Ikigai获得2500万美元投资，将生成式人工智能引入表格数据

组织中的数据数量庞大，但在实际使用、组织和分析数据方面却面临着许多挑战。据估计，到2025年，企业将在云端存储100个字节级的数据。但根据MIT Technology Review Insights和Databricks的一项调查，目前只有13%的组织正在实施其分析和数据战略。

Devavrat Shah认为，使企业能够有效地预测和进行基于情景的规划需要从业务的数百个来源中获取深度、复杂的数据类型，而人工智能则是实现这一目标的关键。他是Celect的创始人，Celect是一款用于分配和履行大型零售订单的AI应用程序（于2019年被耐克收购），并指导着MIT的统计学和数据科学中心。

“如今，AI的最佳目标项目是将其引入组织或企业中，” Shah在电子邮件中告诉TechCrunch，“企业由专家运营，我们相信这些专家需要能够与AI无缝协作，以利用其可能带来的好处。”

为了实现“用AI赋能每个企业”的使命，Shah成立了Ikigai Labs，该公司提供了一个基于专有图形模型的无代码平台，用于预测、稀疏数据对账和优化。Ikigai今天宣布，该公司获得了由Premji Invest领投、Foundation Capital和E&Capital VC参与的2500万美元A轮融资，使其总融资额达到3820万美元。

Shah与Vinayak Ramesh共同创立了Ikigai，Ramesh此前曾创立过Well Frame，这是一家医疗保健公司，被Blackstone于2012年收购。在MIT攻读研究生期间，Ramesh与Shah合作开发了针对表格数据的AI——即以行和列形式组织的数据，如数据库——使用大型图形模型。

在神经网络家族中，图形模型表示一组变量之间的概率关系。Shah解释说，“大多数企业数据都是表格、稀疏和通常带有时间戳。大型图形模型非常适合这种情况。现代术语中，它们是针对表格数据的生成式AI。”

Ikigai的平台旨在使企业能够创建和部署这些图形模型，以支持其组织内部的应用程序。使用它，客户可以按需对其企业数据进行训练，创建协助预测、情景规划和分析的模型。

人们可能会质疑为什么Ikigai的图形模型优于近年来流行的大型语言模型（LLMs）。Shah指出，LLMs对文本和其他非结构化数据效果很好，但它们也很昂贵，需要比它们的图形模型等价物更多的存储空间。

“我们提供构建块，允许客户解决广泛的用例，”Shah说。“我们希望带领每个人一起乘坐AI的浪潮，而不是淹没在其中。”

Shah并不幼稚地认为，在企业AI庞大的市场上，Ikigai没有竞争对手。他将C3.ai、Anaplan、Dataiku和Hugging Face列为顶级竞争对手——至少在他们提供Ikigai提供的某些子集方面。

但值得一提的是，Premji Invest的管理合伙人Sandesh Patnam对Ikigai在市场上脱颖而出充满信心。

“Ikigai创始团队拥有行业和市场专业知识的深度，可以将AI前沿推入业务运营和决策的中心位置，”他在电子邮件中说。“他们对大型图形模型的创新将被所有希望将生成式AI应用于其现有表格数据的企业所接受。”

凭借新资本，总部位于旧金山的Ikigai计划在今年年底前将团队从30人扩大到70人。