Das globale Datenkennzeichnungsunternehmen SnorkelAI führt fortschrittliche KI-Funktionen für Rechenzentren ein

Kürzlich hat SnorkelAI eine Reihe neuer Funktionen auf seiner KI-Datenentwicklungsplattform Snorkel Flow eingeführt, die Unternehmen dabei helfen sollen, die Spezialisierung von KI- und maschinellen Lernmodellen zu beschleunigen. Diese neuen Funktionen können den Zeitaufwand, die Kosten und die Komplexität der Datenaufbereitung im prädiktiven und generativen KI-Entwicklungslebenszyklus erheblich reduzieren.

Hinweis zur Bildquelle: Das Bild wird von KI generiert und vom Dienstanbieter Midjourney autorisiert

In heutigen Unternehmen ist es von entscheidender Bedeutung, über „AI-ready data“ (für KI geeignete Daten) zu verfügen. Laut Gartner bedeuten KI-fähige Daten nicht nur, dass Ihre Daten einen bestimmten Anwendungsfall darstellen müssen, sondern dass sie auch alle Muster, Fehler, Anomalien und unerwarteten Situationen abdecken müssen, um ein KI-Modell effektiv zu trainieren oder auszuführen. Darüber hinaus erfolgt die Datenaufbereitung nicht über Nacht, sondern muss kontinuierlich durchgeführt werden.

Die neue Version von Snorkel Flow bietet Unternehmen eine leistungsstarke Plattform zur Implementierung und Skalierung von KI-Datenentwicklungspraktiken, um die Produktionsbereitstellung hochpräziser, spezialisierter KI-Modelle zu beschleunigen.

Zu den neuen Funktionen gehören insbesondere LLM-Bewertungstools, mit denen Benutzer individuelle Bewertungen für bestimmte Branchenanwendungsfälle durchführen, Einblicke in Modellfehlertypen gewinnen und schnell in die Datenentwicklung eingreifen können, um diese zu beheben. Darüber hinaus gibt es einen RAG-Tuning-Workflow, der die Abrufgenauigkeit durch erweiterte Dokumentblockverarbeitung, Feinabstimmung von Einbettungsmodellen und Dokumentmetadatenextraktion verbessert. Diese Funktionen können die erforderliche Entwicklungszeit erheblich verkürzen, um die Qualität der Antworten von KI-Assistenten zu verbessern.

Mit der neuen Funktion „Named Entity Recognition“ (NER) für PDF-Dateien können Benutzer Informationen einfacher und schneller extrahieren, indem sie einfach auf Text klicken, Begrenzungsrahmen zeichnen, Muster angeben und das zugrunde liegende Modell aufrufen. Diese Flexibilität erleichtert die Informationserfassung und verbessert dadurch die Genauigkeit des NER-Modells.

Darüber hinaus vereinfacht Snorkel Flow den Anmerkungs- und Feedbackprozess, sodass Experten Daten effizienter mit Anmerkungen versehen können. Darüber hinaus kann das neu hinzugefügte Sequenzmarker-Analysetool Benutzern dabei helfen, Fehler in Modellvorhersagen intuitiver zu erkennen und gleichzeitig eine detailliertere Leistungsanalyse bereitzustellen.

Im Hinblick auf die Benutzererfahrung hat Snorkel Flow eine Reihe von Optimierungen vorgenommen, um die Zusammenarbeit zwischen Datenwissenschaftlern und Experten reibungsloser zu gestalten. Es unterstützt die nahtlose Integration mit wichtigen KI-Entwicklungsplattformen, einschließlich Databricks und Amazon SageMaker, für eine schnellere Feinabstimmung und Bereitstellung spezialisierter Modelle.

Alex Ratner, CEO von Snorkel AI, sagte: „KI ist zu einer Priorität für jeden Unternehmensleiter geworden, aber die kontinuierliche und konsistente KI-Entwicklung ist immer noch sehr mühsam, kostspielig und arbeitsintensiv. Daher sind Aktualisierungen dieser Plattformen wichtig, um Unternehmen bei der Beschleunigung zu unterstützen.“ und die Optimierung der Bereitstellung von KI-Lösungen ist von entscheidender Bedeutung.“

Höhepunkte:

Neue Funktionen: Snorkel Flow führt ein LLM-Bewertungstool und einen RAG-Tuning-Workflow ein, um die Effizienz der Datenvorbereitung zu verbessern.

Bequeme Extraktion: Die neue Erkennung benannter Entitäten macht das Extrahieren von Informationen aus PDFs einfacher und schneller.

? Optimiertes Erlebnis: Das Benutzererlebnis wird verbessert, um eine effiziente Zusammenarbeit zwischen Datenwissenschaftlern und Experten zu fördern.