Distributional 19 میلیون دلار برای اتوماسیون تست مدل‌ها و برنامه‌های هوش مصنوعی جمع‌آوری کرد
Distributional ، یک پلتفرم تست هوش مصنوعی که توسط اسکات کلارک، مدیر پیشین بخش نرم‌افزار هوش مصنوعی اینتل، بنیانگذاری شده است، یک دور تأمین مالی ۱۹ میلیون دلاری سری A را با رهبری Two Sigma Ventures بسته است.
کلارک می‌گوید که Distributional از مسائلی که در اینتل با کاربردهای هوش مصنوعی مواجه شد، الهام گرفته شد و – پیش از آن – از تجربه‌اش در یلپ به عنوان مدیر نرم‌افزار در بخش هدف‌گیری تبلیغاتی شرکت.
«همانطور که ارزش کاربردهای هوش مصنوعی رشد می‌کند، ریسک‌های عملیاتی نیز افزایش می‌یابند،» او به TechCrunch گفت. «تیم‌های محصول هوش مصنوعی از پلتفرم ما برای شناسایی، درک و حل ریسک هوش مصنوعی به صورت پیش‌گیرانه و پیوسته استفاده می‌کنند پیش از آنکه در تولید خطر ایجاد شود.»
کلارک از طریق یک اکتساب به اینتل آمد.
در سال 2020، اینتل SigOpt ، یک پلتفرم آزمایش و مدیریت مدل که کلارک هم‌بنیان‌گذارش بود را خریداری کرد. کلارک در تیم ماند و در سال ۲۰۲۲ به عنوان معاون و مدیر کل بخش نرم‌افزار‌های هوش مصنوعی و سوپركامپيوتر اینتل منصوب شد.
کلارک می‌گوید که او و تیمش در اینتل اغلب توسط مسائل نظارتی و قابلیت مشاهده هوش مصنوعی محدود شده بودند.
هوش مصنوعی ناتعیینی است، کلارک اشاره کرد — به این معنی که با دادن یک داده خاص، خروجی‌های متفاوتی تولید می‌کند. این نکته که مدل‌های هوش مصنوعی بسیاری از وابستگی‌ها را دارند (مانند زیرساخت نرم افزاری و داده‌های آموزشی)، و شناسایی اشکالات در یک سیستم هوش مصنوعی می‌تواند شبیه به یافتن سوزن در انبار کاه باشد.
طبق یک بررسی از سال 2024 توسط Rand Corporation، بیش از ۸۰٪ از پروژه‌های هوش مصنوعی ناکام می‌شوند. هوش مصنوعی تولیدی به خصوص چالشی برای شرکت‌ها ایجاد کرده است، با یک مطالعه Gartner پیش‌بینی شده است که یک‌سوم از استقرارها تا سال 2026 رها خواهند شد.
«این نیازمند نوشتن آزمون‌های آماری بر روی توزیع‌های بسیاری از خواص داده است،» کلارک گفت. «هوش مصنوعی نیاز دارد تا از طریق چرخه حیات همیشه و به صورت تطبیقی تست شود تا تغییرات رفتاری را جلب کند.»
کلارک Distributional را ایجاد کرد تا به نوعی این کار حسابرسی هوش مصنوعی را انتزاع دهد، با استفاده از تکنیک‌هایی که او و تیم SigOpt در حین کار با مشتریان سازمانی توسعه داده بودند. Distributional می‌تواند به طور خودکار آزمون‌های آماری برای مدل‌ها و برنامه‌های هوش مصنوعی ایجاد کند که با مشخصات توسعه‌دهنده‌ها سازگار باشد و نتایج این آزمون‌ها را در یک داشبورد سازماندهی کند.
از آن داشبورد، کاربران Distributional می‌توانند با هم بر روی «مخازن» آزمون کار کنند، آزمون‌های شکست خورده را بخش‌بندی کنند و در صورت لزوم آزمون‌ها را تنظیم مجدد کنند. کل محیط می‌تواند به صورت داخلی مستقر شود (گرچه Distributional همچنین یک طرح مدیریت‌شده ارائه می‌دهد) و با ابزارهای هشداردهی و پایگاه داده محبوب ادغام شود.
«ما بر روی سازمان ارزیابی می‌دهیم که چه، چه زمان و چگونه برنامه‌های هوش مصنوعی تست شدند و چگونه این موارد در طول زمان تغییر کرده‌اند،» کلارک گفت، «و ما یک فرآیند قابل تکرار برای آزمون هوش مصنوعی برای برنامه‌های مشابه ارائه می‌دهیم با استفاده از الگوهای اشتراکی، پیکربندی‌ها، فیلترها، و برچسب‌ها.»
هوش مصنوعی واقعاً موجودی نابسامان است. حتی آزمایشگاه‌های برتر هوش مصنوعی نیز مدیریت ریسک ضعیفی دارند. یک پلتفرم مانند Distributional’s می‌تواند بار آزمایشی را کاهش دهد و شاید حتی به شرکت‌ها کمک کند تا به نرخ بازده سرمایه برسند.
حداقل، این همان پیشنهاد کلارک است.
«چه بی‌ثباتی، یا نادرستی، یا ده‌ها چالش دیگر احتمالی، می‌تواند سخت باشد که ریسک هوش مصنوعی را شناسایی کرد،» او گفت. «اگر تیم‌ها موفق به داشتن آزمون درست هوش مصنوعی نشوند، ریسک می‌کنند که برنامه‌های هوش مصنوعی هرگز به تولید نرسند یا اگر به تولید برسند، ریسک این است که این برنامه‌ها به روش‌های غیرمنتظره و احتمالاً مضر عمل کنند بدون اینکه بتوان به این مشکلات پی برد.»
Distributional اولین بازاری نیست که تکنولوژی برای بررسی و تحلیل قابلیت اطمینان هوش مصنوعی ارائه می‌دهد. Kolena ، Prolific ، Giskard ، و Patronus در میان بسیاری از راهکارهای آزمایش هوش مصنوعی هستند. شرکت‌های بزرگ فناوری مانند Google Cloud, AWS, و Azure نیز ابزارهای ارزیابی مدل ارائه می‌کنند.
پس چرا یک مشتری ممکن است Distributional را انتخاب کند؟
خوب، کلارک اصرار دارد که Distributional — که بر لیک بازار تجاری کردن مجموعه محصولات خود است — تجربه‌ای بیش‌از حد لبه‌ای نسبت به بسیاری از رقبا ارائه می‌کند. Distributional نصب، پیاده‌سازی و یکپارچه‌سازی را برای مشتریان انجام می‌دهد و مشکل‌زدایی آزمون‌های هوش مصنوعی را ارائه می‌دهد (با هزینه‌ای).
«ابزارهای نظارتی اغلب بر متریک‌های سطح بالا و نمونه‌های خاصی از خروجی‌ها تمرکز می‌کنند، که یک حس محدود از سازگاری ارائه می‌دهد، اما بدون بینش در مورد رفتار گسترده‌تر برنامه. هدف آزمون Distributional این است که به تیم‌ها اجازه دهد به تعریف رفتار مطلوب برای هر برنامه هوش مصنوعی برسند، تأیید کنند که همچنان در تولید و از طریق توسعه طبق انتظار عمل می‌کند، تشخیص دهند که این رفتار چه زمانی تغییر می‌کند، و پیدا کنند که چه نیاز دارد برای رسیدن به حالت پایدار دوباره توسعه یابد یا برطرف شود.
پر از نقدینگی جدید از دور سری A خود، Distributional قصد دارد تیم فنی خود را گسترش دهد، با تمرکز بر روی رابط کاربری و مهندسی تحقیقاتی هوش مصنوعی. کلارک گفت که انتظار دارد نیروی کار شرکت تا پایان سال به ۳۵ نفر برسد، زیرا Distributional اولین موج استقرار‌های سازمانی خود را آغاز می‌کند.
«ما تأمین مالی قابل توجهی در طول تنها یک سال از زمانی که بنیانگذاری شدیم، تأمین کرده‌ایم و حتی با تیم در حال رشد‌مان، در موقعیتی قرار داریم که در طی چند سال آینده از این فرصت بزرگ بهره‌برداری کنیم،» کلارک افزود.
Andreessen Horowitz، Operator Collective، Oregon Venture Fund، Essence VC، و Alumni Ventures نیز در دور سری A Distributional شرکت کرده‌اند. تاکنون، این استارتاپ مستقر در سان فرانسیسکو 30 میلیون دلار سرمایه جمع‌آوری کرده است.
