Datasaur permite que você construa um modelo automaticamente a partir de um conjunto de rótulos.

Há muito tempo, antes das pessoas começarem a falar sobre o ChatGPT e a inteligência artificial gerativa, empresas como a Datasaur estavam lidando com os detalhes técnicos da construção de modelos de aprendizado de máquina, ajudando a classificar coisas para treinar o modelo. Com o crescimento da IA, esse tipo de capacidade se tornou ainda mais importante.

Com o objetivo de disponibilizar a construção de modelos para mais empresas, mesmo sem especialistas em ciência de dados, a Datasaur anunciou a habilidade de criar um modelo diretamente a partir dos dados de classificação, tornando a criação de modelos mais acessível para um público menos técnico. Além disso, anunciou uma extensão de investimento de US$ 4 milhões, concluída em dezembro passado.

Ivan Lee, fundador da empresa, afirma que o recente aumento do interesse em IA tem sido ótimo para a empresa e se encaixa bem na estratégia da startup. Segundo Lee, “O que a Datasaur sempre procurou ser é o melhor lugar para reunir os dados de treinamento necessários para alimentar seus modelos, seja para LLMs, modelos de NER tradicionais, análise de sentimentos ou qualquer outra coisa. Somos simplesmente a melhor interface para esses usuários não técnicos virem e rotularem esses dados”.

O surgimento dos LLMs está ajudando a aumentar a conscientização sobre como a IA pode auxiliar em um contexto empresarial, mas Lee afirma que a maioria das empresas ainda está na fase de exploração e ainda precisa de produtos como a Datasaur para construir modelos. Lee sempre teve como um de seus objetivos democratizar a IA, especialmente no processamento de linguagem natural, e a nova funcionalidade de construção de modelos deve tornar a IA acessível para mais empresas, mesmo aquelas sem conhecimentos especializados.

Lee vê isso como uma forma de ir além do público-alvo inicial, composto por cientistas de dados. Ele afirma: “Agora vamos abrir isso para empresas de construção, escritórios de advocacia, empresas de marketing, que podem não ter formação em engenharia de dados, mas ainda podem construir modelos de PNL com base em seus dados de treinamento”.

Ele conseguiu limitar a quantidade de investimento de risco que recebeu – o investimento anterior foi de modestos US$ 3,9 milhões em 2020 – porque opera de maneira enxuta. Sua equipe de engenharia está principalmente na Indonésia e, embora ele espere contratar mais pessoas, ele se orgulha de operar a empresa de maneira eficiente.

“Minha filosofia sempre foi a lucratividade, crescer de forma escalável, nunca crescer a todo custo”, disse Lee. Isso significa que ele considera cada contratação e o impacto que terá nos negócios.

Por ter uma equipe remota e multicultural, os funcionários podem aprender uns com os outros, o que traz diversidade à empresa por natureza. “Há uma diferença significativa na cultura de trabalho entre os EUA e como as coisas funcionam na Indonésia. E, portanto, uma coisa que tivemos de fazer foi sermos intencionais em capturar o melhor dos dois mundos”, disse ele. Isso pode significar incentivar os colegas indonésios a se manifestarem ou discordarem do que um gerente está dizendo, algo que culturalmente eles relutam em fazer. “Nós fomos muito proativos em encorajar isso”, afirmou.

No entanto, ele diz que os funcionários dos EUA também podem aprender sobre como as coisas funcionam na Ásia, como o respeito pelos colegas e a cultura de colocar a equipe em primeiro lugar, e ele teve que ajudar as equipes a lidar com essas diferenças culturais.

O investimento de US$ 4 milhões foi liderado pela Initialized Capital, com a participação da HNVR, Gold House Ventures e TenOneTen. A empresa arrecadou um total de US$ 7,9 milhões.