توزیع 19 میلیون دلار برای خودکارسازی مدل هوش مصنوعی و آزمایش برنامه جمع آوری می کند

توزیعییک پلتفرم تست هوش مصنوعی که توسط GM سابق نرم افزار هوش مصنوعی اینتل، اسکات کلارک، تاسیس شد، دور سرمایه گذاری 19 میلیون دلاری سری A را که توسط Two Sigma Ventures هدایت می شد، بسته است.

کلارک می‌گوید که Distributional از مشکلات تست هوش مصنوعی الهام گرفته شده است که او هنگام استفاده از هوش مصنوعی در اینتل با آن مواجه شد و – قبل از آن – کار او در Yelp به عنوان یک نرم‌افزار پیشرو در بخش هدف‌گیری تبلیغات این شرکت.

او به TechCrunch گفت: «همانطور که ارزش برنامه‌های هوش مصنوعی همچنان در حال رشد است، ریسک‌های عملیاتی نیز افزایش می‌یابد. تیم‌های محصول هوش مصنوعی از پلتفرم ما برای شناسایی، درک و رسیدگی به ریسک هوش مصنوعی پیش از معرفی ریسک در تولید، به طور فعال و مستمر استفاده می‌کنند.

کلارک از طریق یک خرید به اینتل آمد.

در سال 2020، اینتل SigOpt، یک پلتفرم آزمایش و مدیریت مدل را خریداری کرد که کلارک یکی از بنیانگذاران آن بود. کلارک در این سمت باقی ماند و در سال 2022 به عنوان معاون و مدیر ارشد گروه نرم افزار هوش مصنوعی و ابر رایانه اینتل منصوب شد.

در اینتل، کلارک می‌گوید که او و تیمش مکرراً به دلیل مسائل نظارتی و قابلیت مشاهده هوش مصنوعی دچار مشکل بودند.

کلارک اشاره کرد که هوش مصنوعی غیر قطعی است – به این معنی که با توجه به داده های مشابه، خروجی های متفاوتی تولید می کند. به این واقعیت اضافه کنید که مدل‌های هوش مصنوعی وابستگی‌های زیادی دارند (مانند زیرساخت‌های نرم‌افزاری و داده‌های آموزشی)، و مشخص کردن اشکالات در یک سیستم هوش مصنوعی می‌تواند شبیه جستجوی سوزن در انبار کاه باشد.

طبق گفته یک شرکت رند در سال 2024 نظرسنجی، بیش از 80 درصد پروژه های هوش مصنوعی شکست می خورند. ثابت شده است که هوش مصنوعی مولد یک چالش خاص برای شرکت ها است، با یک پیش بینی مطالعه گارتنر یک سوم استقرارها تا سال 2026 کنار گذاشته خواهد شد.

کلارک گفت: «این نیاز به نوشتن آزمون‌های آماری بر روی توزیع بسیاری از ویژگی‌های داده‌ها دارد. هوش مصنوعی باید به طور مداوم و سازگار در طول چرخه زندگی آزمایش کند تا تغییرات رفتاری را دریافت کند.

کلارک Distributional را ایجاد کرد تا سعی کند این کار حسابرسی هوش مصنوعی را تا حدودی از بین ببرد و از تکنیک هایی استفاده کرد که او و تیم SigOpt در حین کار با مشتریان سازمانی توسعه دادند. Distributional می تواند به طور خودکار تست های آماری را برای مدل ها و برنامه های هوش مصنوعی مطابق با مشخصات توسعه دهنده ایجاد کند و نتایج این آزمایش ها را در داشبورد سازماندهی کند.

از آن داشبورد، کاربران Distributional می‌توانند روی «مخزن‌های» آزمایشی، آزمایش‌های ناموفق تریاژ، و در صورت لزوم مجدداً آزمایش‌ها را کالیبره کنند. کل محیط را می توان در محل مستقر کرد (اگرچه Distributional یک طرح مدیریت شده نیز ارائه می دهد) و می تواند با ابزارهای هشدار و پایگاه داده محبوب ادغام شود.

کلارک گفت: «ما در سراسر سازمان به چه چیز، چه زمانی و چگونه برنامه‌های هوش مصنوعی آزمایش شده‌اند و چگونه در طول زمان تغییر کرده‌ایم، و با استفاده از قالب‌ها، پیکربندی‌های قابل اشتراک‌گذاری، فرآیندی تکرارپذیر برای آزمایش هوش مصنوعی برای برنامه‌های مشابه ارائه می‌کنیم. فیلترها و برچسب ها.”

هوش مصنوعی در واقع یک جانور ناتوان است. حتی آزمایشگاه های برتر هوش مصنوعی نیز این کار را انجام داده اند مدیریت ریسک ضعیف. پلتفرمی مانند Distributional می‌تواند بار آزمایش را کاهش دهد و شاید حتی به شرکت‌ها در دستیابی به بازگشت سرمایه کمک کند.

حداقل، این زمین کلارک است.

او می‌گوید: «چه بی‌ثباتی، چه عدم دقت، یا ده‌ها چالش بالقوه دیگر، شناسایی خطر هوش مصنوعی دشوار است. «اگر تیم‌ها نتوانند آزمایش‌های هوش مصنوعی را به درستی انجام دهند، این خطر را دارند که برنامه‌های هوش مصنوعی هرگز آن را تولید نکنند. یا در صورت تولید، خطر رفتار غیرمنتظره و بالقوه مضر این برنامه‌ها را به خطر می‌اندازند، بدون اینکه این مسائل قابل مشاهده باشند.»

Distributional اولین شرکتی نیست که با فناوری برای بررسی و تجزیه و تحلیل قابلیت اطمینان هوش مصنوعی به بازار عرضه می شود. Kolena، Prolific، Giskard و Patronus از جمله راه حل های آزمایشی هوش مصنوعی هستند. غول های فناوری مانند Google Cloud، AWS و Azure نیز ابزارهای ارزیابی مدل را ارائه می دهند.

پس چرا یک مشتری باید Distributional را انتخاب کند؟

خب، کلارک ادعا می کند که Distributional – که در آستانه تجاری سازی مجموعه محصولات خود است – تجربه “دستکش سفید” بیشتری را نسبت به بسیاری دیگر ارائه می دهد. Distributional نصب، پیاده سازی و ادغام مشتریان را بر عهده می گیرد و عیب یابی تست هوش مصنوعی (با پرداخت هزینه) را ارائه می دهد.

کلارک گفت: «ابزارهای نظارت اغلب بر معیارهای سطح بالاتر و نمونه‌های خاص نقاط پرت تمرکز می‌کنند، که حس سازگاری محدودی را ارائه می‌دهد، اما بدون بینش در مورد رفتار برنامه‌های کاربردی گسترده‌تر.» “هدف آزمایش Distributional این است که تیم ها را قادر سازد تا به تعریفی از رفتار مورد نظر برای هر برنامه هوش مصنوعی برسند، تأیید کنند که هنوز همانطور که انتظار می رود در تولید و از طریق توسعه رفتار می کند، تشخیص دهد که این رفتار چه زمانی تغییر می کند، و بفهمند که چه چیزی باید تکامل یابد یا تغییر کند. ثابت شود تا یک بار دیگر به یک حالت ثابت برسیم.»

Distributional با پول نقد جدید سری A خود، قصد دارد تیم فنی خود را با تمرکز بر جنبه های مهندسی تحقیقاتی UI و AI گسترش دهد. کلارک گفت که انتظار دارد نیروی کار شرکت تا پایان سال به 35 نفر افزایش یابد، زیرا Distributional موج اول استقرار سازمانی خود را آغاز می کند.

کلارک افزود: “ما در طول یک سال از زمان تاسیس خود بودجه قابل توجهی را به دست آورده ایم و حتی با تیم در حال رشد خود، در موقعیتی هستیم که در چند سال آینده از این فرصت عظیم سرمایه گذاری کنیم.”

Andreessen Horowitz، Operator Collective، Oregon Venture Fund، Essence VC و Alumni Ventures نیز در Distributional’s Series A شرکت کردند. تا به امروز، استارت آپ مستقر در برکلی، کالیفرنیا 30 میلیون دلار جمع آوری کرده است.