AI 模型的训练过程，能不能再快一点？！
这不，谷歌 AI 研究员、Keras 之父 Francois Chollet，刚刚就投资了一家加速自动标注的创业公司：
V7 Labs。
这家公司关注的重点是 CV 和自动识别 / 分类对象及其他数据，来加快 AI 模型的训练速度。
V7 Labs 表示，现在只需要 100 个人工标注，模型就能快速 get 任务具体要干啥。
凭此，V7 Labs 完成了 3300 万美元新融资，历史总融资额约 3600 万美元，目前估值为 2 亿美元。
谁是 V7 Labs？
能获得 3300 万美元的新融资，自动化是 V7 Labs 最吸引投资人的卖点。
据估计，在 AI 训练模型过程中，一个人工团队约 80% 的时间都花在管理训练数据上：
标记数据、分辨什么时候该标记错误、重新思考分类数据等……
V7 Labs 把这个过程称为“程序化标签”，并使用 AGI 和自己的算法来分割和标注图像。
与此同时，任何标记为不清楚的内容都会返回人工审查。
将 V7 Labs 开发的自动标注技术结合人工标注，有助于高效完成工作，并起到互相检查作用。
该公司的 CEO 表示，利用自家平台，只需要 100 个人工标注，就能训练好模型。
据了解，这轮融资将用来招聘更多工程师，并扩大业务运营。
除了 Keras 之父本人，这波投资者中还有其他 ML 和 AI 领域的老朋友们。
比如 DeepMind 首席科学家 Oriol Vinyals、Elixir 语言创造者 Jose Valim、Adept AI 的联合创始人 Ashish Vaswani（Transformer 一作），以及一些来自 Open AI、Twitter 和亚马逊的匿名投资者。
现在来了解一下这家 2018 年创立的自动标注公司～
V7 Labs 团队秉承着这样一个观念：
训练模型的数据输入方式还处于一个低效阶段，完全可以改进。
因此，公司的主要业务就是开发 AI 模型训练所需的自动标记和其他数据分类技术，让视觉 AI 在最少的人工监督下从训练数据中持续学习。
为什么是视觉 AI 领域？
人类视觉皮层有 6 个公认的区域，即 V1 到 V6。
初级视觉皮层 V1 使我们的大脑能够识别基本形状，而之后的视觉皮层则提取颜色、形式和运动方面的复杂含义。
团队解释道，V7 代表着想为机器创造第 7 个领域，让机器能够感知世界，能力能够超越人类大脑。
V7 Labs 目前专注的领域是医学和科学。
利用 V7 Labs 这个平台训练 AI 模型，可以帮助端到端自动驾驶和通过机械臂分拣核废料等工作，以及在扫描中识别早期癌症和其他疾病问题。
至于为什么选择把视觉 AI 的业务应用在医学领域，该公司 CEO 表示：
我们决定专注的，是那些已经将基于 AI 的应用商业化的垂直领域，
或者那些大量视觉处理工作都由人工完成的领域。
在 V7 Labs 看来，医学就是这么一个“从未在内部开发过这种技术”，但“肯定会使用这项技术”的市场。
目前，V7 Labs 有 300 多家客户，其中包括通用电气医疗、Paige AI 和西门子，以及其他《财富》500 强公司和规模很大的私营企业。
缩短 AI 模型设计和应用之间的时间
作为训练 AI 模型过程中举足轻重的环节，加速处理训练数据，越来越受到资本市场追逐。
因此，除了 V7 Labs，还有很多初创公司涌现，致力于提高 AI 数据训练效率、缩短 AI 模型设计和应用之间的时间。
比如同在 2018 年创立的 SuperAnnotate，就是 V7 Labs 的直接竞争对手，他俩同样在研究如何以最快的速度地构建最高质量的训练数据。
SuperAnnotate 官网宣称，自己的服务比普通 AI 标注快 3-5 倍。
最新消息是，SuperAnnotate 也在不久前获得了 1800 万美元的第三次融资。
目前，SuperAnnotate 的客户已经有 200 多家公司，其中包括 20% 的《财富》20 强，以及超过 10000 名个人 CV 爱好者。
值得一提的是，SuperAnnotate 的公司顾问团队里，有南开大学计算机系主任程明明。
以及，虽然 V7 Labs 在官网上列出了与 SuperAnnotate 的服务对比情况，但后者 CEO 在接受采访时，表达了从头发丝到脚趾头的拒绝：
他们的比较并不准确！
此外，走在同样创业路上的公司，还有最初专注于汽车行业的 Scale AI（目前估值约 70 亿美元），和谷歌等公司合作进行 AI 标签的 Labelbox，以及 Apache 软件基金开发的 Hive（目前估值约 20 亿美元）。
既然如此，就问一句：
加速处理训练数据的创业者们，不如卷得更猛烈一点吧？
（搓手手表示期待.gif）
参考链接：
[1]https://techcrunch.com/2022/11/28/v7-labs-computer-vision-ai/
[2]https://twitter.com/nathanbenaich/status/1597303560139833344
本文来自微信公众号：量子位 （ID：QbitAI），作者：衡宇
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。