Explorium haalt $19M financiering voor het automatiseren van data science en machine learning-gedreven inzicht

0
165

De kwaliteit van de Gegevens: De eerste mijl van machine learning
Voor de lancering van een effectieve machine learning initiative, bedrijven moeten om te beginnen met de kwaliteit van de gegevens — en onderhouden van een gestage stroom van gegevens om de modellen bijgewerkt, legt Dale Brown, Hoofd van de Operaties in Figuur Acht.

Machine learning is een krachtig paradigma veel organisaties gebruiken om te ontlenen inzichten en functies toe te voegen aan hun applicaties, maar met behulp van het vereist vaardigheden, gegevens en inspanning. Explorium, een startup uit Israël, heeft zojuist aangekondigd $19 miljoen financiering te lager de barrière op al het bovenstaande.

De financiering kondigde vandaag de dag bestaat uit een zaad ronde van $3,6 miljoen geleid door komen met de deelname van F2 Kapitaal en een $15,5 miljoen Serie A, geleid door Zeev Ventures met de betrokkenheid van het zaad beleggers. Explorium werd opgericht door Maor Shlomo, Of Tamir, en Omer Har, drie Israëlische tech-ondernemers, die eerder leidde op grote schaal data mining en optimalisatie platforms voor big data-based marketing leiders.

“Wij zijn bezig voor machine learning gegevens welke zoekmachines deed voor het web,” zei Explorium mede-oprichter en CEO Maor Shlomo. “Net als een zoekmachine doorzoekt het web en haalt de meest relevante antwoord voor uw behoefte, Explorium doorzoekt data-bronnen binnen en buiten uw organisatie voor het genereren van de functies die rijden nauwkeurige modellen.”

Explorium het platform werkt in drie fasen: Data verrijking, voorzien van engineering en voorspellende modellen.

Data verrijking

Het eerste deel van het proces bestaat uit het vinden van geschikte gegevens voor de taak bij de hand. Om te trainen machine learning algoritmen, relevante datasets nodig zijn. Laten we zeggen, bijvoorbeeld, een organisatie geïnteresseerd is in het bedenken van een voorspellend model voor HR, te helpen verminderen van klantverloop door het genereren van waarschuwingen en aanbevelingen voor actie.

Om dit te trainen model, worden gegevens van de organisatie van de HR-zal moeten worden gebruikt. Maar de gegevens zijn nuttig, maar ze moeten voldoende in aantal en kwaliteit, dat is niet altijd het geval. Dit is waar Explorium komt.

Aanvankelijk gebruikers verbinding maken met een dataset met een doel kolom aangeven wat ze graag zouden voorspellen. Meerdere interne bronnen kunnen worden aangesloten, zolang één van hen bevat de doelkolom. Dan Explorium detecteert de betekenis van de kolommen voor elke input dataset en verrijkt de dataset met aanvullende gegevensbronnen.

Bijvoorbeeld, als de motor geeft een locatie te coördineren in de kolommen van de gegevens van de klant (breedtegraad en lengtegraad), zou het verrijken van zijn gegevens met Geo-Ruimtelijke taggings (zoals concurrenten in het gebied), demografische bronnen, enzovoort.

Voordat je naar hoe deze identificatie werkt, het is de moeite waard te overdenken waar de gegevens vandaan komen en hoe hun relevantie en betrouwbaarheid wordt beoordeeld. Explorium bronnen van gegevens uit meerdere kanalen. Sommige zijn open en publieke datasets, maar er is meer.

home-page-flow-desktop.jpg

Explorium het platform werkt in een 3-stap proces: Data verrijking – Functie engineering – Predictive modeling. Afbeelding: Explorium

Shlomo zei Explorium klanten variëren van de Fortune 100 en toonaangevende financiële instellingen, alle de weg naar beneden, naar hyper-groei startups. Het team, grotendeels gemaakt van ingenieurs en gegevens wetenschappers, is dat snel groeit, met kantoren in Tel Aviv, San Francisco, en Kiev. Explorium is genoemd in de top 5 van snelst groeiende bedrijven in Tel-Aviv.

De combinatie van AutoML en gegevens markt die Explorium biedt lijkt overtuigend. Maar is het uniek? Kan een AutoML (cloud) verkoper gegevens toevoegen marktplaats functies, of een data-marketplace toevoegen AutoML, om hetzelfde effect? Shlomo is van mening dat bestaande tools zijn niet gebouwd om te gaan met een grote verscheidenheid aan databronnen en gaat zelfs zo ver om te voorspellen de ondergang van de traditionele BI-tools:

“Het bouwen van een machine learning model tijdens het automatisch zoeken naar functies in duizenden van potentieel relevante data bronnen is een nieuwe technische uitdaging, die vraagt om een speciale oplossing. Wij hebben de engineering, data science, juridische en commerciële know-how om onze klanten te helpen vinden van betere gegevens zijn gebaseerd op de unieke combinatie van onze ervaring.

Explorium is niet een kunstmatige brug tussen de gegevens en AI silo ‘ s dat kan worden nagebootst door een transactive partnerschap. Wij zijn een data science bedrijf dat is inherent gericht op gegevens van machine learning. Het platform biedt een volledig nieuwe paradigma van het doen van data science over een breed scala van voorheen onbekende bronnen.”

Big Data

Nee, dit AI nog niet onder de knie achtste leerjaar wetenschap

Van lage-code en de cloud, naar AI, en de versleuteling: Wat je doet met de gegevens moet worden over meer dan modewoorden

De vraag van AI voor ServiceNow is een kwestie van wat werkt

Hoe MIT probeert op te lossen AI bias (ZDNet YouTube)

Facebook heeft een nieuwe privacy tool om uw gegevens te beschermen (CNET)

5 manieren Ceo ‘ s kan het bouwen van een veerkrachtige, data-gedreven organisatie (TechRepublic)

Verwante Onderwerpen:

Kunstmatige Intelligentie

Digitale Transformatie

Robotica

Het Internet van Dingen

Innovatie

Enterprise Software