Liczydło.AI

Abacus.AI to platforma sztucznej inteligencji i uczenia maszynowego z siedzibą w San Francisco Bay Area .

Opis

Początkowo znana jako RealityEngines.AI, firma została założona przez Bindu Reddy'ego, Arvinda Sundararajana i Siddartha Naidu w 2019 roku. Abacus.AI wprowadza na rynek terminy sztuczna inteligencja i uczenie maszynowe . Firma zebrała 5,3 miliona dolarów w rundzie finansowania początkowego prowadzonej przez Erica Schmidta w 2019 roku. W 2020 roku zebrała 13 milionów dolarów, na czele z Index Ventures (zmieniając nazwę na Abacus.AI w styczniu) i 22 miliony dolarów, na czele z Coatue . W 2021 roku zebrała 50 milionów dolarów, kierowana przez Tiger Global Management .

Technologia

Abacus.AI może służyć do konfigurowania potoków danych, określania niestandardowych transformacji specyficznych dla uczenia maszynowego, trenowania modeli oraz wdrażania i monitorowania ich, a także budowania systemów głębokiego uczenia . Oprócz platformy podstawowej, Abacus.AI zapewnia przepływy pracy specyficzne dla przypadków użycia, w tym personalizację, prognozowanie i wykrywanie anomalii . Firma wynalazła kilka metod wyszukiwania architektury neuronowej, które mogą tworzyć niestandardowe sieci neuronowe z zestawów danych w oparciu o określony przypadek użycia.

Abacus.AI może łączyć się z różnymi źródłami danych, w tym S3, Google Cloud i Azure, co ułatwia konfigurowanie transformacji danych na potrzeby uczenia maszynowego. Po przekształceniu danych Abacus.AI wykorzystuje wyszukiwania architektury neuronowej (NAS) w celu stworzenia niestandardowej sieci neuronowej w oparciu o dostarczony zestaw danych i przypadek użycia. Dane są przekazywane platformie, a następnie oceniane w celu określenia, które „narzędzie” (NAS) najlepiej pasuje do danego przypadku użycia. Różne przypadki użycia, takie jak prognozowanie popytu, redukcja rezygnacji i rozpoznawanie jednostek nazw, będą wykorzystywać różne techniki NAS, aby zapewnić najlepszy model. Na przykład do wykrywania incydentów Abacus.AI wykorzystuje technikę zwaną koderami wariacyjnymi.

Abacus.AI korzysta z autonomicznej usługi generowania sztucznej inteligencji, ogłoszonej w styczniu 2020 r. Chociaż może to prowadzić do tego, że sieci neuronowe nie będą trenowane z danymi istotnymi dla klienta, Abacus.AI twierdzi, że tworzy dane syntetyczne, które rozszerzają oryginalny zestaw danych, a następnie trenuje model głębokiego uczenia się na połączonym zbiorze danych.

Ta usługa sztucznej inteligencji wykorzystuje generatywną sieć przeciwstawną (GAN), technikę, która generuje nowe podobne dane na podstawie zestawu szkoleniowego. Udoskonalili tę technikę za pomocą augmentacji danych (DAGAN), tworząc syntetyczne zestawy danych, gdy nie ma wystarczającej ilości danych do uczenia.

Ta usługa była pierwotnie ograniczona do modeli automatycznych. Jednak w sierpniu 2021 roku usługa ta została rozszerzona na dowolny TensorFlow lub PyTorch . Umożliwiło to platformie pobieranie danych w sposób strumieniowy, zapewniając firmom możliwość strumieniowego przesyłania zdarzeń w czasie rzeczywistym, takich jak dane dotyczące strumienia kliknięć (aktywność online użytkownika), zakupy online, interakcje w mediach społecznościowych, wyświetlenia mediów ze stron internetowych i czujniki „internetu rzeczy ” . Dane te można następnie wykorzystać do uczenia modeli podobnych do wspomnianych procesów.

Badania

Firma Abacus.AI opublikowała artykuły naukowe na konferencji poświęconej systemom przetwarzania informacji neuronowych . Syntetyczne testy porównawcze dla badań naukowych w wyjaśnionym uczeniu maszynowym udostępniają XAI-Bench, zestaw syntetycznych zestawów danych, które można konfigurować i przeprojektowywać w celu symulacji rzeczywistych dat. NAS-Bench-x11 i Power of Learning Curves bada dekompozycję wartości osobliwych i modelowanie szumu w celu stworzenia zastępczych testów porównawczych i zagłębia się w ramy ekstrapolacji krzywej uczenia się. Jak potężne są predyktory wydajności w wyszukiwaniu architektury neuronowej to pierwsze zakrojone na szeroką skalę badanie predyktorów wydajności z analizą 31 technik. A Study on Encodings for Neural Architecture Search zaproponowało sposób kodowania architektury sieci neuronowej, aby algorytm wyszukiwania mógł efektywnie nią manipulować. Metody przetwarzania wewnątrzprocesowego w celu debiasowania sieci neuronowych położyły podwaliny pod usługi debiasowania platformy.

Inne opublikowane artykuły to An Analysis of Super-Neut Heuristics in Weight-Sharing NAS on TPAMI, Learning by Turning: Neural Architecture Aware Optimization on ICML , BANANAS: Bayesian Optimization with Neural Architectures for Neural Architecture Search on AAAI oraz Exploring the Loss of Landscape w wyszukiwaniu architektury neuronowej w UAI.

Te wyniki badań posłużyły jako podstawa dla technik wykorzystywanych przez Abacus.AI. Ponadto wykorzystali te techniki na Konferencji na temat widzenia komputerowego i rozpoznawania wzorców (CVPR).

  1. ^ a b c d e „Abacus.ai, założona przez absolwentów Amazon i Google, zbiera 13 milionów dolarów na dopasowanie projektów do modeli AI” . VentureBeat . 2020-07-14 . Źródło 2021-12-01 .
  2. Bibliografia _ „RealityEngines.AI uruchamia pierwszą na świecie autonomiczną usługę sztucznej inteligencji w chmurze” . Forbesa . Źródło 2021-12-01 .
  3. ^ a b c „Abacus.ai przyciąga 50 milionów dolarów serii C, gdy rozszerza się na przypadki użycia wizji komputerowej” . TechCrunch . Źródło 2021-12-01 .
  4. ^ a b c Brown, Annie (27 sierpnia 2021). „15 innowacyjnych firm AI prowadzących wykładnicze zmiany w swoich sektorach” . Forbesa . Źródło 17 grudnia 2021 r .
  5. ^ „RealityEngines.AI zbiera 5,25 mln USD rundy początkowej, aby ułatwić ML przedsiębiorstwom” . TechCrunch . Źródło 2021-12-01 .
  6. ^ „Platforma rozwoju modeli AI Abacus.ai osiąga 50 mln USD” . VentureBeat . 2021-10-27 . Źródło 2021-12-01 .
  7. ^ a b „Abacus.AI debiutuje jako pierwsza w branży platforma do budowania, trenowania i uruchamiania modeli głębokiego uczenia się” . SiliconANGLE . 2021-08-13 . Źródło 2021-12-01 .
  8. ^ Frederic Lardinois (28 stycznia 2020). „RealityEngines uruchamia swoją autonomiczną usługę sztucznej inteligencji” . Kryzys techniczny . Źródło 17 grudnia 2021 r .
  9. Bibliografia _ „Start AI Abacus.ai włącza system głębokiego uczenia w czasie rzeczywistym dla przedsiębiorstw” . ZDNet . Źródło 2021-12-01 .
  10. Bibliografia _ „Abacus.ai, startup zajmujący się sztuczną inteligencją, zdobywa 50 milionów dolarów z serii C na rozwój hybrydowych modeli głębokiego uczenia się” . ZDNet . Źródło 2021-12-01 .
  11. Bibliografia _ Biały, Colin; Savani, Yash; Hutter, Frank (2021-11-05). „NAS-Bench-x11 i siła krzywych uczenia się” . arXiv : 2111.03602 [ cs.LG ].
  12. ^ „Abacus.ai publikuje artykuł na temat„ Wytłumaczalnego uczenia maszynowego ” ” . AiThority . 2021-10-28 . Źródło 2021-12-01 .
  13. ^ Biały, Colin; Zela, Arber; Ru, Binxin; Liu, Yang; Hutter, Frank (2021-10-27). „Jak potężne są predyktory wydajności w wyszukiwaniu architektury neuronowej?”. arXiv : 2104.01177 [ cs.LG ].
  14. ^ Biały, Colin; Neiswanger, Willie; Nolen, Sam; Savani, Yash (2020). „Badanie dotyczące kodowania do wyszukiwania architektury neuronowej”. Badanie kodowania . arXiv : 2007.04965 .
  15. ^ Savani, Yash; Biały, Colin; Govindarajulu, Naveen Sundar (2020-12-07). „Metody przetwarzania wewnątrzprzetwarzającego w celu zmniejszenia obciążenia sieci neuronowych”. arXiv : 2006.08564 [ cs.LG ].
  16. ^ a b    Yu, Kaicheng; Ranftl, René; Salzmann, Mathieu (2021-10-03). „Analiza heurystyki Super-Net w NAS z podziałem wagi” . Transakcje IEEE dotyczące analizy wzorców i inteligencji maszynowej . PP (11): 8110–8124. ar Xiv : 2110.01154 . doi : 10.1109/TPAMI.2021.3108480 . PMID 34460367 . S2CID 238259981 .
  17. Bibliografia _ Bernstein, Jeremy; Mistrz, Markus; Yue, Yisong (2021-09-18). „Uczenie się przez obracanie: optymalizacja świadoma architektury neuronowej” . arXiv : 2102.07227 [ cs.NE ].
  18. ^ Biały, Colin; Neiswanger, Willie; Savani, Yash (2020-11-02). „BANANY: optymalizacja bayesowska z architekturami neuronowymi do wyszukiwania architektury neuronowej” . arXiv : 1910.11858 [ cs.LG ].
  19. ^ Biały, Colin; Nolen, Sam; Savani, Yash (2021-06-16). „Eksploracja krajobrazu strat w wyszukiwaniu architektury neuronowej”. arXiv : 2005.02960 [ cs.LG ].
  20. ^ a b „Abacus.AI zapewnia kompleksową sztuczną inteligencję i uczenie maszynowe w ręce każdej firmy” . TechRound . 2021-08-04 . Źródło 2021-12-01 .
Pobrano z „ https://en.wikipedia.org/w/index.php?title=Abacus.AI&oldid=1140525560 ”