Snorkel AI Inc., un fournisseur de données de formation en intelligence artificielle, a révélé aujourd'hui avoir levé 350 millions de dollars de financement.
Insight et S32 ont mené l'accord de série E. Ils ont été rejoints par plus d'une demi-douzaine d'autres bailleurs de fonds, dont le fonds de démarrage GV d'Alphabet Inc..
Snorkel AI a été fondée en 2019 par des chercheurs du Stanford AI Lab. Son premier produit était Snorkel Flow, une plateforme logicielle qui réduisait la quantité de travail impliquée dans les projets d'apprentissage supervisé. L'apprentissage supervisé est une méthode de développement d'IA qui entraîne des réseaux de neurones à l'aide d'ensembles de données étiquetés. Ces fichiers comprennent des invites et des réponses correctes, générées par l'homme, à ces invites.
La création d'ensembles de données étiquetés est un processus qui prend beaucoup de temps. Snorkel Flow a automatisé le processus à l'aide de méthodes statistiques développées par les fondateurs de l'entreprise à Stanford. Selon Snorkel AI, ces méthodes résolvaient les problèmes de précision qui rendaient les approches d’automatisation antérieures inefficaces.
L’année dernière, l’entreprise a changé son modèle économique. L'entreprise est passée de la vente de logiciels aidant les développeurs à créer des données de formation à la fourniture d'ensembles de données de formation prêts à l'emploi. De plus, Snorkel AI a élargi son champ d’action au-delà de l’apprentissage supervisé pour adopter une deuxième approche de formation en IA plus complexe, connue sous le nom d’apprentissage par renforcement.
Alors que l’apprentissage supervisé utilise des ensembles de données contenant des invites et des réponses correctes à ces invites, les ensembles de données d’apprentissage par renforcement contiennent des questions sans réponse. Le modèle d’IA en cours de formation doit comprendre comment y répondre sans aucune assistance humaine. Une fois qu’il produit une réponse, des évaluateurs humains ou un système automatisé vérifient son exactitude. Ils fournissent ensuite à l’IA des retours qui l’aident à améliorer son raisonnement.
Snorkel AI s'appuie sur des dizaines de milliers d'experts humains pour générer des tâches de formation par apprentissage par renforcement. La société fournit également à ses clients d’autres ressources techniques nécessaires aux formations en IA.
Lorsqu'un modèle d'IA termine une tâche d'apprentissage par renforcement, des évaluateurs humains vérifient son travail en fonction de critères d'évaluation prédéfinis. Ces critères peuvent s'étendre sur plusieurs pages. Dans le cas d’une tâche de programmation, par exemple, le guide d’évaluation doit couvrir toutes les exigences de cybersécurité et de performances auxquelles doit répondre le code généré par l’IA.
Snorkel AI développe des rubriques d'évaluation de l'IA pour les clients. De plus, il améliore ces rubriques au fil du temps en fonction des commentaires des évaluateurs de l'IA humaine qui les utilisent. Une partie de ces commentaires est générée lorsque deux évaluateurs humains attribuent des scores différents à une réponse rapide de l'IA. De telles différences indiquent généralement une incohérence dans les critères d’évaluation sous-jacents.
Les modèles d'IA sont souvent formés dans des environnements virtuels spécialisés. Un modèle de génération de code, par exemple, peut nécessiter une version simulée d'un poste de travail de développeur. Snorkel AI propose des bacs à sable de formation ainsi que ses ensembles de données et ses rubriques d'évaluation.
« Depuis le lancement de notre nouvelle offre de données en tant que service il y a près d'un an, nous avons connu une croissance plus de 18 fois et avons franchi cette semaine un chiffre d'affaires annualisé de 375 millions de dollars », a détaillé le co-fondateur et PDG Alex Ratner dans un communiqué. article de blog.
L'entreprise va aurait utiliser ses fonds nouvellement levés pour embaucher davantage d’ingénieurs. Snorkel AI prévoit également d'investir dans des initiatives de sécurité de l'IA et de soutenir le développement de références d'évaluation de modèles open source.
