聚焦小样本学习,「中科智云」获数千万元Pre-A轮融资
中科智云成立于2018年,公司团队成员目前百余人,核心团队来自中科院、牛津大学等院校,其中技术研发人员占比近70%。其主要业务是以自研X-Brain AI主动学习平台为核心,融合小样本学习框架、多源融合感知计算等技术,为行业提供AI 安全治理服务。
当前,以深度学习为核心的AI,为了避免发生过拟合或欠拟合的情况,需要使用大量数据来进行模型训练,从而使模型达到更好的拟合优度,解决场景问题。但这一路径在面临碎片化场景时,由于数据较少,训练效果也较差,很难落地。
为此,小样本学习(FSL)和AutoML(自动机器学习)逐渐成为新的算法生产模式。
与传统机器学习相比,小样本学习的优势在于,直接通过较少的数据量或样本,来训练算法模型。AutoML则可以从特征工程、模型构建、超参选择,优化方法四方面实现自动化,既减少了算法生产成本,又提高效率,并且降低了算法生产门槛。
在接受采访时,中科智云CEO魏宏峰表示,小样本是低成本的基础,因为样本量小,训练模型不需要高算力硬件设备。但在一些场景中,小样本训练出来的精度,在初期很难达到商用水平。因此可以通过AutoML来缩短从初期模型到商用这个过程。
中科智云推出的X-Brain 平台,其核心是一套主动学习算法框架,应用自研的主动学习(Active Learning)技术,改变了监督学习的被动接受人工标注样本的模式。
该平台可通过AI主动判断样本是否需要算法工程师的参与,通过只让算法工程师参与部分困难样本的确认,形成人在回路(Human-in-the-Loop)模式,主动训练模型,形成模型自动迭代,从而解决算法生产落地成本高的问题。
截至目前,X-Brain AI平台已经在工业、建造、电力等行业应用。
魏宏峰认为,小样本学习和AutoML从技术上解决算法生产难题,但如何让技术更好地服务于企业,解决实际场景问题,就需要把具体场景痛点拆解之后,融入到整个算法生产过程中,从业务和问题定义开始,到模型调优,最后到算法交付,都要让懂业务的人参与。
- 免责声明
- 本文所包含的观点仅代表作者个人看法,不代表新火种的观点。在新火种上获取的所有信息均不应被视为投资建议。新火种对本文可能提及或链接的任何项目不表示认可。 交易和投资涉及高风险,读者在采取与本文内容相关的任何行动之前,请务必进行充分的尽职调查。最终的决策应该基于您自己的独立判断。新火种不对因依赖本文观点而产生的任何金钱损失负任何责任。