Wenn Sie an Gründungsmodelle denken und was sie leisten können, denken Sie wahrscheinlich an Text- und Bildgestaltung. Nummernstation, geht mit diesen Modellen jedoch in eine ganz andere Richtung. Das Startup, das heute eine Serie-A-Runde in Höhe von 17,5 Millionen US-Dollar ankündigt, verwendet diese Modelle, um eine so genannte „intelligente Datenstapel-Automatisierungsplattform“ aufzubauen. Die Finanzierungsrunde wurde von Madrona geleitet, mit Beteiligung von Norwest Venture Partners, Factory und einer Reihe von Angel-Investoren, darunter Cloudera-Mitbegründer Jeff Hammerbacher.
Numbers Station wurde von den Stanford PhDs Chris Aberger (CEO), Ines Chami (Chief Scientist) und Sen Wu zusammen mit Stanford Associate Professor Chris Ré gegründet und zielt darauf ab, die Leistungsfähigkeit von Basismodellen im GPT-Stil in Unternehmensanwendungsfälle zu bringen, beginnend mit der Datentransformation und Datensatzabgleich. Dazu nutzt das Unternehmen diese Basismodelle, um beispielsweise Anfragen in natürlicher Sprache in SQL-Befehle zu übersetzen.
„Wir haben alle über eine Mischung aus KI und Datensystemen promoviert“, sagte Aberger, als ich ihn nach den Ursprüngen des Unternehmens fragte. „Wir haben damals gesehen, dass sich die meisten KI-Talente – in Ermangelung eines besseren Wortes – wirklich auf die sexy KI-Anwendungen konzentrierten. All die Dinge, die Sie in den Nachrichten sehen: Generierung von Marketinginhalten, Generierung von Bildern, was auch immer es sein mag. […] Aber die meisten KI-Talente konzentrierten sich nicht auf diese schmutzigen Dateninstallationen, Datenmunging, Datengerangel, Datenaufbereitungsoperationen. Es ist nicht so sexy wie das Generieren eines Bildes, um zu sagen, dass wir die Daten in Ihrer Datenbank neu formatieren werden, aber das ist immer noch ein großes Unternehmensproblem und eine Notwendigkeit für Unternehmen.“
Bildnachweis: Nummernstation
Aberger bemerkte auch, dass, als das Team untersuchte, wie verschiedene datenzentrierte Teams in vielen Unternehmen zusammenarbeiten, viele verschiedene Fähigkeiten in verschiedenen Teams eingeschlossen waren, während diese Teams einen Großteil ihrer Zeit mit der routinemäßigen Datentransformationsarbeit verbringen erforderlich, um komplexere Anwendungsfälle zu ermöglichen. Er glaubt, dass Numbers Station – und die zugrunde liegenden Basismodelle – in der Lage sein werden, den Zugang zu diesen Funktionen zu demokratisieren.
„Auf hoher Ebene besteht unsere Mission darin, diese Teams und die Datenanalyseteams zu beschleunigen, damit sie mehr Zeit damit verbringen können, Einblicke zu geben, und weniger Zeit mit diesen alltäglichen Datenoperationen“, erklärte Aberger.
Bildnachweis: Nummernstation
In der Praxis bedeutet dies, dass der Dienst derzeit drei verschiedene Funktionen bietet. Die erste ist die SQL-Transformation, mit der Benutzer angeben können, was sie in natürlicher Sprache benötigen, wobei Numbers Station dann die SQL-Abfrage generiert. Die andere nennt das Unternehmen „KI-Transformation“, d. h. die Fähigkeit, intelligente Datentransformationen auf der Grundlage von KI zu prototypisieren. Und schließlich bietet Numbers Station auch eine Datensatzabgleichsfunktion, mit der Benutzer beispielsweise die Datensätze in ihren CRM- und Vertriebssystemen in einer einzigen Datenbank kombinieren können.
Bildnachweis: Nummernstation
Wie Ines Chami, Mitbegründerin und Chefwissenschaftlerin von Numbers Station, mir sagte, nimmt das Team nicht einfach ein Grundmodell und wendet es auf all diese Anwendungsfälle an. „Es ist wirklich wichtig, das Modell zu personalisieren und speziell an die Organisation anzupassen“, sagte sie. „Die Idee ist, Antworten zu generieren, die spezifisch für die Organisation sind, also verwenden wir Techniken zur Feinabstimmung und auch Feedback.“ Sie stellte fest, dass das Unternehmen Benutzer mit einem vortrainierten Allzweckmodell startet, aber dann, wenn Benutzer dem Modell Feedback geben, kleinere, organisationsspezifische Modelle für diese Benutzer generiert. „Es ist sehr viel Human-in-the-Loop, um sich anzupassen [the model] zum Organisationswissen. Wir haben also an allen Fronten festgestellt, dass es sehr wichtig ist, über das Allzweckmodell hinauszugehen. Das ist ein toller Anfang, aber man muss die Modelle sehr schnell verfeinern und spezialisieren“, erklärte sie und merkte auch an, dass das Unternehmen die Daten aller Kunden immer in Silos hält.
Aberger betonte auch, dass seiner Ansicht nach Basismodelle wie OpenAI zur Ware werden werden. „Was wirklich zählt, ist, wo Sie KI-Expertise auf diese Modelle anwenden, damit sie für bestimmte Organisationen und die Aufgaben einer bestimmten Organisation wirklich gut funktionieren“, sagte er.
Bildnachweis: Nummernstation
Und machen Sie keinen Fehler, Numbers Station betrachtet diese ersten drei Funktionen als Einstiegspunkt in den Unternehmensdatenstapel. Die größere Vision hier ist der Aufbau einer Datenintelligenzplattform, die Unternehmen nicht nur dabei hilft, ihre Daten zu transformieren, sondern sie auch zu analysieren. Aber dazu muss es den Unternehmen zunächst helfen, ihre Aufzeichnungen zu bereinigen.
„Wir glauben an Gründungsmodelle, insbesondere wie die Zahlen Bahnhof Team sie anwendet, bietet eine echte „Null-zu-Eins“-Möglichkeit, um die gewaltige Herausforderung des Umgangs mit chaotischen Daten anzugehen“, sagte Madrona-Geschäftsführer Tim Porter, der dem beitreten wird Zahlen Bahnhof Planke. „Noch spannender ist, dass die Datenvorbereitung nur der erste Schritt in der ehrgeizigen Vision des Teams ist. Beispielsweise ist die sofortige Verknüpfung dieser intelligenten Transformationen mit automatisierten Workflows ein weiterer entscheidender Vorteil des Zahlen Bahnhof Ansatz. Wir freuen uns, dieses erstklassige kundenorientierte Team beim Aufbau der Plattform zu unterstützen, von der wir glauben, dass alle Unternehmen sie als entscheidendes Element in ihrem modernen Daten-Stack sehen werden.“