes et des robots automatisés utilisés dans les entrepôts et entrepôts, livraisons en logistique. La startup s'est depuis transformée en une société de plateforme de gestion de données avec des clients couvrant les secteurs gouvernementaux, financiers, du commerce électronique, des véhicules autonomes et des entreprises.
Le fondateur et PDG Alexandr Wang a décrit sa nouvelle offre comme une approche hybride des données, semblable à de la viande cultivée en laboratoire.
"Nous commençons avec de vraies données, tout comme la viande de laboratoire crue à partir de vraies cellules animales, puis nous grandissons, itérons et créons le produit à partir de là." En utilisant des données réelles comme source pour créer des données synthétiques, la société peut offrir une offre vraiment unique et puissante à ses clients, a déclaré Wang.
Clients de Escaliers intérieurs Ils ont vu cette opportunité. La poussée de l'entreprise vers les données synthétiques répondait à la demande de ses clients, a déclaré Wang à TechCrunch, notant qu'ils avaient commencé à développer le produit il y a moins d'un an. Le développeur de technologies de véhicules autonomes Kodiak Robotics, Tractable AI et le département américain de la Défense ont sélectionné Escaliers intérieurs pour son nouveau produit de données synthétiques, a déclaré Wang.
Escaliers intérieurs, qui emploie actuellement environ 450 employés, considère les données synthétiques comme une priorité en 2022 et un domaine dans lequel elle continuera d'investir au fur et à mesure du développement de sa gamme de produits. Mais cela ne signifie pas qu'ils quitteront le secteur des données réelles. Wang considère les données synthétiques comme un outil complémentaire qui aidera les développeurs à « tirer le meilleur parti de leur investissement dans les algorithmes et l'IA.
Par exemple, les entreprises de véhicules autonomes utilisent souvent la simulation pour recréer des scénarios du monde réel et les rejouer pour voir comment le système autonome les utilisera. Mais les données du monde réel peuvent ne pas fournir les scénarios souhaités.
"Vous ne rencontrez pas trop souvent des situations réelles où il pourrait y avoir, disons, 100 cyclistes qui traversent à la fois", a expliqué Wang. "Nous pouvons commencer avec des données réelles, puis ajouter synthétiquement tous les cyclistes ou toutes les personnes. ." et ensuite, de cette façon, vous pouvez former l'algorithme correctement. "
