Abacus.AI, den to år gamle startup, der udvikler “hybride” neurale netværksformer for dyb læring, annoncerede onsdag, at virksomheden har opnået 50 millioner dollars i venturekapitalfinansiering i en serie C-runde, ledet af private equity-firmaet Tiger Global Ledelse.
Virksomheden har nu modtaget $90,3 millioner i finansiering. Tiger Global får selskab af de tilbagevendende investorer Coatue Management og Index Ventures samt Alkeon.
“En stor del af det vil gå til R&D og teknik og videnskab,” forklarede Bindu Reddy, medstifter og administrerende direktør for virksomheden, i et interview med ZDNet via Zoom. “Vi ønsker fortsat at være de bedste inden for AI- og ML-platforme.” Den anden hovedanvendelse af kapitalen vil være til go-to-market, herunder opbygning af salgsteamet.
Også: AI-startup Abacus.ai aktiverer real-time deep learning-system for virksomheder
Abacus har i øjeblikket 45 medarbejdere, heraf fire personer inden for salg og marketing. Reddy forventer at udvide det samlede antal ansatte i virksomheden til 80 inden udgangen af dette år.
Sammen med finansieringsnyhederne afslørede Abacus.ai en computervision-som-en-tjeneste-applikation. Virksomheden var begyndt med ansøgninger om tabeldata, efter det tidligere på året med applikationer til behandling af naturligt sprog.
“Den største forskel mellem os og alle andre på markedet i dag er hybridmodeller,” sagde Reddy. “Hvis du ser på nogen som OpenAI eller endda Google, har de sprogmodeller, de har visionsmodeller, men disse er rene sprog- eller visionsmodeller,” hvor funktionen, såsom billedklassificering, er snævert indstillet til den bestemte datatype .
Abacus.ai har fået 90,3 millioner dollars for at hjælpe virksomheder med at sætte deep learning former for AI i produktion. Ses her, med uret fra venstre, firmaets medstiftere Bindu Reddy, tidligere leder af “AI Verticals” for Amazons AWS; Arvind Sundararajan, tidligere ingeniørleder for Googles annonceleveringsteknologi; og Siddartha Naidu, tidligere hovedingeniør for Amazons opfyldelsesteam og også udvikler af BigQuery-softwaren hos Google.
Abacus.ai
“Det, vi gør, er support til hybridmodeller, hvor du kan kombinere sprog, vision og strukturerede data for at få bedre resultater på dine modeller.” Et eksempel, sagde Reddy, ville være at finde prisen på et hjem, ikke kun baseret på egenskaber, såsom antallet af soveværelser, men også beskrivelsen i naturligt sprog og derefter de fotografiske data, der viser boligens kvaliteter.
Også: AI-startup Abacus.ai opnår $22 millioner i serie B-finansiering for at automatisere oprettelsen af deep learning-modeller
“Tilføjelse af det sprog og visionssignal til en forudsigelsesmodel er det, vi fokuserer på, og det, vi ender med at blive meget gode til.”
Kundeeksemplet minder om, hvad Opendoor for eksempel gør med deep learning. Reddy bekræftede, at hjemmesalgsapplikationen er en rigtig kundeapplikation, men afviste at identificere kunden.
Til dato har over 10.000 kunder brugt Abacus.AI til at træne over 30.000 modeller, siger virksomheden, “og flere af dem, inklusive 1-800-Flowers, Flex, Recorded Books, Daily Look og Prodege bruger Abacus.AI i produktionen til flere af deres AI use-cases.”
Tiltrækningen ved hybridmodeller er dobbelt, sagde Reddy: den er mere ressourceeffektiv end de klassiske deep learning-tilgange, der involverer et meget stort antal parametre; og de fleste virksomhedsproblemer ligner virkelig hybride tilgange, sagde hun.
“Vi er en startup, så det kræver mange flere penge at lave rene visioner eller rene sprogmodeller fra bunden,” bemærkede Reddy.
“Og ærligt talt er de fleste virksomhedsbrugssager hybride – vi laver mere eller mindre anvendt AI.” Funktionssæt kureres oftere af en virksomhedsbruger frem for massive mængder af funktionsopdagelse.
Også: AI-startup Abacus går live med kommerciel deep learning service, tager $13M Series A-finansiering
“Hele vores mål på et meget højt niveau er at sige, har vi udtrukket al efterretning fra disse data.”
Abacus.ai er billigere end cloud-leverandører til AI-applikationer, hævder Reddy, på grund af den fokuserede karakter af virksomhedens use cases. “Problemet med de fleste cloud-platforme er, at du bruger mange penge på at eksperimentere, mere end at sætte ting i produktion,” sagde hun. “Den eksperimentering, der er nødvendig for at sætte tingene i produktion, er meget mindre” med Abacus.ai-applikationerne, sagde hun.
Abacus.ai bruger en forbrugsbaseret prisordning, hvor man betaler efter antallet af forudsigelser, der bliver lavet. Det svarer til Snowflake på data warehousing-markedet. “Problemet med licensering er, at de har en tendens til ikke at være værdidrevne, og det stopper adoptionen på nogle måder ved at fortælle folk, at de skal bruge flere penge for at adoptere produktet.”
På samme måde som Snowflake optimerer på datakomprimering, sagde Abacus.ai, kan Abacus reducere omkostningerne for kunderne. “Vi laver en hel masse optimering af de modeller, vi kører, så vi ikke skal bruge for meget til beregning.”
“Du kan pakke modeller sammen for at være på den samme server, du kan køre en hotspot-klynge til datatransformationer,” er eksempler på omkostningsbesparelser.
Ud over at drive en kommerciel virksomhed fortsætter Abacus.ai-forskere med at udgive i akademiske kredse om deep learning datalogi. Abacus.ai har forskellige forskningsartikler, der er blevet accepteret til konferenceudgivelse. To handler om virksomhedens kernekompetence inden for “neural architecture search” for automatisk at opdage den optimale arkitektur for et neuralt net. Disse papirer er blevet accepteret på dette års NeurIPS AI-konference.
Andre papirer vedrører forklaringsmuligheder, sagde Reddy, herunder en accepteret hos NeurIPS vedrørende benchmarks for forklaringsevne; og en anden, der specifikt omhandler tabeldata, kaldet “Regularisering er alt hvad du behøver.”
En anden artikel under udvikling vil fokusere på den hybride tilgang.
Adspurgt hvilken slags virksomhed Reddy håber Abacus.ai vil være, svarede hun: “Jeg tror, vi vil være et kryds mellem Google og Amazon, hvis det er muligt.”
” Amazon har en fantastisk kultur, og Google er fantastisk med hensyn til teknologi,” reflekterede Reddy. “Hvis vi på en eller anden måde kunne kombinere begge kulturer og få det bedste fra begge verdener, ville det være fantastisk.”
Big Data Analytics | Digital transformation | CXO | Internet of Things | Innovation | Enterprise Software