โมเดลและแพลตฟอร์ม AI
DataGen ได้รับการลงทุน 18 ล้านเหรียญสหรัฐเพื่อสร้างข้อมูลสังเคราะห์สำหรับ AI
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
บริษัทสตาร์ทอัพของอิสราเอล DataGen ได้ เพิ่งระดมทุนได้ 18.5 ล้านเหรียญสหรัฐ เพื่อสนับสนุนการสร้างแพลตฟอร์มที่อุทิศให้กับการผลิตข้อมูลสังเคราะห์สำหรับบริษัท AI
บริษัท AI ทุกแห่งต้องเผชิญกับความท้าทายหลักเดียวกัน ซึ่งก็คือการรวบรวมข้อมูลที่จำเป็นในการฝึกอบรมโมเดล AI ของตน ความต้องการข้อมูลฝึกอบรมที่มีคุณภาพสูงมากจนเกิดอุตสาหกรรมย่อยที่อุทิศให้กับการจัดหาข้อมูลที่บริษัท AI ต้องการเพื่อฝึกอบรมโมเดลของตน บริษัท AI และบริษัทที่เกี่ยวข้องกับ AI มักจะค้นหาวิธีการใหม่ๆ ในการได้รับข้อมูลที่จำเป็น วิธีหนึ่งในการได้รับข้อมูลฝึกอบรมคือการสร้างข้อมูลขึ้นมาเอง
ตามรายงานของ Fortune DataGen มีความเชี่ยวชาญในการใช้โมเดลการเรียนรู้ของเครื่องของตนเองเพื่อสร้างข้อมูลสังเคราะห์สำหรับบริษัทอื่นๆ เพื่อฝึกอบรมโมเดลของตน โดยเฉพาะข้อมูลรูปภาพและวิดีโอ ข้อมูลที่สร้างโดยบริษัทจะถูกใช้โดยลูกค้าเพื่อฝึกอบรมโมเดล AI ของตนเอง ตามคำกล่าวของ Ofir Chakon ซีอีโอและผู้ก่อตั้ง DataGen บริษัทสามารถสร้างชุดข้อมูลสังเคราะห์ทั้งหมดสำหรับบริษัทลูกค้าได้ภายใน vàiชั่วโมง ซึ่งเร็วกว่าเวลาที่ใช้ในการเตรียมชุดข้อมูลสำหรับการใช้งาน ซึ่งมักจะใช้เวลาหลายสัปดาห์หรือหลายเดือนในการระบุฉลากข้อมูล
มีสาเหตุอื่นๆ ที่ทำให้ข้อมูลสังเคราะห์น่าสนใจสำหรับบริษัทต่างๆ นอกเหนือจากความเร็วในการเตรียมการ ข้อมูลสังเคราะห์ไม่มีปัญหาเรื่องความเป็นส่วนตัวเหมือนกับข้อมูลจริง เมื่อมีการสร้างกฎหมายเพื่อปกป้องความเป็นส่วนตัวของข้อมูลมากขึ้น การมีข้อมูลฝึกอบรมสังเคราะห์จึงน่าสนใจมากขึ้น ตามการประมาณการของบริษัทวิเคราะห์เทคโนโลยี Gartner คาดการณ์ว่าในปี 2566 ประมาณ 65% ของประชากรโลกจะมีข้อมูลของตนได้รับการคุ้มครองโดยกฎหมายความเป็นส่วนตัวของข้อมูลบางประเภท
แม้ว่าข้อมูลสังเคราะห์จะไม่ขึ้นอยู่กับบุคคลจริง แต่ก็ยังสามารถมีอคติได้ ข้อมูลที่สร้างโดยโมเดลข้อมูลสังเคราะห์จะมีรูปแบบเดียวกับที่ข้อมูลฝึกอบรมเดิมมี ซึ่งหมายความว่าหากชุดข้อมูลมีอคติ อคตินั้นจะปรากฏในข้อมูลที่สร้างขึ้นใหม่ DataGen มีกลยุทธ์ในการลดอคติในข้อมูลที่สร้างขึ้น วิธีหนึ่งในการลดอคติในข้อมูลสังเคราะห์คือการเพิ่มอัตราการเกิดขึ้นของเหตุการณ์ที่เกิดขึ้นไม่บ่อย ซึ่งหมายความว่าหากชั้นหนึ่งในชุดข้อมูลมีการแสดงออกไม่เพียงพอ อัตราการเกิดขึ้นของมันสามารถเพิ่มขึ้นจนถึงระดับที่เท่าเทียมกัน
เทคนิคในการเพิ่มอัตราการเกิดขึ้นของเหตุการณ์ที่ไม่บ่อยนั้นสำคัญมากเมื่อสร้างชุดข้อมูลที่เกี่ยวข้องกับสถานการณ์ที่อาจเป็นอันตราย เช่น ชุดข้อมูลที่ใช้ในการฝึกอบรมรถยนต์ไร้คนขับ รถยนต์จะต้องตอบสนองต่อเหตุการณ์ที่ไม่บ่อยนั้นได้อย่างน่าเชื่อถือ เช่น รอยแตกบนถนน อย่างไรก็ตาม เหตุการณ์เหล่านี้เกิดขึ้นไม่บ่อย และการได้รับข้อมูลฝึกอบรมสำหรับเหตุการณ์เหล่านี้จึงยาก ด้วยเหตุนี้ ข้อมูลฝึกอบรมสำหรับเหตุการณ์เหล่านี้จึงต้องถูกสร้างขึ้น
ตามที่ Chakon อธิบาย ผ่าน Fortune:
“ลูกค้าของเรามีการควบคุมทั้งหมดต่อพารามิเตอร์ที่ใช้ในการสร้างข้อมูลที่พวกเขาสร้าง ผลกระทบในโลกแห่งความเป็นจริงคือ เมื่อใช้งานแล้ว คุณสามารถมั่นใจได้ว่ามันจะทำงานได้ดีในโดเมนต่างๆ กัน โดยมีเชื้อชาติต่างๆ ในพื้นที่ต่างๆ หรือในบรรยากาศใดๆ ที่คุณสามารถจินตนาการได้”
DataGen ใช้เครือข่ายที่เป็นปฏิปักษ์ (GANs) เพื่อสร้างการจำลองที่สมจริงของสิ่งของและเหตุการณ์ในโลกแห่งความเป็นจริง Chakon อธิบายว่าบริษัทสามารถสร้างตัวอย่างที่สมจริงของสิ่งใดๆ ที่เกี่ยวข้องกับสภาพแวดล้อมในร่มหรือการรับรู้ของมนุษย์ได้อย่างน่าเชื่อถือ ตัวอย่างเช่น ชุดข้อมูลรูปภาพที่สร้างโดย DataGen อาจรวมตัวอย่างของวัตถุที่ใช้ในการฝึกอบรมแขนกลเก็บของในคลังสินค้า โดยมีรูปภาพที่สร้างขึ้น看ไม่แตกต่างจากของจริง Software ของ DataGen สามารถสร้างวัตถุ 3 มิติได้โดยการรวมเมชเวิร์กที่มองเห็นได้กับระบบจำลองฟิสิกส์
นักลงทุนใน DataGen รวมถึงบุคคลและบริษัทที่มีชื่อเสียงหลายราย นักลงทุนรวมถึงผู้อำนวยการฝ่ายวิจัย AI ของ Nvidia (NVDA ) และสถาบัน Max Plank สำหรับระบบอัจฉริยะ รวมถึง Anthony Goldbloom ซีอีโอของ Kaggle
