รู้จัก Flower Labs สตาร์ทอัปซอฟต์แวร์ AI ที่นักลงทุนยอมจ่าย 100 ล้านเหรียญ
Flower Labs เป็นสตาร์ทอัปด้านซอฟต์แวร์แบบโอเพ่นซอร์สที่จะมาเขย่ารูปแบบการเทรนนิ่งโมเดล AI ให้ต่างไปจากเดิม และเหล่านักลงทุนต่างก็ยอมจ่ายหนัก คาดช่วยลดความเสี่ยงในการเรียนรู้แบบผิดๆ
SHORT CUT
- Flower Labs ซอฟต์แวร์สำหรับนักพัฒนาที่เปิดให้ใช้งานร่วมกันแบบรวมศูนย์รวมข้อมูล ที่มีผู้ก่อตั้งเป็นนักวิจัยระดับโลก
- หวังข้อกฎหมายช่วยปรับใหม่ให้ส่งข้อมูลข้ามประเทศได้ ลดปัญหาการพัฒนา AI ภายในประเทศเดียว
- อนาคตการพัฒนา AI ที่อาจไม่ต้องใช้คอมพิวเตอร์แค่มีสมาร์ตโฟนก็ได้แล้ว
Flower Labs เป็นสตาร์ทอัปด้านซอฟต์แวร์แบบโอเพ่นซอร์สที่จะมาเขย่ารูปแบบการเทรนนิ่งโมเดล AI ให้ต่างไปจากเดิม และเหล่านักลงทุนต่างก็ยอมจ่ายหนัก คาดช่วยลดความเสี่ยงในการเรียนรู้แบบผิดๆ
Flower Labs สตาร์ตอัปด้านซอฟต์แวร์ที่ใช้ในการช่วยฝึกฝนโมเดล AI แบบ ‘at the edge' ถือว่าเป็นสตาร์ตอัปที่กำลังเนื้อหอมและมีนักลงทุนหลายรายสนใจ
แม้จะยังอยู่ในระดับซีรีส์ A แต่ล่าสุดก็สามารถระดมทุนรอบใหม่ได้ 100 ล้านเหรียญสหรัฐ หรือประมาณ 3,593,000,000 บาท หลังจากที่เพิ่งได้รับเงินทุนจำนวน 20 ล้านดอลลาร์ หรือประมาณ 718,600,000 บาท จาก Felicis Ventures ซึ่งเป็นบริษัทร่วมทุนใน Silicon Valley
ทั้งนี้ เทคโนโลยีของ Flower ช่วยให้นักพัฒนาระบบหรือ developer ทั้งหลาย ปรับวิธีการฝึกอบรม AI จากเดิมคือการโอนข้อมูลการฝึกอบรมทั้งหมดไปยังเซิร์ฟเวอร์กลาง มาเป็น "การเรียนรู้แบบรวมศูนย์" หรือ federated learning ซึ่งจะช่วยรักษาความเป็นส่วนตัวและความปลอดภัยของข้อมูลได้
ด้วยการเรียนรู้แบบใหม่นี้ทำให้บริษัทในอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพ บริการทางการเงิน และซีเคียวริตี้ ที่กำลังสนใจในการพัฒนา AI หันมาปรับใช้หลักการของ Flower Labs มากขึ้น
ประวัตินักพัฒนา Flower Labs ฝีมือไม่ธรรมดา
Daniel Beutel, Taner Topal และ Nicholas Lane ผู้ร่วมก่อตั้งทั้งสามคน พบกันที่มหาวิทยาลัยเคมบริดจ์และมีความสามารถด้านนวัตกรรมที่น่าสนใจ
- Nicholas Lane เป็นศาสตราจารย์ด้านการเรียนรู้ของ machine learning ในเคมบริดจ์ และเป็นอดีตผู้อำนวยการห้องปฏิบัติการ AI ของ Samsung ด้วย
- Daniel Beutel กำลังอยู่ในช่วงของการทำปริญญาเอก
- Taner Topal เคยทำงานเป็นนักวิจัยรับเชิญสำหรับธุรกิจอุตสาหกรรม
พวกเขาร่วมกันสร้าง Framework ให้กับระบบการทำงานของ Flower เพื่อเป็นโครงการสำหรับงานวิจัยเมื่อปี 2020 และยังคงเดินหน้าศึกษาต่อเนื่องมาเป็นเวลาสองปีเกี่ยวกับโครงการวิชาการแบบโอเพ่นซอร์สและเมื่อเห็นว่า Framework นี้ได้รับความนิยมจากกลุ่มธุรกิจขนาดใหญ่และหน่วยงานภาครัฐ จึงได้ตั้งบริษัทขึ้นในปี 2023 ชื่อว่า Flower Labs ก่อนที่จะเดินหน้ารักษาแพลตฟอร์มให้แข็งแรงและพัฒนาเครื่องมือสำหรับนักพัฒนาระบบให้ใช้งานระบบของ Flower ได้ง่ายขึ้น
สร้าง Framework กลางเพื่อแชร์ข้อมูลในการพัฒนา
เฟรมเวิร์กของ Flower ถูกนำมาใช้กับโครงการต่างๆ มากกว่า 1,100 โปรเจ็กต์ มีนักพัฒนา 3,100 รายในช่อง Slack ที่ทีมพัฒนาของ Flower Labs จัดทำขึ้นสำหรับผู้ที่สนใจหารือเกี่ยวกับวิธีสร้างโครงการการเรียนรู้แบบสมาพันธ์โดยใช้เฟรมเวิร์ก
ทั้งนี้ บริษัทต่างๆ ที่ใช้ Flower Labs ในการฝึกฝน AI ได้แก่ Accenture บริษัทด้านที่ปรึกษาขนาดใหญ่ Orange บริษัทโทรคมนาคม และ Siemens บริษัทเทคโนโลยีขนาดใหญ่ที่มีการนำ AI ไปใช้ในแผนกการดูแลสุขภาพ
Beutel ซีอีโอของ Flower กล่าวว่า บริษัทได้วางแผนที่จะใช้เงินทุนก้อนใหม่นี้ ไปในการพัฒนาด้านการเรียนรู้แบบสมาพันธ์ เพิ่มจำนวนนักพัฒนาให้ใช้งานระบบของ Flower และเพิ่มจำนวนพนักงาน ปัจจุบันมีทีมงานเพียง 13 คน ซึ่งกระจายอยู่ทั่วยุโรป โดยบางส่วนอยู่ในเคมบริดจ์ เยอรมนี และในทวีปอื่นๆ
"บริษัทมุ่งไปที่การขยายจำนวนนักพัฒนาซอฟต์แวร์ที่เข้ามาใช้งานระบบของ Flower และไม่ได้เน้นที่การสร้างรายได้จากฐานผู้ใช้งาน แต่วางแผนที่จะสร้างเครื่องมือและอินเทอร์เฟซให้ดีก่อนจากนั้นค่อยคิดเรื่องการเก็บเงินจากลูกค้า"
การเรียนรู้แบบสมาพันธ์ รูปแบบการพัฒนาที่ปลอดภัย
Flower Labs พยายามที่จะขายการเรียนรู้แบบรวมศูนย์ของโมเดล AI จากจำนวนข้อมูลที่มีอยู่และคัดลอกข้อมูลของโมเดลเหล่านี้ไปยังอุปกรณ์ปลายทางที่มีการฝึกอบรมแบบเจาะจงในแต่ละพื้นที่ ก่อนจะส่งข้อมูลการเรียนรู้เหล่านี้ไปยังเซิร์ฟเวอร์กลาง เพื่อให้ตัวแปรที่ได้มาเรียนรู้และปรับใช้งานในโมเดลหลักเพียงตัวเดียว
การเรียนรู้แบบสมาพันธ์ จะช่วยเพิ่มความเป็นส่วนตัวและความปลอดภัย เนื่องจากข้อมูลไม่เคยรั่วไหลออกจากเฟรมเวิร์กเดิมที่ถูกสร้างขึ้น แม้จะมีแฮกเกอร์เข้ามาโจมตีแต่ก็ยังคงใช้โมเดลกลางในการฝึกฝนต่อไปได้แบบไม่สะดุด
ทั้งนี้ การเรียนรู้แบบสมาพันธ์ จะป้องกันไม่ให้แฮกเกอร์ได้ข้อมูลการฝึกที่ถูกต้องไปรวมทั้งความเป็นส่วนตัวที่แตกต่างกันของระดับความปลอดภัยของระบบ และการอัปเดตโมเดลที่ต่างกันก่อนจะถูกส่งข้อมูลแชร์ไปยังส่วนกลาง
ยกตัวอย่างเช่น กลุ่มบริการด้านสุขภาพและการเงิน อาจมีความสนใจร่วมกันในการทำงานร่วมกัน สร้างแบบจำลอง AI เพื่อคาดการณ์ผู้ป่วยที่มีความเสี่ยงต่อการเกิดภาวะติดเชื้อ
แต่กฎหมายของแต่ละประเทศอาจมีข้อห้ามไม่ให้แบ่งปันข้อมูลการรักษาของผู้ป่วยระหว่างโรงพยาบาล รูปแบบการเรียนรู้แบบสมาพันธ์ จะช่วยให้นักพัฒนาฝึกอบรมโมเดลที่มีประสิทธิภาพ ขณะเดียวกันก็ไม่ผิดหลักการปฏิบัติตามกฎระเบียบ
เช่นเดียวกับกลุ่มธนาคารที่ต้องการสร้างโมเดลการตรวจจับการฉ้อโกงของเหล่ามิจฉาชีพมาใช้งานร่วมกันก็สามารถใช้หลักการเดียวกันนี้ได้ด้วย
ซึ่งการเรียนรู้แบบสมาพันธ์ จะส่งผลให้เกิดแบบจำลองการทำงานที่แตกต่างจากการทำงานแบบการฝึกอบรมจากส่วนกลางเพียงเล็กน้อยเท่านั้น หากเปรียบเทียบจากข้อมูลการฝึกอบรมจากจำนวนข้อมูลที่เท่ากัน
กรณีการนำไปใช้งานจริง การเรียนรู้แบบสมาพันธ์จะปลดล็อกข้อมูลการฝึกฝนได้มากขึ้น และผลที่ตามมาคือ การเรียนรู้แบบสหพันธ์ จะได้รับการฝึกโดยใช้ข้อมูลที่มากกว่า มีประสิทธิภาพเหนือกว่าแบบที่ได้รับการฝึกจากส่วนกลางเพียงทางเดียว เนื่องจากติดปัญหาทางด้านเงื่อนไขของการได้มาซึ่งข้อมูล ที่มาจากความเป็นส่วนตัวของข้อมูล ความปลอดภัย หรือข้อจำกัดทางกฎหมาย เป็นต้น
ข้อเสียเปรียบของการเรียนรู้แบบรวมศูนย์ คือ ใช้งานได้ดีกับโมเดลขนาดเล็ก เนื่องจากสามารถส่งโมเดลทั้งหมดไปยังอุปกรณ์ Edge ได้อย่างง่ายดายและจัดเก็บไว้ที่นั่น
หากเป็นโมเดลที่มีขนาดใหญ่มาก เช่น โมเดลที่ขับเคลื่อน ChatGPT ของ OpenAI นั้น ใหญ่เกินกว่าจะพอดีกับอุปกรณ์ Edge เช่น โทรศัพท์มือถือ วิธีเดียวที่จะทำให้การเรียนรู้แบบสมาพันธ์ด้วยโมเดลเหล่านี้ใช้งานร่วมกับระบบใหญ่ๆ ได้ผล คือการแบ่งโมเดลออกเป็นส่วน ๆ และส่งเพียงบางส่วนไปยัง Edge แม้ว่าสิ่งนี้จะสามารถทำได้ แต่ก็เพิ่มความซับซ้อนให้กับกระบวนการเชื่อมต่อข้อมูลอีกด้วย
เชื่อมโยงข้อมูลข้ามประเทศแบบอิสระ
"กฎระเบียบยังคงเป็นอุปสรรคสำคัญสำหรับการเรียนรู้แบบสมาพันธ์”
Beutel เล่าว่า เขาเคยเห็นกรณีของบริษัทขนาดใหญ่ ที่มีข้อมูลลูกค้าชาวยุโรปบนเซิร์ฟเวอร์หนึ่งเครื่องในยุโรป และข้อมูลลูกค้าชาวอเมริกันบนเซิร์ฟเวอร์อีกหนึ่งเครื่องในสหรัฐฯ
แต่ไม่สามารถถ่ายโอนข้อมูลดิบระหว่างสถานที่ทั้งสองแห่งได้ เนื่องจากความกังวลเกี่ยวกับการขายต่อข้อมูลของทั้งสองประเทศ ซึ่งถือว่าเป็นเรื่องที่ผิดกฎหมายด้านกรอบความเป็นส่วนตัวของข้อมูลของทั้งสองประเทศ
นอกจากนี้ โมเดล AI ขนาดใหญ่จำเป็นที่จะต้องใช้ข้อมูลจำนวนมหาศาลในการฝึกฝนจากชุดข้อมูลที่เปิดเผยต่อสาธารณะเป็นหลัก หรือการนำข้อมูลที่คัดลอกมาจากอินเทอร์เน็ตโดยไม่ได้รับอนุญาต ซึ่งบริษัทต่างๆ กำลังสร้างอุปสรรคทางดิจิทัลมากขึ้นเรื่อยๆ
แม้ว่าจะไม่มีอุปสรรคเหล่านี้ แต่โมเดล AI ที่ใหญ่ที่สุดก็ยังก้าวข้ามขีดจำกัดของข้อมูลสาธารณะไปแล้ว เมื่อคุณได้นำข้อมูลทั้งหมดบนอินเทอร์เน็ตมาใช้ในการฝึกฝน
ขณะเดียวกัน หลายบริษัทยังขาดแคลนข้อมูลสาธารณะในการนำมาใช้ฝึกอบรม AI เพื่อใช้งานเชิงพาณิชย์เฉพาะกลุ่ม เช่น การให้คำแนะนำด้านภาษี
“ข้อมูลส่วนใหญ่ในโลกนี้ ไม่สามารถใช้สำหรับการฝึกอบรม AI ได้”
แค่มือถือเครื่องเดียวก็อาจจะใช้ฝึก AI ได้
Aydin Senkut ผู้ก่อตั้งและหุ้นส่วนผู้จัดการของ Felicis และเป็นผู้ตัดสินใจลงทุนใน Flower Labs กล่าวว่า Felicis เชื่อว่า ปัจจุบันแอปพลิเคชัน AI ส่วนใหญ่ได้รับการฝึกฝนและทำงานบนคลาวด์ แต่ในอนาคต การประมวลผล AI จะเกิดขึ้นมากขึ้นเรื่อยๆ “บน edge” โทรศัพท์ แล็ปท็อป และแท็บเล็ตส่วนตัวของผู้คน หรือในรถยนต์ของพวกเขา
"EDGE (เอดจ์) ย่อจาก Enhanced Data rates for Global Evolution เป็นระบบอินเทอร์เน็ตไร้สาย 2.75G ในเครือข่ายโทรศัพท์ คล้ายกับระบบ GPRS แต่มีความเร็วที่สูงกว่าปัจจุบันมีทุกพื้นที่ของประเทศ"
อย่างไรก็ตาม สมาร์ทโฟนในปัจจุบัน มีโปรเซสเซอร์การเรียนรู้ของเครื่องขนาดเล็กที่สามารถจัดการการฝึกอบรมแบบกระจายได้
Beutel กล่าวว่า พลังการประมวลผลประมาณ 2.9 เอ็กซาฟลอป แต่พลังการประมวลผลที่มีอยู่ในสมาร์ทโฟน Samsung ทุกเครื่องที่ติดตั้งโปรเซสเซอร์ Qualcomm Snapdragon 8 นั้นเท่ากับ 69.9 เอ็กซาฟลอป
เอ็กซาฟล็อป (exaflops) คือ หน่วยวัดกำลังของคอมพิวเตอร์โดยพิจารณาจากจำนวนการดำเนินการทางคณิตศาสตร์ต่อวินาทีที่คอมพิวเตอร์สามารถทำได้
ทั้งนี้ รูปแบบการเรียนรู้แบบรวมศูนย์ จำเป็นต้องใช้ประโยชน์จากพลังการประมวลผลแบบกระจาย เพื่อช่วยในการฝึกอบรม AI แต่มี GPU ไม่เพียงพอสำหรับทุกบริษัทที่ต้องการใช้พัฒนาโมเดล และมีราคาแพงมากทั้งในแง่ของเงินและ พลังงานที่จะใช้ แต่ Flower Labs มี GPU Nvidia H100 จำนวน 22,000 ตัว คาดว่าเพียงพอต่อการให้พัฒนาเข้ามาใช้งาน
อย่างไรก็ตาม เฟรมเวิร์กสำหรับการเรียนรู้แบบรวมศูนย์ของ Flower Labs จะใช้สำหรับการฝึกอบรม AI เท่านั้น ยังไม่ได้เปิดให้ใช้งานร่วมกับเฟรมเวิร์กอื่นๆ ที่คล้ายกัน
อ่านข่าวอื่นๆ เพิ่มเติม
