RoosterFlow, een startup die in 2020 is voortgekomen uit de ETH van Zürich, helpt machine learning-teams hun AI-visiemodellen te verbeteren door automatisch problemen te diagnosticeren en zowel de gegevens als de modellen zelf te verbeteren. Het bedrijf heeft vandaag aangekondigd dat het een Series A-financieringsronde van $ 12 miljoen heeft opgehaald onder leiding van Atlantic Bridge en OpenOcean, met deelname van FPV Ventures. Bestaande investeerders btov Partners en Global Founders Capital, die vorig jaar de startronde van $ 2,8 miljoen van het bedrijf leidden, namen ook deel aan deze ronde.
Zoals LatticeFlow mede-oprichter en CEO Petar Tsankov vertelde, heeft het bedrijf momenteel meer dan 10 klanten in zowel Europa als de VS, waaronder een aantal grote ondernemingen zoals Siemens en organisaties zoals de Zwitserse federale spoorwegen, en voert het momenteel pilots uit met behoorlijk wat een paar meer. Het is deze vraag van de klant die LatticeFlow ertoe bracht om op dit punt te verhogen.
“Ik was in de Verenigde Staten en ontmoette een aantal investeerders in Palo Alto, legt Tsankov uit. “Ze zagen het knelpunt dat we hebben bij het onboarden van klanten. We hadden letterlijk machine learning-engineers die klanten ondersteunden en dat is niet hoe je het bedrijf zou moeten leiden. En ze zeiden: ‚Oké, neem 12 miljoen dollar, haal deze mensen erbij en breid uit.‘ Dat was zeker een goede timing, want toen we met andere investeerders spraken, zagen we dat de markt is veranderd.”
Zoals Tsankov en zijn mede-oprichter CTO Pavol Bielik opmerkten, hebben de meeste ondernemingen tegenwoordig moeite om hun modellen in productie te nemen en als ze dat toch doen, realiseren ze zich vaak dat ze niet zo goed presteren als ze hadden verwacht. De belofte van LatticeFlow is dat het de gegevens en modellen automatisch kan diagnosticeren om potentiële blinde vlekken te vinden. In zijn werk met een groot medisch bedrijf vonden de tools om hun datasets en modellen te analyseren bijvoorbeeld snel meer dan een half dozijn kritieke blinde vlekken in hun ultramoderne productiemodellen.
Het team merkte op dat het niet genoeg is om alleen naar de trainingsgegevens te kijken en ervoor te zorgen dat er een gevarieerde reeks afbeeldingen is – in het geval van de visiemodellen waarin LatticeFlow is gespecialiseerd – maar ook de modellen te onderzoeken.
LatticeFlow oprichtend team (van links naar rechts): Prof. Andreas Krause (wetenschappelijk adviseur), Dr. Petar Tsankov (CEO), Dr. Pavol Bielik (CTO) en Prof. Martin Vechev (wetenschappelijk adviseur). Afbeeldingscredits: RoosterFlow
“Als jij enkel en alleen Look Bij de gegevens – en dit is a fundamenteel differentiator voor LzolderFlomet wie omdat wij niet enkel en alleen vind de standaard- gegevens problemen Leuk vinden etiketteren problemen of arm-kwaliteit monsters, maar ook model- Blind vlekken, welke zijn de scenario’s waar de modellen zijn falen”, legde Tsankov uit. “Een keer de model- is klaar, wij kan nemen het, find verscheidene gegevens model- problemen en helpen bedrijven repareren het.“
Hij merkte bijvoorbeeld op dat modellen vaak verborgen correlaties zullen vinden die het model kunnen verwarren en de resultaten kunnen vertekenen. Bij het werken met bijvoorbeeld een verzekeringsklant die een ML-model gebruikte om automatisch deuken, krassen en andere schade in afbeeldingen van auto’s te detecteren, bestempelde het model een afbeelding met een vinger erin vaak als een kras. Waarom? Want in de trainingsset maakten klanten vaak een close-up foto met een krasje en wezen ernaar met hun vinger. Het is niet verwonderlijk dat het model dan „vinger“ correleerde met „kras“, zelfs als er geen kras op de auto was. Dat zijn problemen, stellen de LatticeFlow-teams, die verder gaan dan het maken van betere labels en een service nodig hebben die zowel naar het model als de trainingsgegevens kan kijken.
LatticeFlow onthult een vertekening in gegevens voor het trainen van AI-modellen voor autoschade-inspectie. Omdat mensen vaak naar krassen wijzen, leren modellen hierdoor dat vingers wijzen op schade (een onechte eigenschap). Dit probleem is opgelost met een aangepaste augmentatie die vingers van alle afbeeldingen verwijdert. Afbeeldingscredits: RoosterFlow
Het is vermeldenswaard dat LatticeFlow zelf niet in de trainingsbusiness zit. De dienst werkt met voorgetrainde modellen. Voorlopig richt het zich ook op het aanbieden van zijn service als een on-prem tool, hoewel het in de toekomst ook een volledig beheerde service kan bieden, omdat het de nieuwe financiering gebruikt om agressief aan te nemen, zowel om zijn bestaande klanten beter te bedienen als om haar productportfolio uit te bouwen.
„De pijnlijke waarheid is dat de meeste grootschalige AI-modelimplementaties tegenwoordig gewoon niet betrouwbaar werken in de echte wereld“, zegt Sunir Kapoor, operationeel partner bij Atlantic Bridge. “Dit is grotendeels te wijten aan het ontbreken van tools die ingenieurs helpen om kritieke AI-gegevens en modelfouten efficiënt op te lossen. Maar dit is ook de reden waarom het team van Atlantic Bridge zo ondubbelzinnig tot de beslissing is gekomen om in LatticeFlow te investeren. We zijn van mening dat het bedrijf klaar is voor een enorme groei, aangezien het momenteel het enige bedrijf is dat automatisch AI-gegevens en modeldefecten op grote schaal diagnosticeert en repareert.”