LatticeFlow دوازده میلیون دلار برای از بین بردن نقاط کور بینایی رایانه جمع آوری می کند

به گزارش اپ خونه، LatticeFlow، استارت‌آپی که در سال ۲۰۲۰ از ETH زوریخ خارج شد، به تیم‌های یادگیری ماشینی کمک می‌کند تا مدل‌های بینایی هوش مصنوعی خود را با تشخیص خودکار مشکلات و بهبود داده‌ها و خود مدل‌ها بهبود بخشند.

این شرکت امروز اعلام کرد که یک دور سرمایه گذاری ۱۲ میلیون دلاری سری A به رهبری پل آتلانتیک و OpenOcean با مشارکت FPV Ventures جمع آوری کرده است. سرمایه گذاران موجود btov Partners و Global Founders Capital که سال گذشته دور اولیه ۲.۸ میلیون دلاری شرکت را رهبری کردند نیز در این دور شرکت کردند.

همانطور که پتار سانکوف، یکی از بنیانگذاران و مدیرعامل LatticeFlow گفت، این شرکت در حال حاضر بیش از ۱۰ مشتری در اروپا و ایالات متحده دارد، از جمله تعدادی از شرکت های بزرگ مانند زیمنس و سازمان هایی مانند راه آهن فدرال سوئیس، و در حال حاضر در حال اجرای خلبانی با کاملاً کامل است. چند تا دیگر این تقاضای مشتری است که باعث شد LatticeFlow در این مرحله افزایش یابد.

تسانکوف توضیح داد: «من در ایالات متحده بودم و با برخی از سرمایه گذاران در پالو آلتو ملاقات کردم. «آنها گلوگاهی را دیدند که ما با مشتریان داخلی داریم. ما به معنای واقعی کلمه مهندسین یادگیری ماشینی داشتیم که از مشتریان پشتیبانی می کردند و این روشی نیست که شما باید شرکت را اداره کنید. و آنها گفتند: “بسیار خوب، ۱۲ میلیون دلار بگیرید، این افراد را بیاورید و گسترش دهید.”

همانطور که Tsankov و یکی از بنیانگذاران CTO Pavol Bielik اشاره کردند، امروزه اکثر شرکت ها برای وارد کردن مدل های خود به تولید مشکل دارند و سپس، زمانی که انجام می دهند، اغلب متوجه می شوند که آنطور که انتظار داشتند عملکرد خوبی ندارند. وعده LatticeFlow این است که می تواند داده ها و مدل ها را برای یافتن نقاط کور احتمالی به طور خودکار تشخیص دهد. در کار خود با یک شرکت بزرگ پزشکی، ابزارهای آن برای تجزیه و تحلیل مجموعه داده‌ها و مدل‌های آن‌ها به‌سرعت بیش از نیم دوجین نقطه کور بحرانی را در مدل‌های تولیدی پیشرفته‌شان پیدا کردند.

این تیم خاطرنشان کرد که تنها نگاه کردن به داده های آموزشی و اطمینان از وجود مجموعه ای متنوع از تصاویر – در مورد مدل های بینایی که LatticeFlow در آنها تخصص دارد – کافی نیست، بلکه مدل ها را نیز بررسی می کند.

“اگر فقط به داده ها نگاه کنید – و این یک تمایز اساسی برای LatticeFlow است زیرا ما نه تنها مشکلات داده های استاندارد مانند مشکلات برچسب زدن یا نمونه های بی کیفیت را پیدا می کنیم، بلکه نقاط کور را نیز مدل سازی می کنیم، که سناریوهایی هستند که در آن مدل ها در حال شکست هستند. تسانکوف توضیح داد. وقتی مدل آماده شد، می‌توانیم آن را بگیریم، مشکلات مدل داده‌های مختلف را پیدا کنیم و به شرکت‌ها در رفع آن کمک کنیم.»

به عنوان مثال، او خاطرنشان کرد که مدل ها اغلب همبستگی های پنهانی را پیدا می کنند که ممکن است مدل را گیج کند و نتایج را منحرف کند. برای مثال، در کار با یک مشتری بیمه، که از مدل ML برای تشخیص خودکار فرورفتگی، خط و خش و سایر آسیب‌ها در تصاویر خودروها استفاده می‌کرد، مدل اغلب تصویری را که انگشت در آن قرار دارد به عنوان خراش نشان می‌دهد. چرا؟ زیرا در مجموعه آموزشی، مشتریان اغلب یک عکس از نمای نزدیک با یک خراش می گیرند و با انگشت خود به آن اشاره می کنند.

جای تعجب نیست که این مدل «انگشت» را با «خراش» مرتبط می‌کند، حتی زمانی که هیچ خرشی روی خودرو وجود نداشته باشد. تیم های LatticeFlow استدلال می کنند که اینها مسائلی هستند که فراتر از ایجاد برچسب های بهتر هستند و به سرویسی نیاز دارند که بتواند هم به مدل و هم به داده های آموزشی نگاه کند.