DataGen 获得 1800 万美元投资，用于为 AI 创造合成数据

以色列初创公司 DataGen最近筹集了 1850 万美元的资金，用于创建一个专门为 AI 公司生产合成数据的平台。

任何人工智能公司都面临着同样的核心挑战，即收集训练其 AI 模型所需的数据。高质量训练数据的需求如此巨大，以至于它催生了一个专门为 AI 公司提供所需数据的整个子行业。 AI 和相关公司总是在寻找新的获取数据的方法。获取这些训练数据的一种方法是简单地生成或制造数据。

正如《财富》杂志报道的，DataGen 专门使用自己的机器学习模型为其他公司创建合成数据，特别是图像和视频数据。该公司生成的数据然后被客户用于训练自己的 AI 模型。根据 DataGen 的 CEO 和创始人 Ofir Chakon 的说法，该公司可以在仅仅几个小时内为客户公司创建一个完整的合成数据集。这比准备数据集通常需要的时间要快得多，通常需要几周甚至几个月的标记数据。

除了速度快之外，合成数据对公司还有其他吸引人的地方。合成数据不像真实数据那样存在隐私问题。随着更多的法律被制定来保护人们的数据隐私，拥有合成训练数据变得更加有吸引力。技术分析公司 Gartner 的一项估计预测，到 2023 年，世界上约 65% 的人口将受到某种数据隐私法的保护。

尽管合成数据不是基于真实的人，但它仍然可能存在偏见。合成数据模型生成的数据将具有与原始训练数据相同的模式，这意味着如果数据集存在偏见，那么新生成的数据中也将存在这些偏见。 DataGen 有策略来减少生成数据中的偏差。减少合成数据中的偏差的一种方法是增加罕见事件的发生率，这意味着如果数据集中某个类别的代表性不足，其发生率可以被提升到更均衡的水平。

在创建涉及潜在危险场景的数据集时，提高罕见事件的发生率的技术非常重要。考虑一个用于训练自动驾驶汽车的数据集。该车辆必须能够可靠地应对罕见事件，例如道路上出现一个坑。但是，这些事件非常罕见，获取这些事件的训练数据很困难。因此，这些罕见事件的训练数据通常需要被生成。

正如 Chakon 通过《财富》解释的那样：

“我们的客户对创建的数据的所有参数都有完全的控制权。现实世界的影响是，一旦部署，就可以确保它在不同的领域、不同的民族、不同的地理位置或任何可以想象的环境中都能很好地工作。”

DataGen 使用生成对抗网络（GANs）来生成真实的模拟现实世界的物体和事件。 Chakon 解释说，该公司可以可靠地生成涉及室内环境或人类感知的任何内容的真实示例。例如，DataGen 生成的图像数据集可以包括用于训练用于仓库物流的机器人拾取臂的对象示例，生成的图像看起来与真实物体无法区分。 DataGen 的软件可以通过结合视觉网格和物理模拟系统来生成 3D 对象。

DataGen 的投资者包括多个知名个人和公司。投资者包括 Nvidia (NVDA ) 人工智能研究部的主任和马克斯·普朗克智能系统研究所，以及 Kaggle 的 CEO Anthony Goldbloom。