Hrvatski startup želi jeftiniju umjetnu inteligenciju, dostupnu svima ^Istaknuto

Airt gradi platformu za izradu prediktivnih modela na strukturiranim podacima kakvi, primjerice, postoje u bankama ili kod pružatelja komunikacijskih usluga. Za obradu tih podataka interno su razvili vlastite tehnike dubokog učenja inspirirane metodologijama koje se koristi u obradi prirodnog jezika.

Tako je nastala potpuno automatizirana platforma za pripremu transakcijskih podataka te automatiziranu izgradnju modela za konkretne poslovne probleme. Testirali su ju u usporedbi s TabFormerom, IBM-ovim sustavom iste namjene. Kako tvrde, već je inicijalni test pokazao da airtov model nadmašuje IBM-ov (F1-score 0.90 vs. 0.86).

Fokus na smanjenju troškova i potrošnje energije

Međutim, točnost predikcije modela nije najbitnija stavka.

"Naš primarni fokus je smanjenju resursa koji su potrebni kako bi se jedan takav model automatski izgradio.

Najveći uspjesi tehnika dubokog učenja postignuti su u područjima obrade slike i teksta. Za izradu jednog samo jednog takvog vrhunskih modela potrebne su tisuće ili čak deseci tisuća dolara za električnu energiju potrošenu za njihovu izradu.
Za takve primjene to nije veliki problem jer je dovoljan jedan model za svaki jezik.

Međutim, kada govorimo o (mnogobrojnim) modelima koji se koriste u poslovanju, jasno je da je malo tvrtki koje bi si tako nešto mogle priuštiti. Naš cilj je postići gotovo identične rezultate kao i ovi skupi modeli, ali za puno manje novaca kako bi naše rješenje bilo dostupno svima, od najmanjeg web shopa do najvećih financijskih ustanova", kazao je suosnivač airta Davor Runje.

"Intenzivno se bavimo istraživanjem i razvijamo vlastite pristupe i tehnike. Upravo smo predali naš prvi patent koji prvo ide u European Patent Office, a zatim i u SAD", rekla je suosnivačica airta Hajdi Ćenan.

U airtu ujedno nastoje smanjiti količinu energije koju umjetna inteligencija koristi za rad. Računalni resursi potrebni za izradu najboljih modela eksponencijalno se povećavaju, udvostručujući se svaka tri do četiri mjeseca. U razdoblju od 2012. do 2018. godine povećali su se čak 300 tisuća puta.

"Radimo na tome da naš sustav, uz skaliranje na količinu i brzinu, za obrade tih velikih količina podataka troši i što je manje računalnih resursa i energije moguće", istaknula je Ćenan.