به چالش کشیدن ناکارآمدیهای یادگیری عمیق
CTGT، یک استارتاپ هوش مصنوعی با پشتیبانی Y Combinator (YC F24)، 7.2 میلیون دلار برای پیشبرد ماموریت خود در مقیاسبندی هوش مصنوعی فراتر از یادگیری عمیق سنتی، بودجه دریافت کرده است. این دور توسط Gradient، صندوق هوش مصنوعی در مراحل اولیه گوگل، با مشارکت General Catalyst، Liquid 2 Ventures و Y Combinator رهبری شد.
این استارتاپ همچنین از چهرههای برجسته هوش مصنوعی، از جمله François Chollet (Keras)، Paul Graham (Y Combinator)، Peter Wang (Anaconda)، Michael Seibel (Twitch)، Mike Knoop (Zapier) و Wes McKinney (Pandas) پشتیبانی دریافت کرده است.
استارتاپ CTGT متعلق به سیریل گُرلا، ۲۳ ساله اهل حیدرآباد، همچنین بودجههایی را از سرمایهگذار برجسته، مارک کوبان، جذب کرده است.
گُرلا در یک تعامل اختصاصی با AIM گفت: «چشم انداز CTGT این است که هوش مصنوعی را بدون قربانی کردن عملکرد، شفافتر و در دسترستر کند.»
پذیرش سازمانی
CTGT قصد دارد به ناکارآمدیهای رو به رشد در یادگیری عمیق رسیدگی کند، چالشی که علیرغم پیشرفتهای سریع در مدلهای هوش مصنوعی، همچنان پابرجاست. گُرلا که مدتهاست تقاضای روزافزون هوش مصنوعی برای محاسبات را مطالعه کرده است، معتقد است که صرفاً مقیاسبندی مدلها محدودیتهای اساسی آنها را برطرف نخواهد کرد.
در عوض، CTGT یک پشته هوش مصنوعی جدید توسعه داده است که نحوه یادگیری و آموزش مدلها را متحول میکند. این شرکت ادعا میکند که پلتفرم آن میتواند مدلهای هوش مصنوعی را تا 500 برابر سریعتر از روشهای سنتی سفارشیسازی، آموزش و استقرار دهد، در حالی که دقت پیشرفته را حفظ میکند.
مهمتر از آن، این امر بدون نیاز به قدرت محاسباتی عظیم به دست میآید، که یک انحراف قابل توجه از رویکردهای یادگیری عمیق مرسوم است.
پلتفرم استقرار و کیفیت هوش مصنوعی CTGT در حال حاضر توسط شرکتهای Fortune 10 مورد استفاده قرار میگیرد و به آنها کمک میکند تا کنترل بیشتری بر مدلهای هوش مصنوعی در برنامههای کاربردی دنیای واقعی به دست آورند. این شرکت با بودجه جدید، قصد دارد دسترسی را به شرکتهای بیشتری که به دنبال انتقال هوش مصنوعی از اثبات مفهوم به تولید در مقیاس کامل هستند، گسترش دهد.
گُرلا به AIM گفته بود که بسیاری از روشهای هوش مصنوعی موجود از نظر محاسباتی ناکارآمد هستند و به عنوان مثال، ذکر کرد که تفسیر LLM پیشرفته یک ارائه دهنده مدل پایه پیشرو، به محاسبات بیشتری نسبت به خود مدل پایه نیاز دارد، که این روشها را برای اکثر شرکتها غیرقابل دسترس میکند.
CTGT با تمرکز بر درک مکانیزمهای اساسی یادگیری، مدلهای هوش مصنوعی را توسعه میدهد که هم کارآمد و هم قابل تفسیر هستند. رویکرد این شرکت در چندین معیار ارزیابی شده است. در آزمایشی که شامل 121 مجموعه داده طبقهبندی بود، شبکههای عصبی سنتی برای آموزش به پنج ساعت زمان نیاز داشتند، در حالی که روش CTGT این فرآیند را تنها در 40 دقیقه به پایان رساند.
این شرکت اکنون در حال کار بر روی یک الگوریتم آموزشی ارتقا یافته است که به گفته گُرلا، 500 برابر سریعتر از نسخه فعلی خواهد بود.
او در یک پست در لینکدین گفت: «این تنها آغاز سفر ما در ایجاد نسل بعدی هوش مصنوعی واقعاً هوشمند است: از ابتدا ساخته شده است تا قابل اعتماد و کارآمد باشد و به طور پویا با نیازهای شما سازگار شود.»