Dieses Big-Data-Startup kombiniert KI mit menschlichen Fähigkeiten, um Ihre Daten am Mittwoch Spare5 sinnvoll zu machen eine neue Plattform, die eine Kombination aus menschlicher Einsicht und maschinellem Lernen verwendet, um Unternehmen dabei zu helfen, unstrukturierte Daten zu verstehen.

Spare5 hat am Mittwoch eine neue Plattform veröffentlicht, die eine Kombination aus menschlicher Einsicht und maschinellem Lernen bietet Sinn für unstrukturierte Daten, einschließlich Bilder, Videos, Social-Media-Inhalte und Textnachrichten. Das Ergebnis sind "bahnbrechende Erkenntnisse, die kosteneffizient und in großem Umfang geliefert werden."

Die Technologie des Unternehmens wird jetzt von Unternehmen wie Expedia und Getty Images genutzt, um unstrukturierte Daten anzureichern, zu bereinigen und zu kennzeichnen.

[Weitere Informationen: Ihr neuer PC benötigt diese 15 kostenlosen, ausgezeichneten Programme]

"Unternehmen benötigen spezialisierte menschliche Einsichten, um komplexe Datenprobleme zu lösen", erklärt Matt Bencke, Gründer und CEO von Spare5. "Es gibt einen grundlegenden Unterschied, wenn die richtige menschliche Intelligenz das maschinelle Lernen vorantreibt."

Spare5 nutzt menschliches Fachwissen über eine Crowdsourcing-Plattform. Das Unternehmen kann auf eine globale Gemeinschaft von mehr als 40.000 Fachspezialisten zurückgreifen, um benutzerdefinierte Mikroaufgaben über eine App auf ihrem Smartphone oder Desktop zu erledigen. "Fives" genannt, können diese Leute dafür bezahlt werden, Hilfsartikel zu bewerten, Fotos zu bewerten, Titel und Beschreibungen zu schreiben oder fehlende Informationen zu finden.

Der Prozess beginnt, wenn sich ein Unternehmen mit Spare5 anmeldet und einen Satz davon hochlädt unstrukturierte oder unvollständige Daten. Spare5 wandelt dann den Job in Mikro-Aufgaben um, schreibt benutzerdefinierte Anweisungen und erstellt einen "Goldstandard" für Antworten.

Um die Arbeit zu erledigen, zielt Spare5 auf bestimmte Gruppen von Fives für bestimmte Aufgaben ab - Frauen im Alter zwischen 30 und 40 Jahren die zum Beispiel häufig online einkaufen.

Als nächstes filtern maschinelle Lernalgorithmen die Ergebnisse auf Genauigkeit und stellen sicher, dass die Qualität erhalten bleibt.

Im Endeffekt werden die zuvor unstrukturierten Daten des Kunden in ein strukturiertes Format gebracht und ausgeliefert mit zugehörigen Einsichten, einschließlich Gewichten oder Konfidenzintervallen. Diese strukturierten Daten wiederum können zum Trainieren neuer AI-Algorithmen, zum Vervollständigen von Datensätzen oder zum Verbessern von Empfehlungs-Engines verwendet werden.

Sentient Technologies zum Beispiel erstellt einen AI-gestützten Einkaufsassistenten und verwendet Spare5, um seine AI zu validieren - generierte Modelle mit Daten darüber, wie Menschen Nuancen unter Einzelhandelsprodukten wahrnehmen.

"Das schmutzige Geheimnis des maschinellen Lernens ist, dass es Verbindungen und Korrelationen gut erkennt, aber nicht immer Kausalität interpretieren, Zusammenhänge verstehen oder ähnliche Stücke richtig identifizieren kann an Informationen ", sagte Nik Rouda, Senior Analyst der Enterprise Strategy Group. "Hier haben die Menschen immer noch einen Vorteil."

Unstrukturierte Daten können besonders nuanciert werden, fügte Rouda hinzu, wie einige kürzlich erschienene Meme mit fast identischen Fotos von Chihuahuas und Muffins zeigen. Selbst Googles Technologie ist im großen Stil gestolpert und fälschlicherweise schwarze Menschen als Gorillas bezeichnet.

"Maschinelles Lernen kann vielleicht alles lesen und obskure Muster oder seltene Bedingungen finden, die Menschen vermissen würden, aber es kann auch wertvolle menschliche Erfahrung vermissen lassen." Rouda sagte:

Durch die Kombination der beiden konnte Spare5 das Beste aus beiden Ansätzen erschließen.

"Die Verbesserung der Genauigkeit und Vollständigkeit von Daten, die in maschinelles Lernen einfließen, wird das Modell verbessern und es wird weiterhin die richtigen Assoziationen lernen. "Rouda sagte.

Resear5 wurde im Jahr 2014 gegründet und erhielt im August 10 Millionen US-Dollar an Fördermitteln.