[ad_1]
O caminho da Scale AI para se tornar uma empresa de US$ 7,3 bilhões foi pavimentado com dados reais de imagens, texto, voz e vídeo. Agora, está usando essa base para entrar no jogo de dados sintéticos, uma das categorias mais quentes e emergentes da IA.
Eles anunciaram na quarta-feira um programa de acesso antecipado para Escala Sintética, um produto que os engenheiros de aprendizado de máquina podem usar para aprimorar seus conjuntos de dados do mundo actual existentes, de acordo com a empresa. A Scale contratou dois executivos para construir essa nova divisão de seus negócios. Scale contratou Joel Kronander, que anteriormente chefiava aprendizado de máquina na Nines e generation ex-engenheiro de visão computacional da Apple trabalhando em mapeamento 3-d, como seu novo chefe de dados sintéticos. A empresa também contratou Vivek Raju Muppalla como diretor de serviços sintéticos. Muppalla foi anteriormente diretor de engenharia para IA e simulação na Harmony Applied sciences.
Dados sintéticos são o que parecem: dados falsos que foram criados por algoritmos de aprendizado de máquina em vez de usar informações do mundo actual. Pode ser uma ferramenta poderosa e útil para gerar dados – como imagens médicas – quando a privacidade é uma das principais preocupações. Os desenvolvedores podem usar dados sintéticos para adicionar mais complexidade aos seus modelos de treinamento e ajudar a remover vieses que geralmente podem ser encontrados em conjuntos de dados coletados do mundo actual.
O dimensionamento inicialmente combinou tool com imagens reais, texto, voz e dados de vídeo rotulados por pessoas para fornecer às empresas de veículos autônomos os dados rotulados necessários para treinar modelos de aprendizado de máquina para desenvolver e implantar robotaxis, caminhões autônomos e bots automatizados usados em armazéns e online. demanda de entrega. Desde então, a startup se transformou em uma empresa de plataforma de gerenciamento de dados com clientes que abrangem governo, finanças, comércio eletrônico, veículos autônomos e indústrias corporativas.
O fundador e CEO Alexandr Wang descreveu sua nova oferta como uma abordagem híbrida aos dados, semelhante à carne cultivada em laboratório.
“Começamos com dados reais, assim como a carne cultivada em laboratório começa a partir de células animais reais, e depois crescemos, iteramos e construímos o produto a partir daí”, disse ele ao TechCrunch. Ao usar dados do mundo actual como base para criar dados sintéticos, a empresa é capaz de oferecer uma oferta realmente única e poderosa para os clientes, disse Wang, acrescentando que essa foi uma lacuna que eles viram no mercado.
Os clientes de escala também viram essa lacuna. A investida da empresa em dados sintéticos foi em resposta à demanda de seus clientes, disse Wang ao TechCrunch, que disse que começou a desenvolver o produto há menos de um ano. A desenvolvedora de tecnologia de veículos autônomos Kodiak Robotics, Tractable AI e o Departamento de Defesa dos EUA usaram a Scale para seu novo produto de dados sintéticos, disse Wang.
A Scale, que hoje emprega cerca de 450 funcionários, vê os dados sintéticos como uma das principais prioridades em 2022 e uma área na qual continuará investindo à medida que desenvolve sua linha de produtos. Mas isso não significa que ela assumirá seus negócios de dados reais. Wang vê os dados sintéticos como uma ferramenta complementar que ajudará os desenvolvedores a “obter mais retorno com seus algoritmos e outras IAs e particularmente com casos extremos.
Por exemplo, as empresas de veículos autônomos normalmente usam simulação para recriar cenários do mundo actual e reproduzi-los para ver como o sistema autônomo lidará com isso. Mas os dados do mundo actual podem não fornecer o cenário que eles estão procurando.
“Você não se depara com cenários no mundo actual com muita frequência, onde pode haver, digamos, 100 ciclistas atravessando ao mesmo pace”, explicou Wang. “Podemos começar com dados do mundo actual e adicionar sinteticamente todos os ciclistas ou todas as pessoas e, dessa forma, você pode treinar o algoritmo adequadamente.”
[ad_2]
Fonte da Notícia
