LatticeFlow sammelt 12 Millionen US-Dollar, um blinde Flecken der Computer-Vision zu beseitigen • Tech

LatticeFlow, ein Startup, das 2020 aus der Zürcher ETH ausgegründet wurde, hilft Teams für maschinelles Lernen, ihre KI-Vision-Modelle zu verbessern, indem es Probleme automatisch diagnostiziert und sowohl die Daten als auch die Modelle selbst verbessert. Das Unternehmen gab heute bekannt, dass es eine Finanzierungsrunde der Serie A in Höhe von 12 Millionen US-Dollar unter der Leitung von Atlantic Bridge und OpenOcean mit Beteiligung von FPV Ventures aufgelegt hat. Bestehende Investoren wie btov Partners und Global Founders Capital, die letztes Jahr die Seed-Runde des Unternehmens in Höhe von 2,8 Millionen US-Dollar leiteten, nahmen ebenfalls an dieser Runde teil.

Wie mir Petar Tsankov, Mitbegründer und CEO von LatticeFlow, mitteilte, hat das Unternehmen derzeit mehr als 10 Kunden in Europa und den USA, darunter eine Reihe großer Unternehmen wie Siemens und Organisationen wie die Schweizerische Bundesbahn, und führt derzeit Pilotversuche mit Quit durch ein paar mehr. Es ist diese Kundennachfrage, die LatticeFlow dazu veranlasst hat, an dieser Stelle zu erhöhen.

„Ich war in den Staaten und habe mich mit einigen Investoren in Palo Alto getroffen“, erklärte Tsankov. „Sie sahen den Engpass, den wir beim Onboarding von Kunden haben. Wir hatten buchstäblich Ingenieure für maschinelles Lernen, die Kunden unterstützten, und so sollte man das Unternehmen nicht führen. Und sie sagten: ‚Okay, nimm 12 Millionen Dollar, bring diese Leute rein und expandiere.‘ Das war mit Sicherheit ein großartiges Timing, denn als wir mit anderen Investoren sprachen, stellten wir fest, dass sich der Markt verändert hat.“

Wie Tsankov und sein Mitbegründer CTO Pavol Bielik feststellten, fällt es den meisten Unternehmen heute schwer, ihre Modelle in die Produktion zu bringen, und wenn sie dies tun, stellen sie dann oft fest, dass sie nicht so gut funktionieren, wie sie es erwartet hatten. Das Versprechen von LatticeFlow ist, dass es die Daten und Modelle automatisch diagnostizieren kann, um potenzielle blinde Flecken zu finden. Bei der Arbeit mit einem großen Medizinunternehmen entdeckten seine Tools zur Analyse ihrer Datensätze und Modelle beispielsweise schnell mehr als ein halbes Dutzend kritische Schwachstellen in ihren hochmodernen Produktionsmodellen.

Das Team stellte fest, dass es nicht ausreicht, nur die Trainingsdaten zu betrachten und sicherzustellen, dass es einen vielfältigen Satz von Bildern gibt – im Fall der Vision-Modelle, auf die sich LatticeFlow spezialisiert hat –, sondern auch die Modelle zu untersuchen.

„Wenn Sie nur sehen bei das Daten – und das ist a grundlegend Unterscheidungsmerkmal zum LDachgeschossFlow Weil wir nicht nur finde die Standard Daten Ausgaben wie Beschriftung Ausgaben oder Arm-Qualität Proben, aber Auch Modell blind Flecken, die sind das Szenarien wo das Modelle sind scheitern“, erklärte Tsankov. „Einmal das Modell ist bereit, wir kann nehmen es, find verschiedene Daten Modell Ausgaben und Hilfe Firmen Fix es.“

Er bemerkte zum Beispiel, dass Modelle oft versteckte Korrelationen finden, die das Modell verwirren und die Ergebnisse verfälschen können. Bei der Zusammenarbeit mit einem Versicherungskunden beispielsweise, der ein ML-Modell zur automatischen Erkennung von Beulen, Kratzern und anderen Schäden in Bildern von Autos verwendete, kennzeichnete das Modell häufig ein Bild mit einem Finger darin als Kratzer. Wieso den? Denn im Trainingsset machten die Kunden oft eine Nahaufnahme mit einem Kratzer und zeigten mit dem Finger darauf. Wenig überraschend würde das Modell dann „Finger“ mit „Kratzer“ korrelieren, selbst wenn das Auto keinen Kratzer hatte. Das sind Probleme, argumentiert das LatticeFlow-Team, die über die Erstellung besserer Labels hinausgehen und einen Dienst benötigen, der sowohl das Modell als auch die Trainingsdaten einsehen kann.

LatticeFlow deckt eine Verzerrung der Daten für das Training von KI-Modellen für die Inspektion von Autoschäden auf. Da Menschen oft auf Kratzer zeigen, lernen die Modelle, dass Finger auf Schäden hinweisen (ein falsches Merkmal). Dieses Problem wird mit einer benutzerdefinierten Erweiterung behoben, die Finger aus allen Bildern entfernt. Bildnachweis: LatticeFlow

LatticeFlow selbst, das ist erwähnenswert, ist nicht im Schulungsgeschäft tätig. Der Dienst arbeitet mit vortrainierten Modellen. Im Moment konzentriert es sich auch darauf, seinen Service als On-Prem-Tool anzubieten, obwohl es in Zukunft möglicherweise auch einen vollständig verwalteten Service anbieten wird, da es die neuen Mittel nutzt, um aggressiv einzustellen, sowohl um seine bestehenden Kunden besser zu betreuen als auch um sein Produktportfolio ausbauen.

„Die schmerzhafte Wahrheit ist, dass die meisten groß angelegten KI-Modellbereitstellungen heute in der realen Welt einfach nicht zuverlässig funktionieren“, sagte Sunir Kapoor, Betriebspartner bei Atlantic Bridge. „Das liegt vor allem am Fehlen von Tools, die Ingenieuren dabei helfen, kritische KI-Daten und Modellfehler effizient zu lösen. Aber das ist auch der Grund, warum das Team von Atlantic Bridge so eindeutig zu der Entscheidung kam, in LatticeFlow zu investieren. Wir glauben, dass das Unternehmen auf ein enormes Wachstum vorbereitet ist, da es derzeit das einzige Unternehmen ist, das KI-Daten und Modellfehler in großem Maßstab automatisch diagnostiziert und behebt.“