EXL felvásárolta az iMerit AI-fejlesztőt, hogy erősítse fizikai AI-képességeit

A 2012-ben alapított, San Jose-i iMerit vállalat robotika, autonóm mobilitás, egészségügyi AI és más high-tech iparágak számára végez adattannotációt. Saját bevallásuk szerint szakértőik és az Ango Hub platformjuk lehetővé teszi az ügyfelek számára, hogy komplex multimodális adatokon dolgozzanak, és nagy pontosságú, validált tréninganyagokat generáljanak nagy tételben használt modellekhez. Például az iMerit együttműködött a Carbon Robotics-szal, hogy segítsen feldolgozni több millió növényképet egy robotizált gyomirtó rendszer mezőgazdasági modelljének létrehozásához.

Radha Ramaswami Basu, az iMerit alapítója és vezérigazgatója az EXL ügyvezető alelnökeként és az iMerit vezetőjeként csatlakozott a vállalathoz. Basu és Rohit Kapoor, az EXL elnök-vezérigazgatója a The Robot Report kérdéseire válaszolva fejtette ki a felvásárlás hátterét.

Megbízhatóbb modellek, szakértői adatok

Basu szerint a modellek egyre képessé válnak, ami növeli a hallucinációk vagy a hatókörön túli működés kockázatát. A kutató- és ügyféllaborok is felismerik, hogy a végső fázisban a megbízhatóság kulcsfontosságúvá válik a kritikus vállalati folyamatokban. Egy modell jól teljesíthet egy teljesítményteszten, de mégis problémái lehetnek az edge case-ekkel, ismeretlen körülményekkel vagy egy egészségügyi vagy pénzügyi munkafolyamat speciális kontextusával.

A szűk keresztmetszet a szakértői, doménspecifikus adatokhoz való hozzáférés és a megbízható üzleti bevezetés. Ezt olyan szakértők oldják meg, akik kihívhatják a modellt, feltárhatják a hibamódokat, és értékelhetik, hogy annak érvelése és viselkedése megbízható-e egy adott üzleti környezetben.

End-to-end AI platform

Kapoor szerint a felvásárlás összekapcsolja az AI életciklusának olyan részeit, amelyeket gyakran külön kezeltek, így end-to-end AI platformot hoz létre a vállalatok számára. Az iMerit szakértő által vezetett modellképzést, multimodális értékelést, az Ango Hub platformot és egy globális szakértői hálózatot hoz magával. Az EXL pedig vállalati adatokat, mély iparági kontextust és tapasztalatot kínál a technológia üzleti műveletekbe való integrálásában.

Együtt ez a képesség egy folyamatosabb utat teremt a saját adatok előkészítésétől a modell finomhangolásán át az értékeléséig és az üzleti munkafolyamatokba való bevezetéséig, segítve az ügyfeleket a kísérleti fázisból a gyártási szintű AI-be való átállásban. A cél, hogy segítsék a szervezeteket áthidalni a szakadékot az innováció és a valós termelés között, a potenciált mérhető, megbízható üzleti eredményekké alakítva.

Kapoor kiemelte, hogy a fizikai AI-nak még bizonyítania kell üzleti értékét. A vállalati AI egy igényesebb szakaszba lép, ahol a rendszerek megbízható teljesítményének biztosítása specifikus üzleti kontextusokban kritikus. Az AI gazdaságossága is arra fogja kényszeríteni a vállalatokat, hogy egyre inkább speciális, célra épített, saját adatokon képzett modelleket használjanak, amelyeket folyamatosan fejlesztenek.

Ezért a kiváló minőségű adatok, az értékelés és a megerősítéses tanulás alapvető képessékké válnak. A piaci érték az AI modellek építéséről az AI használhatóvá, megbízhatóvá, költséghatékonyá és eredményorientálttá tételére tevődik át.

Biztonság és megfelelőség

Basu szerint a robotika és az edge AI rendszerek esetében a siker kevésbé a modell méretétől, mint inkább az adatminőségtől függ. A fizikai AI-nak zajos multimodális bemeneteket kell értelmeznie, valós időben kell érvelnie, és kiszámíthatatlan környezetben kell biztonságosan cselekednie. A szakértők kulcsszerepet játszanak a kiváló minőségű adatok létrehozásában, valósághű forgatókönyvek felépítésében, ritka edge case-ek azonosításában, és annak értékelésében, hogy egy jármű vagy robot megfelelően reagált-e.

A biztonság és a megfelelőség nem kezelhető utólagos ellenőrzésként, hanem be kell építeni az adatgyűjtésbe, a képzésbe, az értékelésbe és a felügyeletbe. Az EXL a nyomon követhetőség elemzésével erősíti ezt a folyamatot, lehetővé téve a szervezetek számára, hogy megértsék, mely adatok és modellezési viselkedések vezettek egy adott döntéshez.

Kapoor szerint a vállalati AI versenyelőnye nem egyetlen rétegből fog származni, hanem a megfelelő rétegek – saját adatok, iparági kontextus, modellértékelés, AI-mérnöki munka és kormányzás – összehozásából. Az alapmodellek továbbra is fejlődni fognak, de a vállalatoknál a kérdés nem az, hogy melyik modell a legerősebb, hanem az, hogy melyik AI rendszer nyújtja a legmegbízhatóbb eredményt egy specifikus munkafolyamatban, valós szabályozási és működési korlátok mellett.

Az elkövetkező három-öt évben a saját vállalati adatok válnak az egyik legértékesebb versenyképességi eszközzé. A cégek egyre inkább speciális modelleket szeretnének majd a saját adataikon, nem csak külső modell-szolgáltatókhoz való hozzáférést. Ezért a kiváló minőségű adatok, az értékelés és a folyamatos megerősítéses tanulás alapvető képessékké válnak. Az EXL az 1999-ben alapított, New York-i székhelyű vállalat, amely mintegy 68 000 alkalmazottal rendelkezik világszerte.