LatticeFlow, une startup issue de l’ETH de Zurich en 2020, aide les équipes d’apprentissage automatique à améliorer leurs modèles de vision IA en diagnostiquant automatiquement les problèmes et en améliorant à la fois les données et les modèles eux-mêmes. La société a annoncé aujourd’hui qu’elle avait levé un financement de série A de 12 millions de dollars mené par Atlantic Bridge et OpenOcean, avec la participation de FPV Ventures. Les investisseurs existants btov Partners et Global Founders Capital, qui ont dirigé le tour de table de 2,8 millions de dollars de la société l’année dernière, ont également participé à ce tour.
Comme me l’a dit le co-fondateur et PDG de LatticeFlow, Petar Tsankov, la société compte actuellement plus de 10 clients en Europe et aux États-Unis, y compris un certain nombre de grandes entreprises comme Siemens et des organisations comme les chemins de fer fédéraux suisses, et exécute actuellement des pilotes avec assez un peu plus. C’est cette demande des clients qui a conduit LatticeFlow à augmenter à ce stade.
« J’étais aux États-Unis et j’ai rencontré des investisseurs à Palo Alto, a expliqué Tsankov. « Ils ont vu le goulot d’étranglement que nous avons avec l’intégration des clients. Nous avions littéralement des ingénieurs en apprentissage automatique qui assistaient les clients et ce n’est pas ainsi que vous devriez diriger l’entreprise. Et ils ont dit: « OK, prenez 12 millions de dollars, faites venir ces gens et développez-vous. » C’était certainement un bon moment, car lorsque nous avons parlé à d’autres investisseurs, nous avons constaté que le marché avait changé.
Comme Tsankov et son co-fondateur CTO Pavol Bielik l’ont noté, la plupart des entreprises ont aujourd’hui du mal à mettre leurs modèles en production et, lorsqu’elles le font, elles se rendent souvent compte qu’elles ne fonctionnent pas aussi bien qu’elles l’espéraient. La promesse de LatticeFlow est qu’il peut auto-diagnostiquer les données et les modèles pour trouver des angles morts potentiels. Dans son travail avec une grande entreprise médicale, ses outils d’analyse de leurs ensembles de données et de leurs modèles ont rapidement trouvé plus d’une demi-douzaine d’angles morts critiques dans leurs modèles de production de pointe, par exemple.
L’équipe a noté qu’il ne suffit pas d’examiner uniquement les données de formation et de s’assurer qu’il existe un ensemble diversifié d’images – dans le cas des modèles de vision dans lesquels LatticeFlow est spécialisé – mais également d’examiner les modèles.
Équipe fondatrice de LatticeFlow (de gauche à droite) : Prof. Andreas Krause (conseiller scientifique), Dr. Petar Tsankov (CEO), Dr. Pavol Bielik (CTO) et Prof. Martin Vechev (conseiller scientifique). Crédits image : LatticeFlow
« Si tu seulement voir à la Les données – et ça est un fondamental différenciateur pour LatticeFlow car nous pas seulement trouvez le la norme Les données problèmes Comme étiquetage problèmes ou pauvre-qualité échantillons, mais aussi maquette aveugle taches, qui sommes la scénarios où la des modèles sommes échec », a expliqué Tsankov. « Une fois que la maquette est prêt, nous boîte prendre ce, FIndiana divers Les données maquette problèmes et aider entreprises réparer ce. »
Il a noté, par exemple, que les modèles trouveront souvent des corrélations cachées qui peuvent semer la confusion dans le modèle et fausser les résultats. En travaillant avec un client d’assurance, par exemple, qui utilisait un modèle ML pour détecter automatiquement les bosses, les rayures et autres dommages dans les images de voitures, le modèle étiquetait souvent une image avec un doigt dedans comme une rayure. Pourquoi? Parce que dans l’ensemble de formation, les clients prenaient souvent une photo en gros plan avec une égratignure et la pointaient du doigt. Sans surprise, le modèle établirait alors une corrélation entre « doigt » et « rayure », même s’il n’y avait aucune rayure sur la voiture. Ce sont des problèmes, selon les équipes de LatticeFlow, qui vont au-delà de la création de meilleures étiquettes et nécessitent un service qui peut examiner à la fois le modèle et les données de formation.
LatticeFlow découvre un biais dans les données pour la formation des modèles d’IA d’inspection des dommages aux voitures. Parce que les gens pointent souvent du doigt les rayures, cela amène les modèles à apprendre que les doigts indiquent des dommages (une caractéristique fallacieuse). Ce problème est résolu avec une augmentation personnalisée qui supprime les doigts de toutes les images. Crédits image : LatticeFlow
LatticeFlow lui-même, il convient de le noter, n’est pas dans le domaine de la formation. Le service fonctionne avec des modèles pré-formés. Pour l’instant, il se concentre également sur l’offre de son service en tant qu’outil sur site, bien qu’il puisse également offrir un service entièrement géré à l’avenir, car il utilise le nouveau financement pour embaucher de manière agressive, à la fois pour mieux servir ses clients existants et pour développer son portefeuille de produits.
« La douloureuse vérité est qu’aujourd’hui, la plupart des déploiements de modèles d’IA à grande échelle ne fonctionnent tout simplement pas de manière fiable dans le monde réel », a déclaré Sunir Kapoor, partenaire opérationnel chez Atlantic Bridge. « Cela est en grande partie dû à l’absence d’outils qui aident les ingénieurs à résoudre efficacement les données critiques d’IA et les erreurs de modèle. Mais c’est aussi la raison pour laquelle l’équipe d’Atlantic Bridge a pris la décision d’investir sans ambiguïté dans LatticeFlow. Nous pensons que l’entreprise est sur le point de connaître une croissance phénoménale, car elle est actuellement la seule entreprise à auto-diagnostiquer et à corriger les données d’IA et les défauts des modèles à grande échelle. »
