Początki AGICortex sięgają 2014 roku, gdy Maciej Wolski – współzałożyciel i prezes spółki – rozpoczął niezależne badania nad innowacyjnymi sieciami neuronowymi oraz zalążkami technologii cechującej się wysokim stopniem automatyzacji i samoorganizacji. Bazując na wiedzy z zakresu neurobiologii, biochemii i informatyki udało mu się wypracować kierunek rozwoju, który spółka kontynuuje do dziś. W kolejnych latach m.in. dzięki doświadczeniom zdobytym w działach R&D dużych, międzynarodowych korporacji produkujących urządzenia wykorzystujące AI przetwarzającą dane lokalnie (Samsung, Demant) – udało się doprecyzować zakres działań prowadzonych nad rozwojem technik uczenia maszynowego – bazujących nie na wykorzystaniu serwerów w centrach danych, lecz mocy obliczeniowej lokalnych urządzeń. Założyciele AGICortex – Maciej Wolski, Konrad Biernacki i Michael Porsbo – poznali się właśnie podczas wspólnej pracy w grupie Demant, gdzie każdy z nich odpowiadał za inny obszar działalności, a połączyła ich wspólna wiara w sukces zaprojektowanej od zera technologii do energooszczędnego działania w fizycznej rzeczywistości.
Sztuczna inteligencja, która w końcu dorówna człowiekowi
Najbliższe 12 miesięcy to m.in. realizacja projektu stworzenia technologii bardziej dostosowanej do często nieprzewidywalnego i ciągle zmieniającego się świata fizycznego. Aby tego dokonać, zespół wykorzysta autorskie algorytmy Machine Learning, umożliwiające przyswajanie nowych informacji w trybie zautomatyzowanym, bez konieczności odrębnych sesji treningu (uczenie w trybie ciągłym), a także analizę ruchu, głębi oraz dodatkowych informacji kontekstowych – analogicznie do tego jak działa biologiczny mózg. Stworzone rozwiązania staną się częścią zestawu narzędzi programistycznych oferowanych klientom firmy – autorskiego frameworka Machine Learning. – Deep Learning to technologia przystosowana do tego, by realizować jeden cel – tak zwana wąska sztuczna inteligencja. My stopniowo uczymy maszyny modelu świata/otaczającej rzeczywistości, który może potem zostać wykorzystany w wielu różnych zastosowaniach, a pozyskane dane mogą być współdzielone z innymi urządzeniami. Przełomowe w naszej technologii jest to, że możemy uczyć sztuczną inteligencję nowych informacji, także nie wiedząc, do czego zostaną one później wykorzystane (tzw. uczenie nienadzorowane – ang. unsupervised learning). Nasze modele są w stanie zrobić wiele rzeczy naraz. Mogą być bardzo duże, ale tak jak ludzki mózg, wykorzystują tylko niewielki procent tego, co jest im akurat potrzebne. To istotny krok w kierunku generalnej sztucznej inteligencji (AGI), mającej dorównać człowiekowi – dodaje Maciej Wolski.
Na rynek z autorskim frameworkiem AI
Spółka buduje relacje z pierwszymi potencjalnymi partnerami – w oparciu o podpisane umowy o zachowaniu poufności – wśród których można wyróżnić także znane na całym świecie marki. – W klasycznym ujęciu wdrożenie np. robotów w 100 oddziałach szpitalnych zajęłoby kilkadziesiąt miesięcy, bo każda przestrzeń jest inna – zatem każda lokalizacja musiałby zostać potraktowana jako osobny projekt. Natomiast nasza AI zainstalowana w robotach sprawia, że wiedzą one, że np. muszą rozpoznać określone typy obiektów (np. łóżka pacjentów, szafki czy drzwi), a robot sam doucza się różnic, czyli wszelkich atrybutów wizualnych czy dźwiękowych – wyjaśnia Maciej Wolski.
Dotychczas przystosowanie opartej o uczenie maszynowe technologii AI do użycia w konkretnych lokalizacjach wymagało pracy dedykowanego zespołu, koordynującego proces zbierania danych wykorzystywanych do wytrenowania modeli, ciągłego nadzorowania ich efektywności oraz aktualizowania wraz z pojawieniem się nowych danych. Taka sytuacja wielokrotnie przedłuża, utrudnia lub czyni nierentownymi przedsięwzięcia, które mogłyby skorzystać na wdrożeniu sztucznej inteligencji w świecie rzeczywistym. Dzięki wykorzystaniu zautomatyzowanej technologii uczenia w trybie ciągłym niezbędny czas i koszty redukowane są do minimum – co pozwala na zaplanowanie i wdrożenie projektów, które dotąd nie miały uzasadnienia ekonomicznego, ze względu na atrybuty dostępnej technologii. Jeżeli projekt zakłada funkcjonowanie maszyn, urządzeń lub systemów informatycznych w wielu różnych lokalizacjach jednocześnie – naturalnym wyborem powinno być sięgnięcie po wysoce zautomatyzowane (AutoML) rozwiązanie takie jak oferowane przez AGICortex, podnoszące jakość i przyspieszające wykorzystanie wartościowych danych.
Kierunek komercjalizacja
Milion złotych finansowania z funduszu SpeedUp Bridge Alfa AGICortex przeznaczy na realizację projektu badawczo–rozwojowego, związanego z rozpoznawaniem obiektów z wykorzystaniem technik uczenia maszynowego w trybie ciągłym. Istniejące w tym obszarze rozwiązania technologiczne wciąż oferują stosunkowo niską dokładność – nieprzekraczającą 60% poprawnych klasyfikacji. Spółka jest jeszcze przed etapem komercjalizacji swojego pomysłu, choć zainteresowanie rynku jej rozwiązaniem jest już na tym etapie bardzo duże. – Już w trakcie przygotowań do inwestycji zaplanowaliśmy ze spółką dokładny plan działań customer development. Dostosowanie rozwiązania pod potrzeby klientów oraz identyfikacja pierwszych użytkowników są kluczowe na tym etapie rozwoju. Spółka jest już w kontakcie z kilkoma potencjalnymi partnerami produkującymi urządzenia, na których mogłyby zostać umieszczone algorytmy AGICortex – wskazuje Tomasz Czapliński, partner zarządzający SpeedUp Group. – Według raportu MarketsandMarkets z 2021 r., segment oprogramowania AI przetwarzającego dane na urządzeniach lokalnych będzie jednym z najszybciej rosnących obszarów rynku AI/ML w kolejnych latach, ze średnim CAGR przekraczającym 20%, a jego szacowana wartość na 2026 r. wynosi 1,8 mld USD” – dodaje Czapliński.
Przeczytaj również: Sztuczna inteligencja przeanalizuje emocje na rynkach finansowych. SpeedUp Group inwestuje w Sentimenti
