CausaLens получава $45 милиона за технология без код, която въвежда причина и следствие при вземането на решения с изкуствен интелект

Едно от най-популярните приложения на изкуствения интелект до момента е използването му за прогнозиране на неща, като се използват алгоритми, обучени с исторически данни, за да се определи бъдещ резултат. Но популярността не винаги означава успех: Predictive AI пропуска много от нюансите, контекста и причинно-следствените разсъждения, които влизат в резултата; и както някои посочиха (и както видяхме), това означава, че понякога „логичните“ отговори, произведени от предсказуем AI, могат да се окажат катастрофални. Стартъп, наречен causaLens, е разработил технология за причинно-следствени изводи – представена като инструмент без код, който не изисква използване от специалист по данни, за да въведе повече нюанси, разсъждения и причинно-следствена чувствителност в базирана на AI система – която вярва може да реши този проблем.

Целта на CausaLens, каза изпълнителният директор и съосновател Дарко Матовски, е изкуственият интелект „да започне да разбира света така, както го разбират хората“.

Днес стартъпът обявява 45 милиона долара финансиране, след като отбеляза известен ранен успех с подхода си, увеличавайки приходите с 500%, откакто излезе от стелт преди година. Това се описва като „първо затваряне“ на рунда, което означава, че все още е отворено и потенциално ще нарасне по размер.

Dorilton Ventures и Molten Ventures (VC, който ребрандира от Draper Esprit) водеха кръга, с предишни поддръжници Generation Ventures и IQ Capital, както и новият поддръжник GP Bullhound също участваха. Източници ни казват, че базираната в Лондон causaLens е около 250 милиона долара.

Клиентите и партньорите на CausaLens понастоящем включват организации в сферата на здравеопазването, финансовите услуги и правителството, наред с редица други вертикали, където неговата технология се използва не само за вземане на решения, базирано на AI, но и за внасяне на повече причинно-следствени нюанси, когато достигане до резултати.

Илюстративен пример за това как работи това може да се намери в Mayo Clinic, един от партньорите на стартъпа, който използва causaLens за идентифициране на биомаркери за рак.

„Човешките тела са сложни системи и така, прилагайки основни AI парадигми, можете да намерите какъвто искате модел, корелации от всякакъв вид и няма да стигнете доникъде“, каза Дарко Матовски, главен изпълнителен директор и основател на стартъпа в интервю. „Но ако приложите техники за причина и следствие, за да разберете механиката на това как работят различните тела, можете да разберете повече за истинската природа на това как една част оказва влияние върху друга.“

Като се имат предвид всички променливи, които могат да бъдат включени, това е вид проблем с големи данни, който е почти невъзможен за изчисление от човек или дори от екип от хора, но е залог на маса, с който компютърът да работи. Въпреки че не е лек за рак, този вид работа е значителна стъпка към започване на разглеждане на различни лечения, съобразени с многото включени пермутации.

Технологията на CausaLens е приложена и по по-малко клиничен начин в здравеопазването. Агенция за обществено здравеопазване от една от най-големите икономики в света (causaLens не може да разкрие публично коя) използва своята причинно-следствена AI машина, за да определи защо определени възрастни се въздържат от ваксинации срещу COVID-19, така че агенцията да може да изработи по-добри стратегии за получаване тях на борда (множествено число „стратегии“ е оперативният детайл тук: целият въпрос е, че това е сложен въпрос, включващ редица причини в зависимост от въпросните лица).

Други клиенти в области като финансови услуги използват causaLens за информиране на автоматизирани алгоритми за вземане на решения в области като оценки на заеми, където предишни AI системи въвеждаха пристрастия в своите решения, когато използваха само исторически данни. Хедж фондовете, междувременно, използват causaLens, за да получат по-добро разбиране как може да се развие пазарна тенденция, за да информират своите инвестиционни стратегии.

И интересното е, че една нова вълна от клиенти може да се появи в света на автономния транспорт. Това е една област, в която липсата на човешко мислене възпира напредъка в тази област.

„Без значение колко данни се подават в автономните системи, това все още са само исторически корелации“, каза Матовски за предизвикателството. Той каза, че causaLens в момента води разговори с две големи автомобилни компании, с „много случаи на използване“ на своите технологии, но един по-специално е автономното шофиране, „за да помогне на системите да разберат как работи светът. Не става въпрос само за корелирани пиксели, свързани с червен светофар и спиране на автомобил, но и какъв ще бъде ефектът от забавянето на тази кола на червен светофар. Внасяме логика в AI. Causal AI е единствената надежда за автономно шофиране.“

Изглежда безсмислено тези, които използват AI в работата си, биха искали системата да е възможно най-точна, което повдига въпроса защо брилянтното подобрение на каузалния AI не е вградено в AI алгоритми и машина учене на първо място.

Не че повече разсъждения и отговор на „защо“ не са били приоритети в началото, обясни Матовски – „Хората изследват причинно-следствените връзки в науката от дълго време. Може дори да се твърди, че уравненията на Нютон са причинно-следствени. Това е супер фундаментално в науката“, каза той, но специалистите по изкуствен интелект не могат да разберат как да научат машините да правят това. „Просто беше твърде трудно“, каза той. „Алгоритмите и технологията не съществуват.“

Това започна да се променя около 2017 г., каза той, тъй като учените започнаха да публикуват първоначални подходи, обмислящи как да представят „разсъждението“ и причината и следствието в AI въз основа на намирането на сигнали, които са допринесли за съществуващите резултати (вместо да използват исторически данни, за да определят резултати) и изграждане на модели въз основа на това. Интересното е, че това е подход, който според Матовски не е необходимо да се поглъщат огромни обеми данни за обучение, за да работи. Екипът на CausaLens е много натоварен с докторанти (може да се каже, че стартъпът наистина е изял собствената си храна тук: обмислил е 50 000 автобиографии, докато събира екипа си). И този отбор пое тази щафета и работи с нея. „Оттогава това е експоненциална крива на растеж“ по отношение на откритията, каза той. (Можете да прочетете повече за това тук.)

Както може да очаквате, causaLens не е единственият играч, който търси как да използва напредъка в причинно-следствените изводи в по-големи проекти, които разчитат на AI. Microsoft, Facebook, Amazon, Google и други големи технологични играчи със значителни инвестиции в ИИ също работят на терена. Сред стартиращите фирми има и Causalis, който се фокусира конкретно върху възможността за използване на каузален AI в медицината и здравеопазването, а Oogway изглежда изгражда каузална AI платформа, насочена към потребителите, „персонализиран AI помощник за вземане на решения“, както се описва. Всичко това говори за възможността да се развие повече и доста масивен пазар за технологията, обхващащ както специфични търговски, така и по-общи случаи на употреба.

„ИИ трябва да направи следващата стъпка към причинно-следствените разсъждения, за да разкрие своя потенциал в реалния свят. causaLens е първият, който използва Causal AI за моделиране на интервенции и позволява интроспекция, управлявана от машини“, каза Даниел Фрийман от Dorilton Ventures в изявление. „Този ​​екип от световна класа е изградил софтуер с изтънчеността, за да спечели сериозни учени по данни и използваемостта да даде възможност на бизнес лидерите. Dorilton Ventures е много развълнувана да подкрепи causaLens на следващия етап от нейното пътуване.“

„Всяка компания ще приеме AI, не само защото може, но защото трябва“, добави Кристоф Хорнунг, инвестиционен директор в Molten Ventures. „Ние от Molten сме убедени, че причинно-следствената връзка е ключовата съставка, необходима за отключване на потенциала на ИИ. causaLens е първата в света каузална AI платформа с доказана способност да преобразува данни в оптимални бизнес решения.“