Halbjahresrückblick: Zehn heiße Start-ups im Bereich Datenwissenschaft und maschinelles Lernen im Jahr 2022

Unternehmen müssen mit einer zunehmenden Menge an Daten umgehen, unabhängig davon, ob sie innerhalb des Unternehmens generiert oder aus externen Quellen gesammelt werden. Wie lässt sich diese Datenmenge effektiv analysieren und „verarbeiten“, um einen Wettbewerbsvorteil zu erzielen?

Dies hat auch die Nachfrage nach neuen Werkzeugen und Informationstechnologien in den Bereichen Datenwissenschaft und maschinelles Lernen vorangetrieben. Dem Fortune Business Insights Report zufolge wird der weltweite Markt für maschinelles Lernen allein im Jahr 2021 ein Volumen von 15,44 Milliarden US-Dollar erreichen und in diesem Jahr voraussichtlich 21,17 Milliarden US-Dollar erreichen und bis 2029 auf 209,91 Milliarden US-Dollar anwachsen, mit einer durchschnittlichen jährlichen Wachstumsrate von 38,8 %.

Gleichzeitig betrug laut einem gemeinsamen Marktforschungsbericht der globale Markt für Data-Science-Plattformen im Jahr 2020 4,7 Milliarden US-Dollar und wird bis 2030 voraussichtlich 79,7 Milliarden US-Dollar erreichen, mit einem durchschnittlichen jährlichen Wachstum Quote von 33,6 %.

Die Konzepte „Datenwissenschaft“ und „maschinelles Lernen“ werden manchmal leicht verwechselt oder sogar synonym verwendet, aber tatsächlich handelt es sich um zwei verschiedene Konzepte und es besteht ein Zusammenhang zwischen ihnen, da datenwissenschaftliche Praktiken von entscheidender Bedeutung sind zu maschinellen Lernprojekten.

Laut der Website „Master in Data Science“ ist Data Science ein Studienbereich, der wissenschaftliche Methoden nutzt, um Bedeutung und Erkenntnisse aus Daten zu extrahieren, einschließlich der Formulierung von Datenanalysestrategien, der Vorbereitung von Daten für die Analyse und der Entwicklung von Daten Visualisierungen und Aufbau von Datenmodellen.

Laut dem Fortune Business Insights Report ist maschinelles Lernen der nächste Teilbereich des breiteren Feldes der künstlichen Intelligenz. Es nutzt Datenanalyse, um Computern beizubringen, mithilfe von Modellen auf der Grundlage von Algorithmen und Daten zu lernen. Das heißt, die Art und Weise nachzuahmen, wie Menschen lernen.

Die Marktnachfrage nach Tools für Datenwissenschaft und maschinelles Lernen hat eine große Anzahl von Startups hervorgebracht, die Spitzentechnologien im Bereich Datenwissenschaft oder maschinelles Lernen entwickeln, darunter die folgenden 10 Unternehmen:

1. Aporia

• Gründer und CEO: Liran Hason
• Hauptsitz: Tel Aviv, Israel#🎜 🎜#
Website: https://www.aporia.com/

Aporia wurde 2020 gegründet und hat ein umfassendes, hochgradig anpassbares maschinelles Lernen entwickelt Software. Eine Beobachtungsplattform, die Datenwissenschafts- und maschinelle Lernteams verwenden können, um Modelle und Daten für maschinelles Lernen zu überwachen, zu debuggen, zu interpretieren und zu verbessern.

Aporia sammelte 5 Millionen US-Dollar an Startkapital, gefolgt von 25 Millionen US-Dollar an Serie-A-Finanzierung im März 2022.

Aporia wird die Mittel nutzen, um die Zahl seiner Mitarbeiter bis 2023 zu verdreifachen sowie seinen Geschäftsumfang in den Vereinigten Staaten und die Bandbreite der von seiner Technologie abgedeckten Einsatzszenarien zu erweitern.

2, Black Crow AI

Gründer und CEO: Richard Harris
• #🎜🎜 #Hauptsitz: New York, USA
• Website: https://www.blackcrow.ai/
• Black Crow AI hat eine E-Commerce-Anwendung entwickelt. Mit der Plattform für maschinelles Lernen können Online-Direct-to-Consumer-Händler mithilfe ihrer Modelle das Besucherverhalten und den zukünftigen Wert beim Einkaufen vorhersagen. Die Software analysiert Milliarden von Datenpunkten in Echtzeit, um das Kundenerlebnis zu verbessern, die Abwanderung zu steuern und die Marketingausgaben zu optimieren.

Black Crow AI wurde 2020 gegründet und erhielt im März dieses Jahres eine Serie-A-Finanzierung in Höhe von 25 Millionen US-Dollar, sodass sich die Gesamtfinanzierungssumme auf 30 Millionen US-Dollar beläuft. Black Crow AI wird die Finanzierung nutzen, um die Entdeckung neuer, nutzbarer maschineller Lernszenarien im digitalen Handel und angrenzenden Branchen zu beschleunigen.

3、 Komet

• Mitbegründer, CEO: Gideon Mendels
• Hauptsitz: New York, USA
• Website: https://www.comet.ml/site/

Comets Plattform bietet Management für Datenwissenschaftler und Datenwissenschaftsteams Möglichkeit, den gesamten Lebenszyklus des maschinellen Lernens zu optimieren, einschließlich der Erstellung und Schulung von Modellen, der Verfolgung von Experimenten und der Überwachung der Modellproduktion, um die Sichtbarkeit, Zusammenarbeit und Produktivität zu verbessern.

Comet wurde 2017 gegründet und erhielt im November letzten Jahres eine Serie-B-Finanzierung. Das Unternehmen gab jedoch an, dass sich sein jährlicher wiederkehrender Umsatz verfünffacht und die Mitarbeiterzahl weltweit verdreifacht habe. Zu seinen Kunden zählen Ancestry, Etsy, Uber und Zappos.

4. dotData

• Gründer und CEO: Ryohei Fujimaki
• Hauptsitz: San Mateo, Kalifornien, USA
• Website: https://dotdata.com/

dotData-Software wird bereitgestellt. Automatisiertes Feature-Engineering und KI-Automatisierungsfunktionen für Unternehmen zum Aufbau von Modellen für künstliche Intelligenz oder maschinelles Lernen. Im Entwicklungsprozess des maschinellen Lernens ist das Feature-Engineering ein entscheidender Schritt, um wichtige versteckte Muster in den Daten zu finden, die zum Entwickeln und Trainieren von Modellen für maschinelles Lernen verwendet werden. Das Flaggschiffprodukt von

dotData ist die prädiktive Analyseautomatisierungssoftware dotData Enterprise und bietet auch verwandte Produkte an, darunter die dotData Cloud AI-Automatisierungsplattform, die Tools dotData Py und dotData Py Lite sowie dotData Stream für Echtzeit-KI-Modelle.

dotData wurde 2018 gegründet und ist ein von NEC abgespaltenes Unternehmen. Im April dieses Jahres erhielt das Unternehmen eine Serie-B-Finanzierung in Höhe von 31,6 Millionen US-Dollar, was einer Gesamtfinanzierungssumme von 74,6 Millionen US-Dollar entspricht. dotData nutzt diese externen Mittel, um die eigene Produktentwicklung zu beschleunigen.

5s No-Code-Plattform „tinyML“ und andere Tools zur Entwicklung winziger Modelle für maschinelles Lernen, die in Mikrocontroller eingebettet werden können, um Edge-Geräte intelligent zu machen.

Die Technologie von Neuton findet Einzug in ein breites Anwendungsspektrum, darunter die vorausschauende Wartung von Kompressorwasserpumpen, die Verhinderung von Netzüberlastungen, die Erkennung von Raumbelegung, die Handschrifterkennung auf Handgeräten, die Vorhersage von Getriebeausfällen und Geräte zur Überwachung der Wasserverschmutzung usw. 6, Pinecone Technologien, die Anwendungen für künstliche Intelligenz und maschinelles Lernen vorantreiben. Im vergangenen Oktober brachte Pinecone Pinecone 2.0 auf den Markt und brachte die Software von Forschungslaboren in Produktionsanwendungen.

Pinecone wurde 2019 gegründet. Das Unternehmen kam letztes Jahr aus dem Stealth-Modus und erhielt im Januar 2021 eine Seed-Finanzierung in Höhe von 10 Millionen US-Dollar und im März dieses Jahres eine Serie-A-Finanzierung in Höhe von 28 Millionen US-Dollar.

Gartner ernannte Pinecone 2021 zum „Cool Vendor“ für künstliche Intelligenz und maschinelle Lerndaten.
• 7、Snorkel AI
• • Mitbegründer und CEO: Alex Ratner
  • Hauptsitz: Redwood City, Kalifornien, USA
  • Website: https://snorkel.ai/

  Snorkel wurde 2019 gegründet und hat seinen Ursprung im Artificial Intelligence Laboratory der Stanford University Die fünf Gründer des Unternehmens arbeiteten in diesem Labor daran, das Problem des Mangels an gekennzeichneten Trainingsdaten für die Entwicklung maschinellen Lernens zu lösen.

  Snorkel hat im März dieses Jahres Snorkel Flow auf den Markt gebracht, ein datenzentriertes System, das die Entwicklung von künstlicher Intelligenz und maschinellem Lernen durch den Einsatz von programmatischer Kennzeichnung beschleunigt, die auch Teil der Datenvorbereitung und des Modellentwicklungs- und Trainingsprozesses für maschinelles Lernen ist. Ein entscheidender Schritt.

  Snorkels Bewertung überstieg im August 2021 die Marke von 1 Milliarde US-Dollar, als sich das Startup eine Serie-C-Finanzierung in Höhe von 85 Millionen US-Dollar sicherte, um seine Technik- und Vertriebsteams zu erweitern und die Plattformentwicklung zu beschleunigen.

  8. Striveworks

  

  • CEO: James Rebesco
  • Hauptsitz: Austin, Texas, USA
  • Website: https://striveworks.us/

  Striveworks wurde 2018 gegründet und eingeführt. MLOps-Technologie ist in erster Linie für diese stark regulierten Branchen entwickelt.

  Striveworks‘ Flaggschiffprodukt Chariot Platform ist in erster Linie für die operative Datenwissenschaft konzipiert und erleichtert die Entwicklung von Lösungen für künstliche Intelligenz oder maschinelles Lernen. Das System überwacht den Prozess der Datenerfassung und -aufbereitung sowie das Training, die Validierung, den Einsatz und die Überwachung von Modellen für maschinelles Lernen – alles in der Cloud, vor Ort oder am Netzwerkrand.

  9, Tecton

  

  • Mitbegründer, CEO: Mike Del Balso
  • Hauptsitz: San Francisco, USA
  • Website: https://www.tecton.ai/

  Tecton hat ein maschinelles Lernen entwickelt Die Funktionsbibliotheksplattform kann die Bereitstellungsgeschwindigkeit von Anwendungen für maschinelles Lernen von Monaten auf Minuten verkürzen. Die Technologie von Tecton kann Rohdaten automatisch konvertieren, Trainingsdatensätze generieren und umfangreiche Online-Inferenzfunktionen bereitstellen.

  Tecton wurde 2019 gegründet. Der Gründer entwickelte die maschinelle Lernplattform Uber Michelangelo. Später verließ das Unternehmen im April 2020 den Stealth-Modus.

  10, Verta

  

  • CEO: Manasi Vartak
  • Hauptsitz: Menlo Park, Kalifornien, USA
  • Website: https://www.verta.ai/

  Vertas Plattform kann von der Datenwissenschaft genutzt werden und Teams für maschinelles Lernen für die Bereitstellung, den Betrieb, die Verwaltung und die Überwachung von Modellen während des gesamten Lebenszyklus von KI- und maschinellen Lernmodellen.

  Verta wurde diesen Monat von Gartner zum „Cool Vendor“ für Kern-KI-Technologie ernannt.

Das obige ist der detaillierte Inhalt vonHalbjahresrückblick: Zehn heiße Start-ups im Bereich Datenwissenschaft und maschinelles Lernen im Jahr 2022. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!