Descifrando Scale AI: ¿La sabiduría del "trabajador" detrás de la inteligencia artificial? Información: El secreto detrás de la valoración del unicornio de 7.300 millones de dólares en 8 años

Tabla de contenido

Prefacio

OpenAI lanzó una revolución de IA generativa a través de ChatGPT, Waymo utilizó la tecnología de conducción autónoma para extenderse por las calles de América del Norte y NVIDIA una vez se convirtió en la segunda empresa más grande en capitalización de mercado debido a su tecnología de procesamiento de imágenes GPU...
Además de utilizar una gran cantidad de IA, estas empresas tienen una cosa en común: todas cooperan con la startup Scale AI para entrenar IA.

De hecho, no importa en qué industria se encuentre, detrás de cada empresa de IA exitosa, hay un grupo de personas que completan la aburrida pero indispensable tarea de capacitación para ellos: el etiquetado de datos.

Scale AI, un nuevo unicornio americano, es uno de los líderes.

A la edad de 19 años, abandonó la escuela para establecer Scale AI. Alexandr dijo que Scale AI proporciona servicios de etiquetado de datos, que es como vender palas en esta fiebre del oro de la IA generativa (¿te suena familiar esta descripción?).

Si bien muchas nuevas empresas de IA aún no han ganado un centavo, los ingresos de Scale AI el año pasado alcanzaron los 250 millones de dólares y su valoración alcanzó los 7.300 millones de dólares. Sus clientes van desde OpenAI y Tesla hasta el campo de la Fuerza Aérea, el Ejército, la CIA, etc.

¿Qué son exactamente las etiquetas de datos? ¿Por qué puede ser tan rentable? ¿Cómo encontró Scale AI su nicho de mercado en el altamente competitivo campo de la IA y se convirtió con éxito en un unicornio?

¡Hoy voy a compartir contigo la historia de Scale AI!

3 conclusiones si solo tienes 1 minuto

En la era de la IA, el impulso de crecimiento generado por los datos:

Además de buenos modelos y potencia informática, la inteligencia artificial en constante mejora requiere datos y precisión de los datos, algo que a menudo se pasa por alto pero que es extremadamente importante. Scale AI está ayudando a otras empresas a etiquetar y procesar grandes cantidades de datos, de modo que los datos introducidos en los modelos de IA sean de mayor calidad.

Escalar los productos y mercados de la IA:

Los productos de Scale AI brindan servicios para tres niveles de IA, a saber:jerarquía de datos, proporcionando datos de entrenamiento requeridos por el modelo de IA;jerarquía del modelo, utilizar datos para entrenar y optimizar modelos de IA;nivel de aplicación, aplique el modelo de IA entrenado a escenarios comerciales específicos para resolver problemas prácticos. Al mismo tiempo, los clientes también van desde gigantes tecnológicos como OpenAI, NVIDIA, Waymo hasta el gobierno de EE. UU.

Desafíos y riesgos de Scale AI:

Aunque Scale AI ha captado firmemente la tendencia del etiquetado de datos, depende en gran medida de mano de obra con salarios bajos para el etiquetado de datos, lo que provoca disputas laborales, que todavía es un problema que debe resolverse. Al mismo tiempo, a medida que más empresas de tecnología construyan sus propios entornos de etiquetado de datos y avances en inteligencia artificial, la necesidad de etiquetado manual puede reducirse en el futuro, todo lo cual representa una amenaza para el desarrollo de Scale AI.

Antecedentes fundacionales

El origen de Scale AI se puede contar a partir de la historia de "¿Quién robó el yogur?"

Atrapa al ladrón de yogures

En 2016, el fundador Alexandr Wang sospechaba que uno de sus compañeros de cuarto en el MIT le había robado su yogur, pero no quería acusar a un inocente, por lo que quería construir una "cámara inteligente para el refrigerador" para atrapar al ladrón.

Se refirió a las enseñanzas de Google TensorFlow (una plataforma de aprendizaje automático de código abierto) para aprender a fabricar una cámara de este tipo.

Al principio, copió casi directamente todo el código para entrenar el reconocimiento de imágenes en Google TensorFlow, pero se enfrentó al mayor problema:
Es cierto que la capacidad de aprendizaje de la computadora es muy fuerte, pero aún se necesita una gran cantidad de fotografías de alimentos etiquetados para entrenar a la computadora a reconocer.

Sin estas fotos, no importa cuán inteligente sea la computadora, todavía no sabe cómo es la comida y no puede ayudar a Alexandr a descubrir quién le robó el yogur.

En ese momento, sólo podía etiquetar manualmente decenas de miles de fotografías que contenían comida:
Utilice la herramienta de marcado para enmarcar la comida en cada foto y agregue etiquetas, como "manzana" y "yogur". Repita este proceso hasta que todas las fotos estén etiquetadas.

Después de etiquetar minuciosamente decenas de miles de imágenes, Alexandr finalmente entrenó un modelo de reconocimiento preciso.

Durante un proceso tan laborioso, Alexandr se dio cuenta de repente: para hacer que el modelo de IA sea inteligente, no solo se requiere un buen código de programación, sino también una gran cantidad de datos etiquetados de alta calidad.

Después de atrapar al ladrón de yogures: información marcada fuera del frigorífico en el gran mercado

Después de la historia del ladrón de yogur, la experiencia práctica convenció aún más a Alexandr Wang y a la cofundadora Lucy Kuo de las oportunidades de mercado del etiquetado de datos.

El equipo fundador, Alexandr Wang y Lucy Kuo, son dos genios de la informática que empezaron a trabajar en Quora y Snapchat respectivamente cuando tenían 20 años. Observaron que estas dos plataformas sociales necesitan revisar y etiquetar una gran cantidad de imágenes y publicaciones todos los días. El proceso de etiquetado es muy repetitivo y engorroso y, en la etapa posterior, deben confiar en equipos subcontratados para completarlo manualmente.

Luego descubrieron que la aburrida pero extremadamente importante tarea de "etiquetar datos" tiene el potencial de automatizarse, modularizarse e incluso convertirse en un producto básico.

Este momento Ah-hah los llevó a fundar Scale AI en 2016, que se especializa en ayudar a otras empresas con el etiquetado de datos, lo que permite a los clientes de Scale AI completar la tarea de etiquetado con solo una línea de código.

¿Qué puntos débiles resuelve Scale AI?

Antes de compartir cómo Scale AI acelera el etiquetado de datos, presentemos brevemente qué es el etiquetado de datos.

Etiqueta de archivo: Trabajo poco interesante pero de vital importancia en el viaje de la IA

Explique el etiquetado de datos en una oración: etiquete los datos para facilitar que el modelo de aprendizaje automático comprenda los datos.

Volvamos a la metáfora del principio:
Para capacitar a un estudiante que pueda tomar exámenes, no sólo la mente del estudiante debe ser lo suficientemente inteligente, sino que también se necesitan libros de texto y libros de preguntas con el contenido correcto.
Con los materiales didácticos adecuados y un buen cerebro, los estudiantes pueden aprender rápidamente y responder correctamente a todas las preguntas del examen.

Lo mismo ocurre con el entrenamiento de la IA. Además del potente código del propio modelo de aprendizaje automático, también es necesario entrenarlo con datos etiquetados con precisión.
Con un buen modelo de aprendizaje y datos etiquetados con precisión, la IA puede aprender correctamente la información ingresada y funcionar mejor en aplicaciones prácticas.

¿Qué tipo de empresa necesita etiquetado de datos?

El etiquetado de perfiles puede parecer desconocido, pero en realidad está en todas partes y lo utilizan todos los días todas las empresas que pueda imaginar.

En pocas palabras, cualquier empresa que dependa de datos para mejorar sus productos o servicios puede necesitar etiquetado de datos.
Aquí compartimos brevemente 3 escenarios comunes de aplicación de etiquetado de datos:

Empresas de tecnología como Google, Apple y Amazon:
Utilice el etiquetado de perfil para optimizar el reconocimiento de imágenes en Google Photos, la precisión del reconocimiento de voz en Apple Siri y las recomendaciones personalizadas de productos en Amazon.
Empresas médicas como Zebra Medical Vision, GE Healthcare:
Utilice imágenes médicas etiquetadas para entrenar modelos de IA para ayudar a los médicos a diagnosticar radiografías o imágenes de resonancia magnética de forma más rápida y precisa, y determinar posibles enfermedades.
Empresas financieras como JPMorgan Chase, Lemonade, Stripe:

Utilice marcadores de datos para detectar posibles actividades delictivas en transacciones con tarjetas de crédito, evaluar el riesgo de solicitudes de seguros, optimizar la seguridad de los sistemas de pago electrónico y más.

¿Por qué subcontratar a una empresa de marcado?

¡Se puede entender dando un ejemplo práctico de etiquetado de datos!
Si GE Healthcare hoy Para entrenar un modelo que pueda reconocer imágenes médicas, se requieren los siguientes pasos:

Recopilar datos: GE Healthcare recopila una gran cantidad de datos de imágenes médicas, como radiografías y resonancias magnéticas.
etiqueta de datos: Los médicos profesionales marcan estas imágenes como "negativas" o "positivas" para determinar qué imágenes muestran enfermedades.
Modelo de entrenamiento: Utilice una gran cantidad de datos etiquetados para entrenar el modelo de IA para que pueda aprender a identificar imágenes médicas negativas y positivas.
modelo de aplicación: Los modelos se utilizan en el diagnóstico médico para ayudar a los médicos a identificar enfermedades más rápidamente.

Scale AI participa principalmente en la etapa de "etiquetado", lo que ayuda a GE Healthcare a etiquetar grandes cantidades de datos de forma rápida y precisa.
Después de todo, no es económico pedir a los médicos que sacrifiquen su tiempo de consulta para etiquetar decenas de miles de fotografías como negativas o positivas.

Con la ayuda de Scale AI, GE Healthcare puede utilizar datos etiquetados para entrenar el modelo para que pueda identificar correctamente nuevas imágenes en el futuro.

Cuando veas esto quizás quieras preguntar:

Parece que Scale AI es solo una gran empresa de subcontratación humana y debe haber muchos competidores. Entonces, ¿dónde gana Scale AI? ¿Por qué puede tener ingresos anuales de 250 millones de dólares y cooperar con tantas grandes empresas e incluso con el gobierno de Estados Unidos?

Ampliar las competencias centrales de la IA

Scale AI necesita subcontratar mano de obra, pero después de que Scale AI subcontrate las tareas de etiquetado de datos a regiones con costos laborales más bajos, como África y el sudeste asiático, utilizará varios software desarrollados internamente para optimizar la mano de obra y acelerar el proceso de etiquetado. cadena industrial para proporcionar una solución total.

Ampliar la tecnología central de la IA

La capacidad de Scale AI para afianzarse en el campo altamente competitivo de la IA se puede atribuir a su eficaz modelo de colaboración entre humanos y máquinas.
Aquí hay 4 puntos clave:

Combinación de plataforma de automatización y trabajo manual.:
Se utilizan tecnologías de aprendizaje automático e inteligencia artificial para ayudar en el proceso de etiquetado de datos, asignando y gestionando eficazmente el trabajo de etiquetado de datos y reduciendo la dependencia de la mano de obra.
La filial Remotasks gestiona una fuerza laboral diversa:
A través del crowdsourcing, los etiquetadores de todo el mundo pueden participar en el trabajo de etiquetado de datos, completando una gran cantidad de tareas de etiquetado en un corto período de tiempo y respondiendo de manera flexible a las necesidades de etiquetado de diferentes idiomas y culturas.
Marcar el sistema de gestión de calidad:
Scale AI tiene un estricto sistema de control de calidad de marcado para garantizar la calidad y precisión del marcado humano. Los ejemplos incluyen etiquetado múltiple (múltiples etiquetadores que etiquetan los mismos datos) y verificación de algoritmos (comprobación automática de los resultados del etiquetado) para garantizar que cada dato se verifique cuidadosamente.
Las herramientas de marcado continuamente iterativas facilitan la colaboración entre humanos y máquinas:
A través de la innovación tecnológica y la mejora continua de las herramientas de etiquetado, Scale AI mantiene su posición de liderazgo en tecnología de etiquetado de datos para satisfacer las necesidades cambiantes del mercado.

A través de estos métodos, Scale AI puede manejar de manera eficiente una gran cantidad de necesidades de etiquetado de datos y brindar servicios de etiquetado de datos de alta calidad a clientes como OpenAI, NVIDIA, Waymo y otras empresas reconocidas.
Esta combinación de tecnología de automatización y recursos humanos globales ha permitido a Scale AI encontrar su propio nicho en el altamente competitivo campo de la IA y convertirse rápidamente en una empresa unicornio.

Sin embargo, la valoración de Scale AI sigue aumentando. Además de proporcionar servicios de etiquetado de datos, ¿también ha pasado por muchas iteraciones en la línea de productos de la empresa?
En este momento, debemos mencionar la historia de tres pivotes de productos, aunque tiene solo una corta historia de 8 años.

Crear línea de tiempo

Fase Uno: Motor de Procesamiento de Datos (2016-2019)

En sus inicios, Scale AI se centró en crear API de procesamiento de datos simples y rápidamente se convirtió en el proveedor de datos preferido para empresas de vehículos autónomos como Lyft, Uber y Waymo.
Por ejemplo, las empresas de vehículos autónomos pueden cargar fácilmente sus datos de imágenes de carreteras a través de la API de Scale AI y utilizar las herramientas de Scale AI para etiquetar rápidamente los datos y luego utilizarlos para entrenar sus modelos de conducción autónoma.

Después de que Scale AI estableció un punto de apoyo firme en el campo de la conducción autónoma, comenzó a ampliar el alcance de su servicio y atacar diversas aplicaciones como el procesamiento del lenguaje natural, el comercio electrónico y AR/VR.

Fase 2: Motor de Inteligencia Artificial (2020-2022)

Después de establecer su posición en el mercado como proveedor de material de capacitación, Scale AI centró su atención en el campo de la IA y amplió su alcance a todo el ciclo de vida del desarrollo de la inteligencia artificial de los clientes.

Scale AI comienza a implementar modelos totalmente administrados como servicio, trabajando con los clientes para garantizar que tengan lo que necesitan para ofrecer modelos de alto rendimiento, como modelos de lenguaje grande, modelos autónomos, modelos de IA generativa y más infraestructura.
Esta expansión del mercado permite que el desarrollo de Scale AI no solo proporcione datos etiquetados, sino también gestione modelos, ampliando las oportunidades de mercado.

Fase 3: IA generativa y motor de aplicaciones (2022-presente)

Scale AI ha trabajado estrechamente con OpenAI desde las primeras etapas del desarrollo de Chat GPT, lo que les permitió aprovechar la oportunidad de la ola generativa de IA desde la perspectiva del desarrollador.
Posteriormente, Scale AI lanzó nuevos productos diseñados para la IA generativa:
Los ejemplos incluyen Spellbook, una herramienta para ajustar indicaciones, y la aplicación Donovan, que ayuda a los profesionales de defensa e inteligencia a tomar decisiones.

Después de leer esto, si crees que este artículo es bueno,
Bienvenido a suscribirse a mi boletín [Charla técnica de Roxanne]
¡Compartiré más historias interesantes de ciencia y tecnología al respecto! 🥳
Únase a 500 personas y aprendan juntos la última tecnología y conocimientos Suscríbete a la charla técnica de Roxanne

Escalar productos de IA

Los productos de Scale se pueden segmentar por nivel de IA (aplicación/modelo/datos) y tipo (servicio/software).

Pequeña aula de literatura vernácula:

¿Qué representan los niveles de IA (aplicación/modelo/datos)?

jerarquía de datos: Proporciona los datos de entrenamiento requeridos por el modelo de IA.
jerarquía del modelo: Utilice datos para entrenar y optimizar modelos de IA.
nivel de aplicación: Aplicar el modelo de IA entrenado a escenarios comerciales específicos para resolver problemas prácticos.

nivel de IA	tipo	Nombre del producto	Descripción del Producto	Historias de éxito
datos objetivo (Datos)	Atender	Rápido	La plataforma de autoservicio de anotación de materiales ayuda a los usuarios a cargar y marcar materiales rápidamente.	Abierto AI Se utiliza para etiquetar datos de entrenamiento.
	Atender	Pro	Habilite el etiquetado a través de API y trabaje con administradores profesionales para manejar volúmenes de datos grandes y complejos.	Waymo Para etiquetado de datos de conducción autónoma
	software	Estudio	Una plataforma de etiquetado integral que mejora la eficiencia de los equipos internos de etiquetado y proporciona herramientas de gestión, seguimiento y seguimiento.	tesla para etiquetado de datos internos
	software	Núcleo	Las herramientas de gestión de datos de aprendizaje automático ayudan a visualizar datos, mejorar el rendimiento del modelo y realizar aprendizaje activo e identificación de casos extremos.	Nvidia Para la gestión de datos de entrenamiento de modelos
Para modelo (Modelo)	Atender	Productos de modelo personalizados	Ayude a crear, administrar e implementar modelos de lenguaje grandes, enfocándose en ajustar los modelos para mejorar el rendimiento para propósitos específicos.	Google Se utiliza para ajustar el modelo de lenguaje.
	software	Libro de hechizos	Ayude a los equipos a implementar rápidamente aplicaciones de modelos de lenguaje a gran escala, crear y comparar indicaciones y realizar evaluaciones.	Abierto AI para una pronta creación y comparación
	software	Plataforma de IA generativa	Una solución completa que permite a las empresas personalizar, crear, probar e implementar aplicaciones de inteligencia artificial generativa.	antrópico Para el desarrollo de aplicaciones de IA generativa
Para aplicaciones (Solicitud)	software	Fragua	Ayuda a los especialistas en marketing y a las marcas a crear imágenes de productos generadas por IA para usar en publicidad y redes sociales.	Coca-cola Utilizado para la generación de imágenes publicitarias.
Para aplicaciones (Solicitud)	software	donovan	Apoye la toma de decisiones de la comunidad de defensa e inteligencia analizando datos, identificando rápidamente tendencias y anomalías y proporcionando capacidades de resumen y traducción.	Departamento de Defensa de EE. UU. para análisis de inteligencia

Scale comenzó como una empresa especializada en etiquetado de datos y ahora ofrece servicios y software que cubren todo, desde etiquetado y gestión de datos, capacitación y evaluación de modelos, hasta desarrollo e implementación de aplicaciones de IA.Solución de proceso completo, contratando más herramientas necesarias para el proceso de formación vertical de IA para que puedan seguir manteniéndose firmes y diferenciándose de la competencia.

Entonces, ¿a qué tipo de mercado se dirige esta empresa con una línea de productos tan diversa?

Mercados a los que se enfrenta Scale AI

La oportunidad de mercado para Scale AI se puede dividir en dos partes:
Mercado principal de IA como servicio (AIaaS),
y el mercado emergente de IA generativa.

1. Mercado de IA como servicio (AIaaS)

Inicialmente, Scale AI se centró en el etiquetado de datos, pero a medida que la línea de productos se expandió, Scale AI se desarrolló gradualmente hasta convertirse en un proveedor integral de servicios de TI de IA para ayudar a las empresas a crear modelos.
(Como se mencionó anteriormente, desde los datos hasta el modelo y luego hasta finalizar la aplicación)

Según una investigación, el valor de mercado de la IA como servicio (AIaaS) en 2023 habrá alcanzado $27 mil millones, la tasa de crecimiento supera 20%.

Según la plataforma de investigación de inversiones. Tegus, un inversor dijo:

“¿Sabes por qué me encanta Scale AI? Porque me permite trabajar con una empresa en lugar de 15 empresas. Scale AI integra muchas funciones, incluido el etiquetado de datos, la gestión de datos y otros. La empresa solo se centra en una única función. mientras que Scale AI cubre todas las funciones, haciendo que la subcontratación cooperativa sea más conveniente y eficiente”.

2. Mercado de IA generativa

Con el auge de la IA generativa, las oportunidades de mercado para Scale AI también han aumentado significativamente.
Scale AI ha sido el socio de etiquetado de datos elegido por los gigantes tecnológicos a la hora de entrenar su propia IA.
Por ejemplo, cuando OpenAI desarrolló GPT-4 y DALL-E, Google DeepMind desarrolló Gemini y Amazon Web Services (AWS) desarrolló Claude, Scale AI ayudó a estas empresas a construir modelos personalizados de inteligencia artificial de IA generativa. Se espera que el mercado de IA generativa se duplique cada año para 2027, alcanzando 55 mil millones de dólares.

Después de observar el potencial de crecimiento del mercado potencial de Scale AI, ¡no debería ser difícil adivinar los impresionantes resultados de recaudación de fondos recientes!

Escalar el estado operativo de la IA

Según las noticias de actualidad, Alexandr anunció el 21 de mayo que Scale AI recaudó mil millones de dólares en financiación Serie F, con una valoración de 13.800 millones de dólares, casi el doble de la valoración de la ronda de financiación anterior.

La última ronda de financiación fue liderada por el principal VC Accel, y los inversores participantes también incluyen nuevos inversores como varios gigantes tecnológicos como Cisco Investments, Intel Capital, AMD Ventures, WCM, Amazon y Meta, así como Y Combinator (YC). Index Ventures e inversores existentes como Nvidia.

Al mismo tiempo, Scale AI también fue seleccionada para 2024 CNBC Disruptor 50 , que ocupa el puesto 12 entre las 50 empresas disruptivas en innovación más grandes del mundo, Alexandr Wang, fundador y director ejecutivo de Scale AI, dijo:

"Nuestra misión es construir una fundición de datos para la inteligencia artificial, y esta financiación nos acelerará para lograr este objetivo y allanará el camino hacia la AGI (inteligencia general artificial)".

Después de ver el glamour de Scale AI en los medios, finalmente equilibremos los informes sobre las controversias y los riesgos potenciales de la empresa Scale AI.

Escalar las controversias sobre la IA y los riesgos potenciales

disputa laboral sudorosa

El éxito de Scale AI depende en gran medida de los 240.000 trabajadores en Kenia, Filipinas, Venezuela y otros lugares que trabajan a través de la filial de Scale AI, Remotasks, pero ganan menos de 1 dólar la hora.
Estos trabajadores etiquetan los datos de capacitación de IA, pero debido a que no existe una garantía contractual legal,Despido repentino, cuenta laboral congelada repentinamente, e incluso algunos trabajadores en Filipinas informaron haber experimentado retrasos o retenciones en sus pagos.https://www.gvm.com.tw/article/104424

Riesgos operativos potenciales

En 2023, los impactos macroeconómicos provocaron despidos en Scale AI 20% y la competencia en el etiquetado de datos se volvió cada vez más feroz. Las empresas de tecnología como Google y Amazon comenzaron a establecer sus propios entornos de etiquetado de datos para reducir la dependencia de los servicios de subcontratación.

Al mismo tiempo, la tendencia a utilizar inteligencia artificial para etiquetar datos también está creciendo, y modelos como GPT-4 ya están superando a los humanos en muchas tareas.

La Universidad de Zurich realizó recientemente una investigación y descubrió que la tarea de etiquetado de ChatGPT en condiciones de disparo cero era incluso mejor que la de personas capacitadas.
Aunque el etiquetado humano todavía se considera el estándar de oro para el etiquetado de datos, es probable que el futuro GPT-5 multimodal u otros modelos reemplacen los esfuerzos de etiquetado humano.

Conclusión

El excelente desempeño en la recaudación de fondos, la genial imagen del fundador Alexandr y el papel cada vez más importante de los recursos de datos en esta ola de IA han convertido a Scale AI en el centro de atención de todos. ¿Cómo pueden los datos potenciar la IA? ¿Cómo se puede abordar esto de manera más eficiente y humana? Creo que las respuestas a estas preguntas se podrán encontrar en Scale AI en el futuro.

3 conclusiones

En la era de la IA, el impulso de crecimiento generado por los datos:

Escalar los productos y mercados de la IA:

Desafíos y riesgos de Scale AI:

¡Gracias por leer este artículo!
Si cree que todavía tiene más que aprender, suscríbase a mi boletín [Charla técnica de Roxanne]
¡Compartiré más historias interesantes de ciencia y tecnología al respecto! 🥳

Únase a 500 personas y aprendan juntos la última tecnología y conocimientos Suscríbete a la charla técnica de Roxanne
También puedes comunicarte a través de Linkedin👩🏻‍💻 Roxanne Chen

Informes relacionados

El halo y el sudor de la ronda F de mil millones de dólares: ¿Cómo se convirtió Scale AI en un unicornio de etiquetado de datos?

[Discusión candente de Silicon Valley] ¿Cuál es la fortaleza de Nvidia? ¿Quién será el próximo gigante de los chips de IA?