DataGen sichert 18 Millionen Dollar an Investitionen, um synthetische Daten für KI-Systeme zu erstellen

Das israelische Startup-Unternehmen DataGen hat vor kurzem 18,5 Millionen Dollar aufgebracht, um eine Plattform zu entwickeln, die synthetische Daten für KI-Unternehmen produziert.

Jedes KI-Unternehmen steht vor der gleichen grundlegenden Herausforderung: die Sammlung der notwendigen Daten, um seine KI-Modelle zu trainieren. Der Bedarf an hochwertigen Trainingsdaten ist so groß, dass er eine ganze Subbranche hervorgerufen hat, die sich auf die Bereitstellung von Daten für KI-Unternehmen spezialisiert hat. KI- und KI-nahe Unternehmen suchen ständig nach neuen Wegen, um die benötigten Daten zu erhalten. Eine Möglichkeit, diese Trainingsdaten zu erhalten, besteht darin, sie einfach zu erfinden oder zu generieren.

Wie Fortune berichtet, spezialisiert sich DataGen auf die Verwendung seiner eigenen Machine-Learning-Modelle, um synthetische Daten für andere Unternehmen zu erstellen, insbesondere Bild- und Videodaten. Die von dem Unternehmen generierten Daten werden dann von seinen Kunden verwendet, um ihre eigenen KI-Modelle zu trainieren. Laut DataGens CEO und Gründer, Ofir Chakon, kann das Unternehmen eine vollständige synthetische Datensammlung für ein Kundenunternehmen in nur wenigen Stunden erstellen. Dies ist wesentlich schneller als die Zeit, die normalerweise benötigt wird, um eine Datensammlung für die Verwendung vorzubereiten, was oft Wochen oder sogar Monate der Datenbeschriftung dauert.

Es gibt andere Gründe, warum synthetische Daten für Unternehmen attraktiv sind, abgesehen von der relativen Geschwindigkeit, mit der sie vorbereitet werden können. Synthetische Daten sind nicht mit den gleichen Datenschutzbedenken verbunden wie reale Daten. Da immer mehr Gesetze zur Schutz der Datenprivatsphäre geschaffen werden, wird es attraktiver, synthetische Trainingsdaten zu haben. Eine Schätzung des Technologie-Analyse-Unternehmens Gartner geht davon aus, dass bis 2023 etwa 65% der Weltbevölkerung durch ein Gesetz zum Schutz der Datenprivatsphäre geschützt werden.

Trotz der Tatsache, dass synthetische Daten nicht auf realen Personen basieren, können sie dennoch voreingenommen sein. Die von einem synthetischen Datenmodell generierten Daten werden die gleichen Muster aufweisen wie die ursprünglichen Trainingsdaten, was bedeutet, dass wenn eine Datensammlung voreingenommen ist, diese Voreingenommenheit in den neu generierten Daten vorhanden sein wird. DataGen hat Strategien, um die Voreingenommenheit in den generierten Daten zu reduzieren. Eine Methode, um die Voreingenommenheit in synthetischen Daten zu reduzieren, besteht darin, die Häufigkeit seltener Ereignisse zu erhöhen, was bedeutet, dass wenn eine Klasse in der Datensammlung unterrepräsentiert ist, ihre Häufigkeit auf ein gleichmäßigeres Niveau angehoben werden kann.

Die Technik, die Häufigkeit seltener Ereignisse zu erhöhen, ist unglaublich wichtig, wenn Datensammlungen erstellt werden, die potenziell gefährliche Szenarien beinhalten. Betrachten Sie eine Datensammlung, die zum Trainieren eines autonomen Fahrzeugs verwendet wird. Das Fahrzeug muss zuverlässig auf seltene Ereignisse reagieren, wie z.B. das Öffnen eines Lochs in der Straße. Diese Ereignisse sind jedoch sehr selten und es ist schwierig, Trainingsdaten für diese Ereignisse zu erhalten. Aus diesem Grund müssen Trainingsdaten für diese seltenen Ereignisse oft generiert werden.

Wie Chakon via Fortune erklärte:

“Unsere Kunden haben die vollständige Kontrolle über alle Parameter, die in die von ihnen erstellten Daten einfließen. Die reale Auswirkung ist, dass Sie, wenn sie einmal bereitgestellt sind, sicher sein können, dass sie in verschiedenen Domänen, mit verschiedenen Ethnien, in verschiedenen geografischen Ländern oder in jeder Umgebung, die Sie sich vorstellen können, gut funktionieren werden.”

DataGen verwendet Generative Adversarial Networks (GANs), um realistische Simulationen realer Gegenstände und Ereignisse zu erstellen. Chakon erklärte, dass das Unternehmen zuverlässig realistische Beispiele für alles erstellen kann, was mit Innenräumen oder menschlicher Wahrnehmung zu tun hat. Zum Beispiel könnte eine von DataGen generierte Bilddatensammlung Beispiele für Objekte enthalten, die zum Trainieren eines robotischen Greifarms für die Lagerlogistik verwendet werden, wobei die generierten Bilder nicht von echten zu unterscheiden sind. DataGens Software kann 3D-Objekte erstellen, indem sie ein visuelles Netzwerk mit einem Physik-Simulations-System kombiniert.

Investoren in DataGen umfassen eine Vielzahl von hochkarätigen Einzelpersonen und Unternehmen. Zu den Investoren gehören die Direktoren von Nvidias KI-Forschungsabteilung und dem Max-Planck-Institut für Intelligente Systeme sowie Anthony Goldbloom, CEO von Kaggle.