EXL完成iMerit收购以扩展其端到端企业AI能力
By Antoine Tardif, ซีอีโอและผู้ก่อตั้ง Unite.AI ExlService Holdings , 更好地被称为EXL，已经完成了对AI数据专家iMerit的收购，将两个专注于不同但密切相关的企业人工智能栈部分的公司聚集在一起。交易最初在六月宣布，价值最高达310百万美元。它包括1.7亿美元的前期考虑和最高1.4亿美元的激励和赚取权，附加到未来两年内的里程碑。iMerit创始人和CEO Radha Ramaswami Basu将加入EXL担任执行副总裁和iMerit负责人，同时也成为EXL的执行委员会成员。解决AI试点和生产之间的差距该收购旨在解决企业AI中最持久的问题之一：将有前途的模型或概念验证移到可靠的生产系统中。开发AI应用涉及的不仅仅是选择基础模型。企业必须准备和管理其数据，针对特定用例对模型进行微调，评估输出，识别故障模式，建立防护栏，并在部署后持续监测性能。这些要求在保险、医疗保健、银行和资本市场等行业变得更加苛刻，因为不准确的输出可能会产生财务、监管或运营后果。EXL已经将自己定位在企业端的这一过程中，结合数据管理、分析、行业专业知识和AI驱动的运营。iMerit带来了更接近模型开发层的能力，包括训练数据创建、模型评估、强化学习、红队攻击和专家人工反馈。这种组合使EXL拥有了从准备企业数据到评估模型和AI代理在真实业务环境中的行为的更完整的能力集。iMerit为EXL的AI投资组合带来了什么由Radha Basu创立的iMerit专门从事生产和评估大型语言模型、视觉模型、多模态系统和其他高级AI应用程序所需的高上下文数据。其生成AI服务涵盖提示和响应创建、监督微调、从人工反馈中进行强化学习、语料库开发、检索增强生成微调、安全评估、红队攻击和AI代理测试。其中的大部分工作结合了软件和专家人工审查。通过其iMerit学者网络，该公司从具有领域专业知识的来源中获取专家，例如医生、科学家、工程师和语言学家，他们可以在一般目的注释可能不充分的领域中评估模型行为。这种专家在循环中的方法在模型必须理解专业术语、遵循行业规则、评估复杂推理或在监管工作流中运行时尤其相关。iMerit还在文本、图像、视频、音频、LiDAR、医疗成像和其他数据格式上工作，为EXL提供了用于多模态AI项目的额外功能。Ango Hub带来了评估和训练层收购的核心部分是iMerit的Ango Hub，一个用于管理AI数据工作流和模型、注释器和主题专家之间交互的平台。该平台支持可配置的工作流用于数据注释、提示响应生成、链式推理任务、质量保证、模型对齐和强化学习。它还可以通过应用程序接口、自定义模式和私有部署与客户现有的基础设施集成。对于AI代理，Ango Hub可以用于检查工具调用、根据结构化评分表评估代理行为、审查执行跟踪和识别诸如规划错误、工具误用、内存漂移或策略违规等问题。这些功能反映了不仅要评估AI系统的输出，还要评估它采取的行动和导致结果的决策序列的日益增长的需求。随着企业向更自治的AI系统发展，这种评估基础设施可能会成为实验代理和生产部署之间的重要控制层。iMerit如何融入EXL现有的技术栈EXL一直在通过平台如EXLerate.ai和EXLdata.ai扩展其专有AI投资组合。EXLerate.ai是公司的代理AI平台，用于在企业工作流中开发和部署AI系统。该平台包括预构建的代理和加速器，以及治理、审计、成本控制和支持监管行业。该公司还将NVIDIA 技术集成到模型开发、代理编排和加速计算中。EXLdata.ai专注于AI生命周期的早期阶段：将分散、非结构化或管理不善的企业信息转换为可信的AI就绪数据。其模块涵盖数据迁移、质量、治理、注释和DataOps领域，同时与Databricks、Snowflake和Amazon Web Services等平台集成。iMerit增加了一个互补的模型训练和评估层。实际上，EXL现在可以帮助客户组织专有数据，配置AI模型和代理，生成专家训练信号，评估性能，并将生成的系统集成到业务运营中。Radha Basu加入EXL的执行委员会Basu的任命使iMerit在EXL的高级领导层中直接代表，而不是将收购的公司仅仅定位为新的业务单位。在她的新角色中，Basu将领导iMerit，同时帮助塑造EXL更广泛的AI战略。她的背景处于技术、劳动力发展和人工智能中的人类环节的交叉点，这是一个变得更加重要的领域，因为公司正在寻找方法来提高模型准确性，而不消除人工监督。EXL董事长兼CEO Rohit Kapoor将该交易描述为将加深公司垂直专业化的AI能力的转变。Basu同时强调，企业AI的成功将取决于公司选择的基础模型，而是取决于该模型在真实业务环境中部署的有效性。构建更完整的企业AI平台该收购反映了企业AI市场更广泛的变化。最初的大型语言模型实验竞争正在让位于更多的操作性问题，包括数据质量、评估、合规性、成本、集成和可衡量的性能。购买对模型的访问相对简单。确保它与专有数据一致、遵循内部政策、处理异常情况并在部署后保持可靠性则要困难得多。通过将EXL的企业数据和运营能力与iMerit的模型训练、评估技术和领域专家网络相结合，公司正在尝试在单个组织内覆盖更多的生命周期。该收购并没有消除与在规模上部署AI相关的技术和组织挑战。企业仍然需要明确定义的用例、可靠的数据、治理流程、安全控制和衡量业务成果的方法。然而，它为EXL提供了更广泛的基础，以帮助客户在AI项目从实验转向生产时管理这些要求。
