خبر
شرکت Ceramic.ai، متعلق به آنا پترسون، در تلاش است تا به سازمان‌ها کمک کند مدل‌های هوش مصنوعی را سریع‌تر و کارآمدتر بسازند
زمان مطالعه: 2 دقیقه
شرکت Ceramic.ai، متعلق به آنا پترسون، در تلاش است تا به سازمان‌ها کمک کند مدل‌های هوش مصنوعی را سریع‌تر و کارآمدتر بسازند
شرکت Ceramic.ai، متعلق به آنا پترسون، در تلاش است تا به سازمان‌ها کمک کند مدل‌های هوش مصنوعی را سریع‌تر و کارآمدتر بسازند
خبر
شرکت Ceramic.ai، متعلق به آنا پترسون، در تلاش است تا به سازمان‌ها کمک کند مدل‌های هوش مصنوعی را سریع‌تر و کارآمدتر بسازند
زمان مطالعه: 2 دقیقه

آنا پترسون سابقه‌ای درخشان در سیلیکون ولی داشته است. او سه استارتاپ تأسیس کرده است، از جمله موتورهای جستجوی نوپای Xift و Cuil و همچنین recall.archive.org که بعدها به آرشیو اینترنت تبدیل شد. او معاون مهندسی در گوگل بود و پس از آن Gradient Ventures را راه‌اندازی کرد، یک صندوق سرمایه‌گذاری اولیه متمرکز بر هوش مصنوعی. و هنوز هم دست از ساختن نکشیده است.

پترسون در گفت‌وگو با تک‌کرانچ اظهار داشت که چند سال پیش احساس نیاز به شروع پروژه‌ای جدید در او شکل گرفت، اما مطمئن نبود که توان راه‌اندازی استارتاپ دیگری را دارد. اما پس از تشخیص سرطان سینه در سال ۲۰۲۳ و دوری بسیار از کار در آن سال، متوجه شد که می‌تواند یا به زندگی قبلی خود بازگردد یا چیزی جدید را آغاز کند.

مشخص است که او گزینه دوم را انتخاب کرد: استارتاپ جدیدش، Ceramic.ai، اعلام کرده که زیرساخت آموزشی پایه‌ای هوش مصنوعی را ارائه می‌دهد که سازمان‌ها می‌توانند از آن برای آموزش مدل‌های زبانی بزرگ سریع‌تر و با استفاده از GPUهای کمتری نسبت به «بهترین فناوری‌های کنونی» استفاده کنند. Ceramic ادعا می‌کند که مدلش می‌تواند از زمینه‌های طولانی بهره ببرد و با هر نوع خوشه‌ای کار کند، و هدفش این است که مقیاس‌پذیری مدل‌ها را تا ۱۰۰ برابر افزایش دهد.

پترسون گفت که ایده این شرکت زمانی به ذهنش رسید که متوجه شد زیرساخت‌های موجود برای ساخت مدل‌های زبانی بزرگ (LLM) متغیرهای زیادی دارند و برای پذیرش گسترده در سطح سازمانی بیش از حد پیچیده‌اند.

او گفت: «هرگاه بخواهید زیرساختی را ۱۰ برابر گسترش دهید، معمولاً مشکلی پیش نمی‌آید. اما وقتی قصد دارید آن را ۱۰۰ برابر یا بیشتر توسعه دهید، اغلب باید یک قدم به عقب بردارید و دوباره فکر کنید. بنابراین، با خودم گفتم، اگر این زیرساختی است که قرار است برای ۱۰ سال آینده استفاده شود، آیا این روشی است که من انتخاب می‌کردم؟»

این فرآیند فکری در ژانویه ۲۰۲۴ به تأسیس Ceramic AI منجر شد که پترسون آن را همراه با تام کاستلو، دانشمند ارشد شرکت، راه‌اندازی کرد. این استارتاپ از آن زمان در حالت مخفیانه فعالیت کرده و تاکنون شرکایی مانند AWS و Lambda را به دست آورده است، هرچند هنوز درآمدی کسب نکرده است. پترسون می‌گوید که ابتدا می‌خواست اعتبار، آگاهی و اعتماد مشتریان بالقوه را جلب کند و سپس به فروش تمرکز کند.

این شرکت اخیراً یک دور سرمایه‌گذاری اولیه ۱۲ میلیون دلاری را جمع‌آوری کرد که توسط NEA رهبری شد و شرکت‌هایی مانند IBM، Samsung Next و Earthshot Ventures نیز در آن مشارکت داشتند. پترسون گفت که NEA به دلیل توانمندی فنی‌اش انتخابی طبیعی برای رهبری این دور بود. این بودجه عمدتاً صرف فروش و توسعه مداوم خواهد شد.

اما پس از سه استارتاپ، سال‌ها نقش‌های ارشد و تجربه به‌عنوان سرمایه‌گذار، این بار چه تفاوتی وجود دارد؟ پترسون می‌گوید رویکردش به ساخت استارتاپ‌ها پس از تجربه‌اش به‌عنوان سرمایه‌گذار خطرپذیر تغییر کرده است. او اکنون نسبت به زمانی که شرکت‌های اولیه‌اش را راه‌اندازی کرد، فشار زمانی بیشتری احساس می‌کند.

او گفت: «وقتی جوان‌تر بودم و شرکت می‌ساختم، این حس را داشتم – شاید کمی غم‌انگیز باشد – اما زمانی آرامش‌بخش برای مدیریت یک شرکت صرفاً مهندسی بدون تمرکز بر فروش احساس می‌کردم. اما حالا، پس از چند سال فعالیت به‌عنوان سرمایه‌گذار خطرپذیر، قطعاً فشار زمانی بیشتری حس می‌کنم.»

با این حال، او معتقد است که این خوب است و می‌گوید بهتر است محصولتان را زودتر به دست مشتریان برسانید، بازخورد بگیرید و آن را بهبود دهید.

این موضوع احتمالاً برای Ceramic مهم است، زیرا تنها شرکتی نیست که به دنبال کمک به سازمان‌ها برای مقیاس‌پذیری مدل‌های پایه‌ای خود است.

یکی از بزرگ‌ترین رقبایش Together AI است که به شرکت‌ها کمک می‌کند تا کار ساخت مدل‌های خود را «شتاب دهند» و بیش از ۵۳۰ میلیون دلار سرمایه خطرپذیر جمع‌آوری کرده است. MosaicML نیز بر تسریع ساخت LLM تمرکز داشت و پیش از خریداری شدن توسط Databricks در سال ۲۰۲۳ به مبلغ ۱.۳ میلیارد دلار، ۳۷ میلیون دلار جمع‌آوری کرده بود.

در حال حاضر، Ceramic اگر بخواهد جایگاهی در این بازار پرسرعت برای خود پیدا کند، کار دشواری پیش رو دارد.

اشتراک گذاری:

آخرین مقالات پیشنهادی

دیدگاه‌ها

اشتراک در
اطلاع از
guest
0 Comments
قدیمی‌ترین
تازه‌ترین بیشترین رأی
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
دیتانید تو مراحل مختلف تحلیل داده می‌تونه به شما کمک کنه:
  1. امکان‌سنجی خواسته‌ها و تطبیق نیازمندی‌ها
  2. استخراج و تمیز کردن دادگان
  3. طراحی مدل‌های مناسب
  4. آموزش مدل براساس داده‌های به‌دست آمده
  5. استقرار مدل

آخرین اخبار

اخبار مشابه

روش جدید قابلیت اطمینان گزارش‌های تشخیصی رادیولوژیست‌ها را ارزیابی و بهبود می‌بخشد
به دلیل ابهام ذاتی در تصاویر پزشکی مانند اشعه ایکس، رادیولوژیست‌ها اغلب هنگام توصیف وجود یک آسیب‌شناسی خاص، مانند ذات‌الریه، از کلماتی مانند "ممکن ..
فناوری Web3 به ایجاد اطمینان و اعتماد در هوش مصنوعی کمک می‌کند
وعده هوش مصنوعی این است که زندگی همه ما را آسان‌تر خواهد کرد. و با این سهولت بزرگ، پتانسیل سود جدی نیز به همراه می‌آید. سازمان ملل متحد تخمین ...
نینا شیک(نویسنده): تأثیر هوش مصنوعی مولد بر تجارت، سیاست و جامعه
نینا شیک، سخنران و کارشناس برجسته در زمینه هوش مصنوعی مولد است که به دلیل کار پیشگامانه‌اش در تقاطع فناوری، جامعه و ژئوپلیتیک مشهور است...