Snorkel AI, AI Verileri için Öncü Bir Laboratuvar Kurmak Üzere $350M E Serisi Finansmanı $3.5B Değerleme ile Topladı

Snorkel AI, 22 Eylül 2026 tarihinde $3.5 milyar değerleme ile $350 milyonluk E Serisi finansmanını, şirket blog gönderisinde duyurdu; bu gönderi kurucu ortak ve CEO Alex Ratner tarafından kaleme alındı. 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 yıllıklandırılmış gelir hızını aştığını söyledi. Snorkel‘in 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 milyon topladığı ve 29 Mayıs 2025 tarihli bir şirket duyurusunda açıkladığı Seri D turunun ardından geliyor. 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 çıkışlı 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 Ajan Tabanlı 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 kitle kaynaklı çalışma 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 uzmanlaşmış AI modelleri ve ajanları tarafından desteklendiği, görev tipine göre bazen yüzlerce ajan kullanılan dahili bir Ajan Tabanlı Veri Platformu’nu tanımlıyor. Bu ajanlar, uzman taslaklarını tam ortamlar ve veri örneklerine genişletir, insan çabasını veri dağılımı hedeflerine ve model hata modlarına yönlendirir, anlık 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 eğitimde zayıf denetim (weak supervision) olarak kullanılır; Ratner bu döngüyü veri için özyinelemeli öz-iyileştirme (RSI) motoru olarak adlandırıyor.

Ratner, kodlama veri çalışmalarında, insan uzman incelemesiyle birlikte çalışan uzmanlaşmış ajanların kalite kontrolü verimliliğini en az %50 artırdığını ve sadece hazır LLM’ler kullanan insan gözden geçirenlerin temel performansına kıyasla inceleme doğruluğunu en az 15 doğruluk puanı artırdığını bildirdi. Ölçekli insan geri bildiriminin eğitimde zayıf denetim (weak supervision) olarak uygulanmasının, mevcut durumda uzmanlaşmamış frontier LLM temel performansına göre doğruluğu temel düzeyin 2 katına veya daha üzerine çıkardığını 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 geldikçe değerlendirildiğini 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 uzmanlaşmış AI modellerini desteklemek için yoğun yatırım yapmayı planladığını ve şirketin önümüzdeki birkaç yıl içinde dünyadaki veri geliştirme çalışmalarının giderek daha büyük bir bölümünün uzmanlaşmış 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.