بدیهی است نیرمن دیو و تاپوجیت دبناث بنیانگذاران هوش مصنوعی

بدیهی است نیرمن دیو و تاپوجیت دبناث بنیانگذاران هوش مصنوعی

Nirman Dave دو استارت آپ بسیار متفاوت است ، اما هر دو روحیه DIY دارند. اولین آنها ، CircuiTricks نامیده می شود و در فاصله زمانی پس از دبیرستان ایجاد شد ، کیت هایی را برای آموزش الکترونیک و فیزیک به دانش آموزان ایجاد کرد. اکنون دیو مدیر اجرایی واضح است AI ، یک سیستم عامل بدون کد AI / ML است که افراد بدون سابقه فنی را قادر می سازد مدل های یادگیری ماشین را بسازند و آموزش دهند. این شرکت مستقر در برکلی پسوند بذر را افزایش داده است که مجموع این دور را به 4.7 میلیون دلار می رساند ، در حالی که 3.6 میلیون دلار اعلام شده دو ماه پیش. این برنامه با مشارکت Trail Mix Ventures و B-Capital توسط دانشگاه توکیو Edge Capital Partners (UTEC) هدایت شد.

کایران میسور ، مدیر UTEC به TechCrunch گفت که او به وضوح هوش مصنوعی را در Product Hunt یافت در حالی که به یک دوست خود بدون AI / ML یا برنامه نویسی پس زمینه برای ساخت مدل های یادگیری ماشین کمک می کرد. پس از استفاده واضح از هوش مصنوعی و معیار قرار دادن آن در برابر سایر محصولات AutoML ، میسور چنان تحت تأثیر قرار گرفت که به سمت راه اندازی شرکت تماس گرفت و دور سرمایه گذاری را هدایت کرد.

در طول سال گذشته هیچ استارت آپ کد / کد کم توجه زیادی را به خود جلب نکرده است. برخی از نمونه های قابل توجه نوگاتا و چرتکه است. دیو می گوید بدیهی است که هوش مصنوعی هوش تجاری در بازارهای میانی است که تیم علمی داده ندارند ، یا افرادی دارند که تجزیه و تحلیل داده را می دانند اما برنامه نویس نیستند.

پیگیری رشد استارت آپ های بدون کد و بدون کد

بدیهی است که هوش مصنوعی از فناوری اختصاصی موسوم به “Edge-Sharp AutoML” برای ساخت و آموزش مدل های یادگیری ماشین استفاده می کند که متناسب با نیاز مشتری آنها ساخته شده و می تواند در سرویس های ابری و پایگاه داده های موجود آنها ادغام شود. این شرکت در بازاریابی ، نرم افزار ، شرکتهای مستقیم به مصرف کننده ، فین تک و بیمه تمرکز دارد و در حال حاضر بیش از 3000 مشتری دارد که بیش از 82000 مدل پیش بینی میزبانی شده بر روی مدل واضح AI را استفاده کرده اند.

بودجه جدید بذر آن برای گسترش در بازارهای آسیا از جمله ژاپن ، جایی که با مشتری Dai Nippon Printing (DNP) ، یکی از بزرگترین شرکت های چاپی کشور ، در استراتژی بازار خود همکاری خواهد کرد ، استفاده می شود.

در نامه ای به TechCrunch ، Takeya Shimomura ، مدیر تحقیق و توسعه در چاپ Dai Nippon ، گفت: “در DNP ، تجزیه و تحلیل پیش بینی پیشرفته برای بازاریابی و فروش برای ما بسیار مهم است. با این حال ، ابزار امروزه بسیار پیچیده است و ماه ها طول می کشد تا نتیجه بگیرید. با واضح بودن هوش مصنوعی ، ما توانستیم چندین تحلیلگر خود را به صورت یکپارچه حمل کنیم و فقط در عرض چند ساعت بلند شدیم و کار کردیم. “

دیو در حالی که هر دو دانشجوی بین المللی کالج همپشایر بودند ، با بنیانگذار AI و مدیر ارشد فناوری ، Tapojit Debnath ملاقات کرد. پس از فارغ التحصیلی ، آنها کارآموزی را در استارتاپ های منطقه خلیج آغاز کردند. دیو یک کارآموز علوم داده در Streamlabs ، پلت فرم نرم افزار پخش زنده بود.

در ابتدا برای کار در الگوریتم های رمزگذاری ویدئو استخدام شد ، دیو همچنین زمان زیادی را صرف ساخت مدل های یادگیری ماشین برای تیم بازاریابی و فروش شرکت کرد. دبنات ، که یک کارآموز یادگیری ماشین در راه اندازی نرم افزار خرده فروشی B8ta بود ، تجربه مشابهی داشت.

این دو متوجه شدند که استعداد کمبود مهندسین یادگیری ماشین وجود دارد و بسیاری از شرکت ها به “تحلیلگران داده های شهروندان” یا افرادی که علم داده را درک می کنند ، اعتماد دارند اما تجربه کدگذاری ندارند.

بدیهی است که مدل یادگیری ماشین AI رابط کاربری را گزارش می دهد

بدیهی است که مدل یادگیری ماشین AI رابط کاربری را گزارش می دهد

“اینها افرادی هستند که با داده های زیادی کار می کنند اما آنها خود برنامه نویس نیستند و این نوع افرادی هستند که ما این ابزارها را برای آنها طراحی کرده ایم. هدف این است که شما داده ها را درک کنید ، و می توانید با استفاده از این نرم افزار و بدون استفاده از ساعت ها یا روزها انتظار ، یک مدل را سریع بسازید. “

او و دبنات شغل خود را در سال 2018 ترک کردند تا کار در راه اندازی را شروع کنند ، قبل از پیوستن به برنامه شتاب دهنده SkyDeck UC برکلی ، کارهایی را برای میزبان Airbnb خود در ازای اجاره در حالی که یاد گرفتند چگونه برای سرمایه گذاران آماده کنند ، انجام دهند.

دیو گفت که بسیاری از سیستم عامل های نرم افزار AI / ML خودکار “بی رحمانه مجموعه ای از الگوریتم های مختلف را در یک مجموعه داده مجبور می کند و یکی از بهترین ها را انتخاب می کند.” به عنوان مثال ، آنها ممکن است 100 الگوریتم مختلف را قبل از انتخاب الگوریتمی که بهترین عملکرد را دارد ، اجرا کنند ، این بدان معنی است که زمان صرف شده برای ساختن الگوریتم های دیگر به هدر می رود.

کاری که بدیهی است Edge-Sharp AutoML AI متفاوت عمل می کند ، نگاهی به گروه خاصی از مدل های یادگیری ماشین است که می تواند در یک مجموعه داده مورد استفاده قرار گیرد ، قبل از اینکه به طور خودکار پنج مدل برتر را برای نیازهای مشتری در لیست کوتاه قرار دهد ، hyperparameters خود را به طور خودکار تنظیم کند و نتایج پیش بینی را برگرداند.

پنج VC در مورد نحوه افقی رفتن بدون کد در صنایع جهان بحث می کنند

بدیهی است که برنامه های قیمت گذاری هوش مصنوعی از 75 دلار در ماه شروع می شود. مشتریان معمول آن مشاغل متوسط ​​یا تیم های کوچک در مشاغل بزرگتر هستند که تیم علمی داده ندارند ، یا دانشمندان داده آنها مشغول کارهای دیگر هستند.

به عنوان مثال ، یک شرکت کوچک وام در هند با تیمی حدود 15 نفره به طور دستی تصمیم می گرفت که متقاضیان هنگام تصمیم به تغییر مدلهای هوش مصنوعی به کدام یک از وامها بدهند. آنها شروع به استفاده از واضح بودن هوش مصنوعی برای پیش بینی خودکار احتمال عدم تقاضای یک متقاضی و میزان وام آنها کردند. اکنون این شرکت واضح است که AI از پایان به پایان در برنامه خود استفاده می کند ، این بدان معناست که مشتریان می توانند اندازه وامی را که احتمالاً بلافاصله پس از درخواست دریافت می کنند ، مشاهده کنند.

یکی دیگر از موارد استفاده ، یک شرکت بازی موبایل آلمانی است که می خواست از یک مدل قیمت گذاری پویا استفاده کند و باید بفهمد که کاربران جداگانه مایل به پرداخت هزینه محصولات مانند توکن های داخل بازی هستند. آنها به وضوح از هوش مصنوعی استفاده می کنند تا پیش بینی را براساس تعامل بازیکن با یک بازی انجام دهند.

بدیهی است که بخشی از بودجه بذر هوش مصنوعی در تحقیق و توسعه یادگیری ماشین به منظور استفاده بیشتر از موارد استفاده خواهد شد. دیو گفت که بدیهی است هوش مصنوعی بر موارد استفاده از یادگیری نظارت شده متمرکز است ، جایی که مشتریان داده دارند و می دانند چه چیزی را پیش بینی کنند. موارد استفاده بدون نظارت در مواردی است که آنها دارای یک مجموعه داده هستند ، اما دقیقاً نمی دانند چه می خواهند و از الگوهای یادگیری ماشین استفاده می کنند تا الگوهای جالبی در آنها وجود داشته باشد. الگوریتم های یادگیری بدون نظارت را می توان برای مواردی مانند طبقه بندی خودکار یا موتورهای توصیه در سیستم های تجارت الکترونیکی استفاده کرد.

Abacus.AI 22 میلیون دلار دیگر جمع می کند و ماژول های جدید AI را راه اندازی می کند


منبع Tech Crunch