Snorkel AI, $350M Serisi E’yi $3.5B Değerleme ile Toplayarak AI Verileri için Frontier Lab’i İnşa Ediyor

Snorkel AI, 22 Eylül 2026 tarihinde $3.5 milyar değerleme ile $350 milyonluk Serisi E finansmanını duyurdu, şirket blog gönderisinde kurucu ortak ve CEO Alex Ratner tarafından yazıldı. Insight ve S32 turu yönetti.

Katılım ayrıca Third Point, March, Blumberg, Allegis, Standard VC ve Frontline’dan geldi ve mevcut yatırımcılar Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures ve Factory ile birlikte yer aldı.

Ratner, şirketin neredeyse bir yıl önce başlatılan veri-olarak-hizmet (Data-as-a-Service) teklifinin 18 katından fazla büyüdüğünü ve duyurunun yapıldığı hafta $375 milyonluk yıllık gelir akışını aştığını söyledi. Snorkel artık frontier laboratuvarları, hiperskalerler, neolab’lar, dikey AI liderleri, işletmeler ve ABD hükümet ajanslarıyla ortaklık kurduğunu belirtti.

Önceki Finansman ve Şirket Geçmişi

Seri E, Snorkel’in $1.3 milyar değerleme ile $100 milyonluk Seri D’sinin ardından geliyor ve 29 Mayıs 2025 tarihli bir şirket duyurusunda duyuruldu. Addition bu turu yönetti, Prosperity 7 Ventures, mevcut yatırımcılar Greylock ve Lightspeed ve BNY ile QBE Ventures gibi stratejik yatırımcılardan katılım sağlandı. 2025 duyurusu, turun Snorkel’in 2019 kuruluşundan bu yana toplam finansmanını $237 milyon seviyesine çıkardığını belirtti.

Redwood City, California tarihli bu duyuru, aynı zamanda Snorkel Evaluate ve Snorkel Expert Data-as-a-Service’in genel kullanılabilirliğini duyurdu; bu iki yeni teklif, şirketin AI Veri Geliştirme Platformu üzerinde özel AI sistemlerini değerlendirmek ve ayarlamak için sunuluyor. Seri D sermayesinin şirketin mühendislik, araştırma ve pazara giriş çabalarının genişletilmesini destekleyeceği belirtildi.

Veri 2.0 ve Etken Veri Platformu

Ratner’ın gönderisi, yeni finansmanı kendisinin ‘Veri 2.0’ olarak adlandırdığı kavram etrafında çerçeveliyor. Snorkel’in yaklaşık on yıl önce Stanford’da bir araştırma projesi olarak başladığını, AI ilerlemesinin giderek daha veri-odaklı olacağı ve veri geliştirme konusunun sadece personel ve kalabalık kaynak kullanımı yerine bir araştırma ve teknoloji sorunu olarak incelenmesi gerektiği tezine dayandığını yazdı.

Gönderi, AI veri geliştirme sürecinin ilk aşamasını ‘Veri 1.0’ olarak adlandırıyor; bu aşama daha basit verilerin hacmiyle yönlendirilir ve büyük ölçüde personel ve lojistik sorunu olarak görülür. Son aşama ise ‘Veri 2.0’ olarak etiketlenir; bu aşama daha karmaşık verilerin kalitesiyle yönlendirilir ve öncelikle bir araştırma ve teknoloji sorunu olarak ele alınır. Kodlama verilerini örnek alarak, frontier pekiştirmeli öğrenme veri setleri ve ortamlarının artık bir kıdemli mühendisin günler ya da haftalarca mücadele edebileceği yazılım problemlerini taklit etmesi, ürün ölçeğinde çıktılar üzerindeki ince ödül sinyallerini yakalaması, belirli model hata modlarını hedeflemesi, gelişmiş modellerin hackleme veya hile yapma girişimlerine direnç göstermesi ve yüzlerce kalite kontrol testini geçmesi gerektiği belirtiliyor.

Bu veriyi üretmek için gönderi, insan uzmanların özel AI modelleri ve ajanları tarafından desteklendiği, görev tipine göre bazen yüzlerce ajan kullanılan dahili bir Etken Veri Platformu’nu tanımlıyor. Bu ajanlar, uzman taslaklarını tam ortamlar ve veri örneklerine genişletir, insan çabasını dağıtım hedeflerine ve model hata modlarına yönlendirir, canlı geri bildirim ve gönderim sonrası kalite kontrolü sağlar ve alt bileşenleri doğru uzmanlara inceleme için yönlendirir. Ölçekli insan geri bildirimi, ajanları ölçmek ve iyileştirmek için zayıf denetim olarak kullanılır; Ratner bu döngüyü RSI ya da veri için yinelemeli öz-iyileştirme motoru olarak adlandırıyor.

Ratner, kodlama veri çalışmalarında, insan uzman incelemesiyle birlikte çalışan özel ajanların kalite kontrolünü %50’den fazla hızlandırdığını ve sadece hazır LLM’ler kullanan insan gözden geçirenlerin temel performansına kıyasla inceleme doğruluğunu 15 puandan fazla artırdığını bildirdi. Ölçekli insan geri bildiriminin zayıf denetim olarak uygulanmasının, mevcut durumda özelleşmemiş frontier LLM temel performansına göre doğruluğu 2 katından fazla artırdığını ve bu tür rakamların döngü devam ettikçe sürekli iyileştiğini belirtti.

Açık Kıyaslamalar ve Araştırma Planları

Snorkel ayrıca açık, bağımsız AI kıyaslamalarını finanse eden Open Benchmarks Grants programını önemli ölçüde genişleteceğini söyledi. programın sayfası, bu çabanın açık kaynak veri setleri, kıyaslamalar ve değerlendirme artefaktlarını finanse etmek için $3 milyonluk bir taahhütle desteklendiğini ve başvuruların sürekli bir döngüde incelendiğini belirtiyor. Teklifler, akademik ve endüstri araştırmacılarından oluşan bir yönlendirici komite girdisiyle inceleniyor ve sayfa, Snorkel’in komitenin kararlarını yönlendirmediğini ifade ediyor.

Sayfada listelenen kıyaslamalar arasında Terminal-Bench serisi, University of Hong Kong’un XLANG Laboratuvarı ile OSWorld 2.0, UC Berkeley’nin RDI’si ile Agent’s Last Exam, UC Berkeley’nin SkyLab’i ve UW-Madison ile Continual Learning Bench, UW-Madison, DARPA ve Ulusal Bilim Vakfı ile SlopCode Bench ve University of Wisconsin ile Princeton University iş birliğiyle Senior SWE-bench yer alıyor.

Kıyaslamaların ötesinde, Ratner Snorkel’in özel AI modellerini desteklemek için yoğun yatırım yapmayı planladığını ve şirketin önümüzdeki birkaç yıl içinde dünya veri geliştirme payının giderek daha büyük bir kısmının özel AI üzerine odaklanmasını beklediğini yazdı. Ayrıca, Snorkel’in önümüzdeki yıllarda araştırma ve geliştirme faaliyetlerinin önemli bir bölümünün AI hizalanması ve güvenliği için veri ve ortam geliştirmeye odaklanacağını da belirtti.