تساعد الطبقة المرئية المؤسسة على إدارة مجموعات البيانات المرئية الضخمة التي تحتاجها لبناء نماذج الذكاء الاصطناعي ، وتزيد 7 ملايين دولار

تأخذ نماذج تعلم الآلة التدريبية لحالات استخدام رؤية الكمبيوتر كميات هائلة من الصور. في كثير من الأحيان ، يتم تسمية هذه الصور بشكل خاطئ أو كسرها أو تكرارها ، مما يؤدي إلى أداء نموذج دون المستوى المطلوب. ولكن مع وجود ملايين الصور في العديد من مجموعات البيانات ، فإنه يكاد يكون من المستحيل التعرف على هذه المشكلات. طبقة بصريةشركة ناشئة في تل أبيب تريد تمكين علماء البيانات ومهندسي ML من العثور على هذه المشكلات قبل أن تؤثر على نماذجهم ، أعلنت اليوم أنها جمعت جولة تمويل أولي بقيمة 7 ملايين دولار بقيادة Madrona و Insight Partners.

قامت الشركة ببناء نظام يمكنه ، دون الاعتماد على وحدات معالجة الرسومات باهظة الثمن ، تحليل مئات الملايين من الصور والعثور تلقائيًا على المشكلات المحتملة ضمن مجموعات البيانات هذه. في جوهر مجموعة تقنيات Visual Layer هو المصدر المفتوح مشروع فاستدوب. مؤسسو الشركة داني بيكسون (الرئيس التنفيذي) و أمير علوش (CTO) طور هذا المشروع بناءً على خبرتهم في شركات مثل Apple ، حيث كان Bickson سابقًا مديرًا لعلوم البيانات في شركة Str Data ، واستحوذ على شركة Turi الناشئة لمنظمة العفو الدولية (التي شارك في تأسيسها) ، و Brodmann17 ، التي شارك ألوش في تأسيسها . Fastdup ، الذي وصل مؤخرًا إلى الإصدار 1.0 ، يساعد المهندسين البحث عن المشاكل المحتملة في مجموعات بيانات الصور الخاصة بهم ، يتم تجميعها وتصورها.

في بحثهم ، الفريق (الذي يضم أيضًا الرئيس التنفيذي السابق لشركة Turi والمؤسس المشارك Carlos Guestrin من بين المؤسسين) وجد أن مجموعة بيانات ImageNet-21K الشهيرة قبل التدريب تتضمن أكثر من مليون زوج من التكرارات من بين ما يزيد قليلاً عن 14 مليون صورة. تتضمن معظم مجموعات البيانات أيضًا صورًا مكسورة أو صورًا متشابهة جدًا لها تسميات مختلفة تمامًا. في كثير من الأحيان ، يتم أيضًا تسمية آلاف الصور بشكل خاطئ ثم يتم استخدامها لتدريب النموذج الخطأ (فكر في صور الأحذية المستخدمة لتدريب نموذج اكتشاف الوجه).

تشهد الشركات والمؤسسات في جميع أنحاء العالم انفجارًا في البيانات ، وتعد البيانات المرئية أحد أكثر أنواع البيانات تعقيدًا وصعوبة في إدارتها. يعتبر فهم هذا المحتوى وتنظيمه وإدارته أمرًا بالغ الأهمية لبناء خدمات ذات مغزى للعملاء في مجموعة واسعة من الصناعات – من البيع بالتجزئة إلى التصنيع إلى السيارات ذاتية القيادة وغير ذلك. “الشركات تكافح مع هذه الكميات الهائلة من البيانات ، وغالبًا ما لا يكون لديهم أدنى فكرة عن مكان بياناتهم وما بداخلها. إنهم يطورون أدواتهم المحلية نظرًا لعدم وجود بنية تحتية ولا معايير مشتركة “.

ليس من المستغرب أن تقدم Visual Layer بشكل أساسي fastdub كخدمة (مع ميزات مؤسسية إضافية موضوعة في الأعلى).

يشمل بعض المستخدمين الأوائل للشركة أمثال منصة التجارة الاجتماعية الهندية Meesho ، والتي استخدمت fastdup لتحسين جودة معرض الصور الخاص بها الذي يضم 200 مليون منتج ، مثل John Deere و Honeywell و Winnow و Nuvilab.

“على الرغم من الفكرة القائلة بأن مجموعات البيانات الأكبر تعني نماذج أفضل ، عندما يتعلق الأمر بالصور والفيديو ، يمكن لمجموعات البيانات الأساسية الفوضوية إنتاج نماذج دون المستوى الأمثل ونتائج عرضة للخطأ. الآن مع واقع نماذج الذكاء الاصطناعي واسعة النطاق ، يجب علينا حل مشكلة البيانات. الإثارة الفورية التي رأيناها بعد إطلاق fastdup أوضحت لنا أن العملاء وافقوا. قال جون تورو ، الشريك في Madrona ، “نحن متحمسون للعمل مع فريق Visual Layer ومجتمع fastdup لبناء مكون تأسيسي جديد لمجموعة تطبيقات الذكاء الاصطناعي”.