Datasaur ti consente di creare automaticamente un modello da una serie di etichette

Molto prima che si parlasse di ChatGPT e di intelligenza artificiale generativa, aziende come Datasaur si occupavano degli aspetti pratici della creazione di modelli di machine learning, aiutando a etichettare le cose per addestrare il modello. Con il decollo dell’intelligenza artificiale, questo tipo di capacità è diventata ancora più importante.

Per portare la costruzione di modelli a più aziende senza uno specialista in scienza dei dati, Datasaur ha annunciato la possibilità di creare un modello direttamente dai dati dell'etichetta, mettendo la creazione del modello alla portata di un pubblico molto meno tecnico. Ha inoltre annunciato un’estensione del seed da 4 milioni di dollari che si è conclusa lo scorso dicembre.

Il fondatore dell'azienda Ivan Lee afferma che il recente aumento dell'interesse per l'intelligenza artificiale è stato positivo per l'azienda e in realtà rientra bene nella strategia della startup. "Ciò che Datasaur ha sempre cercato di essere è il posto migliore per raccogliere i dati di addestramento di cui hai bisogno per inserire i tuoi modelli, siano essi LLM, o modelli NER tradizionali, analisi del sentiment o altro", ha detto Lee a TechCrunch.

"Siamo semplicemente l'interfaccia migliore per consentire a questi utenti non tecnici di entrare ed etichettare i dati", ha affermato.

L’ascesa dei LLM sta contribuendo ad aumentare la consapevolezza in generale su come l’intelligenza artificiale può aiutare in un contesto aziendale, ma afferma che la maggior parte delle aziende sono ancora in fase esplorativa e hanno ancora bisogno di prodotti come Datasaur per costruire modelli. Lee afferma che uno dei suoi obiettivi fin dall’inizio è stato quello di democratizzare l’intelligenza artificiale, in particolare per quanto riguarda l’elaborazione del linguaggio naturale, e la nuova funzionalità di creazione di modelli dovrebbe mettere l’intelligenza artificiale alla portata di più aziende, anche quelle senza competenze specializzate.

"E questa funzionalità mi entusiasma particolarmente perché consente ai team senza data scientist e senza ingegneri di contrassegnare ed etichettare questi dati come meglio credono, e addestrerà automaticamente un modello per loro", ha affermato Lee. .

Lee vede questo come un modo per andare oltre il mercato target iniziale dei data scientist. "Ora lo apriremo alle società di costruzione, agli studi legali, alle società di marketing, che potrebbero non avere un background in ingegneria dei dati, ma possono comunque costruire modelli di PNL [sulla base dei loro dati di formazione]."

Dice di essere stato in grado di limitare l’importo degli investimenti di rischio che ha intrapreso – il seed precedente era di un modesto 3,9 milioni di dollari nel 2020 – perché opera in modo snello. Il suo team di ingegneri si trova principalmente in Indonesia e, sebbene sia in attesa di assumere, è orgoglioso di gestire l'azienda in modo efficiente.

"La mia filosofia è sempre stata quella del profitto, crescere in modo scalabile, mai crescere a tutti i costi", ha affermato Lee. Ciò significa che considera ogni assunzione e l'impatto che avrà sull'azienda.

Avendo una forza lavoro remota e interculturale, i dipendenti possono imparare gli uni dagli altri e ciò apporta una diversità all’azienda per sua natura. “C’è una differenza significativa nella cultura del posto di lavoro tra gli Stati Uniti e il modo in cui funzionano le cose in Indonesia. E quindi una cosa è che abbiamo dovuto essere intenzionali nel catturare il meglio di entrambi i mondi”, ha detto. Ciò potrebbe significare incoraggiare i colleghi indonesiani a parlare apertamente o respingere ciò che dice un manager, cosa che culturalmente sono riluttanti a fare. "Siamo stati molto proattivi nel incoraggiare questo", ha detto.

Ma dice che c'è molto che i dipendenti statunitensi possono imparare su come funzionano le cose anche in Asia, come il rispetto per i colleghi e questa cultura di mettere la squadra al primo posto, e ha dovuto aiutare le squadre a superare queste differenze culturali.

L’investimento di 4 milioni di dollari è stato guidato da Inizialized Capital con la partecipazione di HNVR, Gold House Ventures e TenOneTen. La società ha raccolto un totale di 7,9 milioni di dollari.