Basé à Berlin Précipité, un fournisseur d'outils d'annotation de nouvelle génération pour la vision AI praticiens, a levé 3.7 millions de dollars (environ 3.1 millions d'euros) dans le cadre de son cycle de financement de démarrage mené par Shasta Ventures, aux côtés de Coparion et iRobot Ventures.
La société utilisera le capital levé pour accélérer le développement de produits et élargir sa clientèle en Europe et en Amérique du Nord.
À propos de Hasty
Fondée en 2018 par Tristan Rouillard, Alexander Wennman et Kostya Proskudin, Hasty est une société Vision AI qui aide les humains à apprendre aux machines à voir le monde.
La startup soutient les praticiens de Vision AI en développant des outils d'annotation qui sont pris en charge par une communauté d'ingénieurs en apprentissage automatique, de scientifiques des données et software les développeurs.
L'outil d'annotation de nouvelle génération de Hasty étiquette les données en un dixième de temps grâce à des assistants IA auto-apprenants et à un apprentissage automatique agile qui fournit un retour rapide afin que les ingénieurs puissent valider et adapter les modèles pendant qu'ils travaillent.
Comment Hasty s'automatise pour former des modèles d'IA et améliorer l'annotation
La vision par ordinateur (CV), ou vision AI, aide les ordinateurs à acquérir une compréhension de haut niveau des images ou des vidéos numériques. Il a également le potentiel de changer la façon dont les tâches quotidiennes sont effectuées - du diagnostic des maladies au suivi des colis tout au long de la chaîne d'approvisionnement, en passant par l'analyse de matériaux avancés dans le monde entier.
Actuellement, les approches d'étiquetage des données sont trop lentes, affirme l'entreprise. Et qu'ils ne forment pas et ne mettent pas à jour le modèle lors de l'étiquetage, ce qui signifie que 80 % du temps d'un scientifique des données est consacré à la recherche, au nettoyage et à l'organisation des données de « vérité terrain » qu'il utilise pour former ses réseaux de neurones. Par conséquent, plus de la moitié des projets d'IA basés sur la vision n'arrivent jamais en production.
Les ingénieurs en apprentissage automatique doivent souvent attendre 3 à 6 mois pour obtenir les premiers résultats pour voir si leur stratégie et leur approche d'annotation fonctionnent en raison du délai entre l'étiquetage et la formation du modèle.
C'est là que l'outil de nouvelle génération de Hasty accélère le processus car il forme le modèle en tant qu'étiquette. Plus l'outil est utilisé, plus l'étiquetage devient rapide.
Rétroaction rapide
Selon Tristan Rouillard, co-fondateur et PDG de Hasty, « Il y a aujourd'hui plus de 750,000 70 praticiens de l'apprentissage automatique qui travaillent sur des sujets d'IA de vision et passent la majorité de leur temps à gérer des données plutôt qu'à construire et à régler des réseaux de neurones. C'est pourquoi nous avons créé un outil d'annotation et une communauté de nouvelle génération qui réduisent de XNUMX % le temps de préparation et de gestion des données. »
L'IA agile d'Hasty fournit des retours rapides afin que les ingénieurs puissent adapter et valider leur approche pendant qu'ils travaillent.
Les fonctionnalités et capacités mises en évidence par Hasty incluent :
- Hasty AI Assistants : il prédit les étiquettes juste après quelques images annotées. Ses réseaux de neurones apprennent pendant que les ingénieurs construisent leurs ensembles de données, ce qui permet aux ingénieurs de passer de l'idée aux premiers résultats du modèle en une seule journée
- Hasty Error Finder & Manual Review : cela détecte les erreurs d'annotation cachées provenant de mauvaises classifications, d'artefacts, d'objets manqués et d'une mauvaise segmentation, aide les utilisateurs à les corriger en quelques minutes au lieu de passer des jours à chercher des erreurs
- Boucle de rétroaction rapide rapide : cela donne des cycles de rétroaction courts, permettant aux utilisateurs d'itérer rapidement pour valider et adapter leur approche au fur et à mesure qu'ils étiquettent. Désormais, les utilisateurs peuvent adapter leur stratégie d'annotation, tester différentes approches et être sûrs qu'ils créent les bonnes données en quelques semaines plutôt qu'en quelques mois.
Crédit image : Hasty