Jahresrückblick: Die zehn heißesten Data Science- und Machine Learning-Startups im Jahr 2022

Da Unternehmen mit immer größeren Datenmengen umgehen, die sowohl intern im Unternehmen generiert als auch aus externen Quellen gesammelt werden, wird es immer wichtiger, effektive Möglichkeiten zur Analyse und „Manipulation“ dieser Daten zu finden, um Wettbewerbsvorteile zu erzielen herausfordernd.

Dies hat auch die Nachfrage nach neuen Tools und Technologien im Bereich Data Science und maschinelles Lernen vorangetrieben. Laut dem Bericht „Fortune Business Insights“ wird der globale Markt für maschinelles Lernen im Jahr 2021 15,44 Milliarden US-Dollar erreichen und in diesem Jahr 21,17 Milliarden US-Dollar erreichen. Es wird erwartet, dass er bis 2029 auf 209,91 Milliarden US-Dollar anwächst, mit einer durchschnittlichen jährlichen Wachstumsrate von 38,8 %.

Gleichzeitig betrug laut einem Bericht von Allied Market Research die globale Marktgröße von Data-Science-Plattformen im Jahr 2020 4,7 Milliarden US-Dollar und wird bis 2030 voraussichtlich 79,7 Milliarden US-Dollar erreichen, mit einer Gesamtsumme jährliche Wachstumsrate von 33,6 %.

„Data Science“ und „maschinelles Lernen“ können manchmal etwas verwirrend wirken oder sogar synonym verwendet werden. Dabei handelt es sich eigentlich um zwei unterschiedliche Konzepte, die jedoch miteinander verwandt sind, da datenwissenschaftliche Praktiken der Schlüssel zu maschinellen Lernprojekten sind.

Gemäß der Definition 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 Entwicklung von Datenanalysestrategien, der Vorbereitung von Daten für die Analyse, Entwicklung von Datenvisualisierungen und Erstellung eines Datenmodells.

Laut dem Fortune Business Insights-Bericht ist maschinelles Lernen ein Unterbereich des breiteren Feldes der künstlichen Intelligenz und bezieht sich auf den Einsatz von Datenanalyse, um Computern das Lernen beizubringen (d. h. menschliches Lernen zu imitieren). ) Ansatz) mithilfe von Algorithmen und datenbasierten Modellen.

Die Nachfrage nach Tools für Datenwissenschaft und maschinelles Lernen hat eine Reihe von Startups hervorgebracht, die Spitzentechnologien im Bereich Datenwissenschaft oder maschinelles Lernen entwickeln. Werfen wir einen Blick auf 10 davon: #🎜🎜 #

Aporia
• Baseten
• Deci
• Galileo
• Neuton#🎜 🎜# # 🎜🎜#Pinecone
• Predibase
• Snorkel 🎜# # 🎜🎜#Aporia
• Aporia hat eine umfassende, hochgradig anpassbare Observability-Plattform für maschinelles Lernen entwickelt, mit der Datenwissenschaft und maschinelles Lernen Modelle und Daten für maschinelles Lernen überwachen, debuggen, interpretieren und verbessern können.
• Aporia wurde 2020 gegründet und erhielt im März 2022 weitere 25 Millionen US-Dollar in der Serie-A-Finanzierung, 10 Monate nachdem sie 5 Millionen US-Dollar an Startkapital aufgebracht hatte.
• Aporia wird die Finanzierung nutzen, um die Größe seiner Belegschaft bis Anfang 2023 zu verdreifachen, gleichzeitig seine Präsenz in den USA auszubauen und das Spektrum der Anwendungsfälle, die seine Technologie abdeckt, zu erweitern.
• Baseten

Baseten wurde im April dieses Jahres offiziell veröffentlicht und bietet Produkte, die den Prozess von der Modellentwicklung für maschinelles Lernen bis hin zu Anwendungen auf Produktionsebene beschleunigen können.

Laut Baseten kann die Technologie, die sich seit Sommer 2021 in der internen Betaphase befindet, viele der Fähigkeiten automatisieren, die erforderlich sind, um Modelle für maschinelles Lernen in die Produktion zu bringen, und so Datenwissenschafts- und maschinelles Lernteams bei der Einführung unterstützen Maschinelles Lernen steht im Vordergrund. Integriert in Geschäftsprozesse, keine Back-End-, Front-End- oder MLOps-Kenntnisse erforderlich.

Baseten wurde 2019 von CEO Tuhin Srivastava, CTO Amir Haghighat und Chefwissenschaftler Philip Howes gegründet, die alle zuvor beim E-Commerce-Plattformentwickler Gumroad gearbeitet haben. Baseten hat im April dieses Jahres eine Serie-A-Finanzierung in Höhe von 12 Millionen US-Dollar eingesammelt, nachdem zuvor eine Startfinanzierung in Höhe von 8 Millionen US-Dollar erfolgt war.

Deci

Deci hat eine Deep-Learning-Entwicklungsplattform für den Aufbau der nächsten Generation von Anwendungen für künstliche Intelligenz und Deep-Learning entwickelt. Die Technologie von Deci soll dazu beitragen, die „KI-Effizienzlücke“ zu schließen, bei der Computerhardware nicht in der Lage ist, mit den Anforderungen immer größerer und komplexerer Modelle für maschinelles Lernen mitzuhalten.

Decis Plattform berücksichtigt die Produktion schon früh im Entwicklungslebenszyklus und hilft Datenwissenschaftlern, diese Lücke zu schließen und den Zeit- und Kostenaufwand für die Lösung von Problemen bei der Bereitstellung von Modellen in der Produktion zu reduzieren. Laut Deci integriert die Plattform die proprietäre AutoNAC-Technologie (Automatic Neural Architecture Construction), um „ein effizienteres Entwicklungsparadigma“ bereitzustellen und KI-Entwicklern dabei zu helfen, Deep-Learning-Modelle mithilfe einer hardwarebewussten „Neuronalen Architektursuche“ zu erstellen, um bestimmte Produktionsnachfrageziele zu erfüllen .

Deci wurde 2019 gegründet und erhielt im Juli dieses Jahres eine Serie-B-Finanzierung in Höhe von 25 Millionen US-Dollar, angeführt von Insight Partners. Erst vor sieben Monaten erhielt Deci eine Serie-A-Finanzierung in Höhe von 21 Millionen US-Dollar.

Galileo

Galileo hat eine Machine-Learning-Data-Intelligence-Plattform für unstrukturierte Daten entwickelt, die es Datenwissenschaftlern ermöglicht, kritische Machine-Learning-Fehler während des gesamten Machine-Learning-Lebenszyklus zu untersuchen, zu entdecken und zu beheben.

Anfang November dieses Jahres brachte Galileo die Galileo Community Edition auf den Markt, eine kostenlose Version der Plattform, die es Datenwissenschaftlern, die sich mit der Verarbeitung natürlicher Sprache befassen, ermöglicht, mithilfe hochwertigerer Trainingsdaten schneller Modelle zu erstellen.

Galileo kam aus dem Stealth-Modus, als es im Mai dieses Jahres eine Startfinanzierung in Höhe von 5,1 Millionen US-Dollar erhielt, gefolgt von einer von Battery Ventures angeführten Serie-A-Finanzierung in Höhe von 18 Millionen US-Dollar am 1. November. Zu den Mitbegründern von Galileo gehören CEO Vikram Chatterji, der Leiter des Cloud-KI-Projektmanagements bei Google war; Atindriyo Sanyal, ein ehemaliger Software-Ingenieur bei Apple und Uber, und Yash Sheth, ein ehemaliger Software-Ingenieur bei Googles Spracherkennungssystem.

Neuton

Neuton wurde 2021 gegründet und entwickelt eine automatisierte No-Code-„TinyML“-Plattform und andere Tools zur Entwicklung winziger Modelle für maschinelles Lernen, die in Mikrocontroller eingebettet werden können und so Vorsprung schaffen Geräte intelligent.

Die Technologie von Neuton wird in einer Vielzahl von Anwendungen eingesetzt, darunter die vorausschauende Wartung von Kompressorwasserpumpen, die Verhinderung von Netzüberlastungen, die Erkennung von Raumbelegung, die Handschrifterkennung auf Handheld-Geräten, die Vorhersage von Übertragungsausfällen und Geräte zur Überwachung der Wasserverschmutzung .

Pinecone

Pinecone entwickelt Vektordatenbanken und Suchtechnologien hauptsächlich zur Unterstützung von Anwendungen für künstliche Intelligenz und maschinelles Lernen. Im Oktober 2021 brachte Pinecone Pinecone 2.0 auf den Markt und brachte die Software von Forschungslaboren in Produktionsanwendungen.

Pinecone wurde 2019 gegründet, letztes Jahr offiziell gestartet 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.

Im Oktober dieses Jahres erweiterte Pinecone sein Infrastrukturportfolio für die maschinelle Lernsuche mit der Einführung einer neuen „Vektorsuchlösung“, die semantische und Schlüsselwortsuchfunktionen kombiniert.

Gartner ernannte Pinecone 2021 zu einem „Cool Vendor“ im Bereich künstliche Intelligenz und maschinelle Lerndaten.

Predibase

Im Mai verließ Predibase den Stealth-Modus mit einer Low-Code-Plattform für maschinelles Lernen, die es Datenwissenschaftlern und Nicht-Experten ermöglicht, schnell „Best-in- Klasse“-Maschinen Modelle für maschinelles Lernen für die Lerninfrastruktur. Die Software befindet sich derzeit bei vielen Fortune-500-Unternehmen im Beta-Einsatz.

Predibase bietet seine Technologie als Alternative zu herkömmlichem AutoML an und entwickelt Modelle für maschinelles Lernen, um reale Probleme zu lösen. Die Plattform nutzt deklaratives maschinelles Lernen, das es laut Predibase den Benutzern ermöglicht, Modelle für maschinelles Lernen als „Konfigurationen“ oder einfache Dateien zu spezifizieren, um dem System mitzuteilen, was der Benutzer möchte, und das System den besten Weg finden zu lassen, diesen Bedarf zu erfüllen.

Predibase wurde von CEO Piero Molino, Chief Technology Officer Travis Addair, Chief Product Officer Devvret Rishi und Stanford University Associate Professor Chris Molino und Addair mitbegründet. Beide arbeiteten früher bei Uber. Während ihrer Zeit bei Uber entwickelten die beiden das Open-Source-Framework Ludwig für Deep-Learning-Modelle und das Open-Source-Framework Horovod für die Erweiterung und Verteilung des Deep-Learning-Modelltrainings auf große Datenmengen (Predibase basiert auf Ludwig und Horovod.)

#🎜 🎜# Im Mai dieses Jahres erhielt Predibase eine von Greylock angeführte Seed- und Series-A-Finanzierung in Höhe von 16,5 Millionen US-Dollar.

Snorkel AI

Snorkel wurde 2019 gegründet und hat seinen Ursprung im Artificial Intelligence Laboratory der Stanford University, wo die fünf Gründer des Unternehmens daran arbeiteten, den Mangel an maschinellen Lernentwicklungsmethoden für die Kennzeichnung zu beheben Fragen zu Trainingsdaten.

Snorkel hat Snorkel Flow entwickelt, ein datenzentriertes System, das im März dieses Jahres vollständig auf den Markt gebracht wurde und programmatisches Tagging (d. h. Datenaufbereitung und Modelle für maschinelles Lernen, die in Schlüsselschritten entwickelt und trainiert werden) nutzt die Entwicklung von künstlicher Intelligenz und maschinellem Lernen beschleunigen.

Snorkel hatte im August 2021 einen Wert von 1 Milliarde US-Dollar, als das Startup 85 Millionen US-Dollar in einer Serie-C-Finanzierung aufnahm und die Mittel dazu nutzte, seine Technik- und Vertriebsteams zu vergrößern und die Plattformentwicklung zu beschleunigen.

Vectice

Vectice entwickelt eine automatisierte Lösung zur Erfassung und Weitergabe von datenwissenschaftlichem Wissen. Die Technologie von Vectice erfasst automatisch die Assets, die Data-Science-Teams für Projekte erstellen, einschließlich Datensätzen, Code, Modellen, Notizbüchern, Läufen und Illustrationen, und generiert Dokumentationen während des gesamten Projektlebenszyklus, von den Geschäftsanforderungen bis zur Produktionsbereitstellung.

Die Software von Vectice soll Unternehmen dabei helfen, Transparenz, Governance und Abstimmung mit KI- und maschinellen Lernprojekten zu verwalten und konsistente Projektergebnisse zu liefern.

Vectice wurde 2020 von CEO Cyril Brignone und CTO Gregory Haardt gegründet und erhielt im Januar dieses Jahres eine Serie-A-Finanzierung in Höhe von 12,6 Millionen US-Dollar, was einer Gesamtfinanzierung von 15,6 Millionen US-Dollar entspricht.

Verta

Verta entwickelt KI/ML-Modellverwaltungs- und Betriebssoftware, die es Datenwissenschafts- und maschinellen Lernteams ermöglicht, die inhärente Komplexität der Bereitstellung, des Betriebs, der Verwaltung und der Überwachung des gesamten KI- und ML-Modells bereitzustellen, zu betreiben, zu verwalten und zu überwachen Lebenszyklus.

Im August dieses Jahres erweiterte Verta die Unternehmensfunktionen seiner MLOps-Plattform, einschließlich der Hinzufügung eines nativen Integrationsökosystems, zusätzlicher Funktionen rund um Unternehmenssicherheit, Datenschutz und Zugriffskontrolle sowie Modellrisikomanagement.

Verta wurde 2018 gegründet und 2020 offiziell veröffentlicht. In diesem Jahr wurde es von Gartner als „Cool Vendor“ im Kernbereich KI-Technologie ausgezeichnet.

Das obige ist der detaillierte Inhalt vonJahresrückblick: Die zehn heißesten Data Science- und Machine Learning-Startups im Jahr 2022. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!