top of page

七家初創透視未來

Updated: Apr 28

史丹福經濟政策研究所的《高科技專利申請的若干事實》研究發現,自2010年以來,機器學習專利申請量呈爆炸式增長,微軟和Alphabet目前處於領先地位,其中微軟更擁有2075項專利(2000年至2015年間),而亞洲區的Samsung和Sony也位列十大。

報告又列出25家值得關注的機器學習創業公司,我特別從中找出7家個人認為代表了未來數據中台自動化趨勢的公司給大家參考,也順便論證此一趨勢。

  1. Anodot利用機器學習優勢,對企業賴以開展日常運作的各種數據集進行建模,不斷尋找潛在業務模式。如同很多機器學習創業公司,Anodot的AI平台利用持續學習能力,試圖消除數據盲點,量化各種數據集的根源,並提供即時異常探測。

  2. Cinnamon依靠機器學習和AI技術,從非結構化檔案中自動提取數據。幾位聯合創始人在推薦引擎的設計和優化方面擁有豐富經驗,曾經開發過幾款有趣產品,包括Lapis Engine,非常精準地把使用者和產品的向量化資訊結合起來,提供準確的推薦和匹配。

  3. Dataiku設計和發布了Data Science Studio平台,目標是涵蓋端到端的所有步驟,把原始數據變成易於維護的數據驅動型應用,擁有直觀的互動式工作區,能夠縮短實現數據驅動所需的裝載、預處理、測試、部署迴圈。

  4. DataRobot企業級自動化機器學習平台,旨在讓技能水平不一樣的員工都可使用,提供了大量演算法和工具,用來開發和部署機器學習和AI項目,包括數百種開源機器學習演算法。

  5. DataVisor利用機器學習來發現金融數據中的異常,防止可能的數據洩露、銀行欺詐和其他類型的金融服務業犯罪活動。利用無監督學習技術,在造成損失之前精確地識別攻擊活動。

  6. Innovaccer開發基於AI和機器學習的系統,協助醫療機構整合來自多個分散式來源的複雜數據,為醫療人員提供寶貴意見。

  7. Tamr在MIT研究取得成功後,開始打造商業級解決方案,旨在利用機器學習解決對大量不同數據進行關聯和充實的難題,數據統一專案所需時間可縮減90%。

Recent Posts

See All
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
智能代理編程戰 懂人機協作致勝

上周把兩個消息放在一起看,很有意思。 第一個,Anthropic宣布Claude Code推出Artifacts,讓軟件工程師在寫程式的過程中,業務主管能同時打開網頁儀表板,就能看到軟件即時更新及開發的狀態。 第二個,中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架,系統能自動提出假設、修改代碼,運行真實實驗並從結果中學習,自動優化解決問題。 過去一年大家比併的是模型

 
 
集結舊手機算力 媲美當今伺服器

你可曾想過,你抽屜裏那部4年前的舊手機,可能很有價值? 這個星期,Google Research聯同加州大學聖地牙哥分校(UCSD)公布一項創新計劃:運用2000部退役的Pixel手機,構建一個真實可用的雲端計算平台。這不僅是概念驗證,更是一個供數百名學者與研究人員實際操作的生產級環境。處理方式十分直接,將舊手機的熒幕、電池、外殼全部移除,僅保留主機板,透過Kubernetes技術組成叢集,直接轉

 
 
bottom of page