En una ronda de financiación inicial, DatologyAI acaba de recaudar 46 millones de dólares para mejorar la eficacia del entrenamiento de modelos de IA. Menos de tres meses después de recaudar 11,65 millones de dólares en financiación inicial, la empresa de recopilación de datos de inteligencia artificial ha hecho pública su financiación de serie A. La inversión fue liderada por Viv Faga y Astasia Myers, de Felicis Ventures, y contó con nuevos inversores como Elad Gil, M12 y Amazon Alexa Fund, además de patrocinadores como Radical Ventures y Amplify Partners. DatologyAI ha recaudado un total de unos 57,7 millones de dólares en inversiones hasta la fecha. Para resolver un obstáculo importante en el desarrollo de la IA generativa, la empresa quiere democratizar la investigación de datos. Este problema es la generación de grandes conjuntos de datos pertinentes para entrenar modelos avanzados de IA como [Gemini Pro] de Google LLC(https://deepmind.google/technologies/gemini/pro/) y [GPT-4] de OpenAI(https://openai.com/index/gpt-4-research/). A través de la identificación y optimización de los datos más valiosos dentro de los conjuntos de datos, las soluciones de DatologyAI simplifican este proceso y aumentan la eficacia del entrenamiento del modelo.La estrategia empleada por DatologyAI se centra en evitar que la IA sea entrenada en contenidos tóxicos o sesgados, que podrían resultar de patrones sutiles y prejuiciosos en los datos. La empresa hace especial hincapié en el valor de unos conjuntos de datos de entrenamiento excelentes y bien elegidos para mejorar el rendimiento de los modelos de IA sin necesidad de grandes y costosos modelos de IA. Esta eficacia puede reducir drásticamente los costes de computación, que tanto preocupan a las empresas de IA.La tecnología de DatologyAI ayuda a identificar elementos de datos potencialmente peligrosos y etiqueta los datos no etiquetados, además de maximizar el consumo de datos. Con la financiación adicional, DatologyAI pretende aumentar considerablemente su plantilla, especialmente en las áreas de ingeniería e investigación, y mejorar su capacidad computacional para impulsar el potencial de la curación de datos.