Ícono del sitio La Neta Neta

LatticeFlow recauda $ 12 millones para eliminar los puntos ciegos de la visión por computadora

LatticeFlow recauda $ 12 millones para eliminar los puntos ciegos de la visión por computadora

LatticeFlow, una startup que surgió de la ETH de Zúrich en 2020, ayuda a los equipos de aprendizaje automático a mejorar sus modelos de visión de IA mediante el diagnóstico automático de problemas y la mejora tanto de los datos como de los propios modelos. La compañía anunció hoy que ha recaudado una ronda de financiación Serie A de $12 millones liderada por Atlantic Bridge y OpenOcean, con la participación de FPV Ventures. Los inversores existentes btov Partners y Global Founders Capital, que lideraron la ronda inicial de $2,8 millones de la empresa el año pasado, también participaron en esta ronda.

Como me dijo el cofundador y director ejecutivo de LatticeFlow, Petar Tsankov, la compañía actualmente tiene más de 10 clientes tanto en Europa como en los EE. un poco mas. Es esta demanda de los clientes lo que llevó a LatticeFlow a aumentar en este punto.

“Estaba en los Estados Unidos y me reuní con algunos inversionistas en Palo Alto”, explicó Tsankov. “Vieron el cuello de botella que tenemos con la incorporación de clientes. Literalmente, teníamos ingenieros de aprendizaje automático que respaldaban a los clientes y no es así como se debe administrar la empresa. Y dijeron: ‘OK, toma $12 millones, trae a esta gente y expande’. Seguro que fue un gran momento porque cuando hablamos con otros inversores, vimos que el mercado ha cambiado”.

Como señalaron Tsankov y su cofundador, CTO Pavol Bielik, la mayoría de las empresas hoy en día tienen dificultades para poner sus modelos en producción y luego, cuando lo hacen, a menudo se dan cuenta de que no funcionan tan bien como esperaban. La promesa de LatticeFlow es que puede autodiagnosticar los datos y modelos para encontrar posibles puntos ciegos. En su trabajo con una importante empresa médica, sus herramientas para analizar sus conjuntos de datos y modelos encontraron rápidamente más de media docena de puntos ciegos críticos en sus modelos de producción de última generación, por ejemplo.

El equipo señaló que no es suficiente mirar solo los datos de entrenamiento y asegurarse de que haya un conjunto diverso de imágenes, en el caso de los modelos de visión en los que se especializa LatticeFlow, sino también examinar los modelos.

Equipo fundador de LatticeFlow (de izquierda a derecha): Prof. Andreas Krause (asesor científico), Dr. Petar Tsankov (CEO), Dr. Pavol Bielik (CTO) y Prof. Martin Vechev (asesor científico). Créditos de imagen: LatticeFlow

“Si solo observa los datos, y este es un diferenciador fundamental para LatticeFlow porque no solo encontramos los problemas de datos estándar, como problemas de etiquetado o muestras de baja calidad, sino también los puntos ciegos del modelo, que son los escenarios donde los modelos están fallando. ”, explicó Tsankov. “Una vez que el modelo está listo, podemos tomarlo, encontrar varios problemas del modelo de datos y ayudar a las empresas a solucionarlo”.

Señaló, por ejemplo, que los modelos a menudo encontrarán correlaciones ocultas que pueden confundir el modelo y sesgar los resultados. Al trabajar con un cliente de seguros, por ejemplo, que usó un modelo ML para detectar automáticamente abolladuras, rasguños y otros daños en imágenes de automóviles, el modelo a menudo etiquetaba una imagen con un dedo dentro como un rasguño. ¿Por qué? Porque en el set de entrenamiento, los clientes a menudo tomaban una foto de cerca con un rasguño y lo señalaban con el dedo. Como era de esperar, el modelo entonces correlacionaría “dedo” con “rasguño”, incluso cuando no había ningún rasguño en el automóvil. Esos son problemas, argumentan los equipos de LatticeFlow, que van más allá de crear mejores etiquetas y necesitan un servicio que pueda analizar tanto el modelo como los datos de entrenamiento.

LatticeFlow descubre un sesgo en los datos para entrenar modelos de IA de inspección de daños en automóviles. Debido a que las personas a menudo señalan los rasguños, esto hace que los modelos aprendan que los dedos indican daño (una característica falsa). Este problema se soluciona con un aumento personalizado que elimina los dedos de todas las imágenes. Créditos de imagen: LatticeFlow

Vale la pena señalar que LatticeFlow en sí no está en el negocio de la capacitación. El servicio funciona con modelos pre-entrenados. Por ahora, también se enfoca en ofrecer su servicio como una herramienta local, aunque también puede ofrecer un servicio totalmente administrado en el futuro, ya que utiliza los nuevos fondos para contratar agresivamente, tanto para brindar un mejor servicio a sus clientes existentes como para ampliar su cartera de productos.

“La dolorosa verdad es que hoy en día, la mayoría de las implementaciones de modelos de IA a gran escala simplemente no funcionan de manera confiable en el mundo real”, dijo Sunir Kapoor, socio operativo de Atlantic Bridge. “Esto se debe en gran parte a la ausencia de herramientas que ayuden a los ingenieros a resolver de manera eficiente los datos críticos de IA y los errores del modelo. Pero también es por eso que el equipo de Atlantic Bridge tomó la decisión de invertir en LatticeFlow de manera tan inequívoca. Creemos que la empresa está preparada para un tremendo crecimiento, ya que actualmente es la única empresa que autodiagnostica y corrige los datos de IA y los defectos del modelo a escala”.


Source link
Salir de la versión móvil