你應該知道的18家深度學習初創公司

過去幾周，我們一直在采用深度學習算法為未來幾周即將推出的一個新VentureRadar功能而努力。這激起了我尋找更多開發和應用深度學習的創業公司的興趣，所以我決定在VentureRadar的數據庫中選出這一新興領域里排名最高的18家公司，并近距離了解它們到底在做什么。

你也可以在VentureRadar網站搜索關鍵詞「Deep Learning」了解更多這一新興領域的公司。 下面是這排名最高的18家公司的簡介。

Enlitic/醫療診斷

Enlitic于2014年8月在三藩市成立，采用深度學習和圖像分析幫助醫生做出診斷并標記出醫學圖像中的異常，從而讓醫療更加精確和更有效率。例如，Enlitic可以分析X光、核磁共振成像或CT掃描得到的醫學圖像，然后找出數據中的趨勢或單個圖像中的異常情況。

公司創始人Jeremy Howard（同時也是一名黑客和數據科學家）認為，數據科學是項非常性感的職業。但是，數據科學家現在做的大部分工作卻是產品推薦或者廣告投放等。他覺得這不夠性感。為了給數據科學找到更好的應用，讓深度學習做些更有意義的事情，他將注意力放在了醫療方面。

他的基本思考是，創造一個類似星際迷航三錄儀一樣的系統（不過可能無法便攜），搜集有關特定病人的數據——從醫療圖片、實驗室檢測結果到醫生的便箋——讓深度學習分析這些數據，做出診斷并給出治療建議。這并非讓機器替代醫生，而是為其提供讓診斷更加便利的工具。公司還將與診所、醫院以及其他醫療單位合作，分析算法，進一步精煉公司的技術。

Synapsify /非結構化文本的觀點提取

Synapsify構建了能在語義上閱讀和學習類似人類書寫內容的應用，可以用于加速發現、觀點提取和建議。這家公司的愿景是讓所有人都可以在沒有技術專家和資源的情況下使用機器智能得到可操作的觀點和發現，并從中受益。

Affectiva /面部表情分析

Affectiva的技術采用先進的計算機視覺算法來捕捉和識別視覺刺激所激發的情感反應。Affectiva的旗艦產品Affdex簡單易用；只要一個攝像頭，任何地方都可以，也不需要安裝軟件。另外Affdex也很簡潔低調，沒有凌亂的布線或電極。

Ripjar/社交媒體分析

Ripjar幫助企業利用大數據。Ripjar的應用套件讓企業可以將目標外部數據（社交媒體、新聞、博客和互聯網網頁）與內部信息結合起來，產出獨到的觀點以幫助他們做出及時的關鍵業務決策。Ripjar的產品集可以用條理分明的方式監控、分析和探索混合的數據集。

Deepomatic/計算機視覺

Deepomatic正在打造一個能夠將媒體圖片中任何想要的產品與電子商務網站中同樣或類似的產品鏈接起來的按鈕。內容發行者可以將他們的圖像經過算法的掃描，檢測和識別出其中讓人心動的產品（如：時尚產品）。通過將自動理解產品屬性和圖案顏色的比較相結合，Deepomatic將這些圖像和電子商務網站上同樣或類似的產品鏈接在一起。Deepomatic便由此可以和內容所有者分享這個新增的收入來源。

Indico/自然語言處理和圖像分析

Indico開發能夠自動理解的機器學習模型，目標是讓每一個程序員都成為一個10倍以上的數據科學家。該公司的每一個模型執行一個特定的任務。例如，其「文本標簽（Text Tags）」模型可以確定段落的主題，而「面部定位（Facial Localization）」模型則可以找到圖像中所有的臉。用戶可以將這些模型結合應用以解決其數據中更為復雜的問題。

Clarifai/圖像和視頻識別

2013年，Clarifai的第一個圖像識別系統在識別圖像中的物體的ImageNet比賽中進入了前五強。自那以后，Clarifai的深度學習系統不斷進化，提高了識別的速度、詞典的大小和內存的占用，同時應用范圍也超出了圖像識別，可以從各種形式的數據中提取知識。Clarifai的技術中樞是高性能深度學習API，在這之上Clarifai正在構建新一代智能應用。這讓Clarifai能夠通過以全新的創新的方式向所有人提供高技術解決方案應對日常問題。

公司創始人Matthew Zeiler，紐約大學計算機科學PHD，曾和深度學習領域兩個最牛人物一——Geoff Hinton和Yann LeCun一起工作過五年。他發現真正困難的地方是建立學習模式——處理所有視覺數據的關鍵算法——能夠快速處理各種不同圖片。Zeiler很清楚，「訓練這些模型與其說是科學工作，不如說是種藝術」，「需要很多年的經驗。」這正好是Clarifai的切入點。Zieler的想法是，只要用戶將照片上傳到Clarifai軟件，這個軟件就會分析出照片里的內容并提供與此類似的更多照片。與傳統基于文本的圖片搜索截然不同的是，這是真的以視覺為基礎的搜索。

Atomwise/藥物發現

Atomwise采用深度學習神經網絡發現新的藥物。該公司稱自己在新藥發現、結合親和力預測和毒性檢測上得到了世界上最好的結果。Atomwise為制藥公司、創業公司和研究機構提供候選藥物預測服務。

Descartes Labs/圖像識別、衛星與農業

基于深度學習和先進的遙感算法，Descartes Labs正在教導計算機如何看世界以及世界如何隨時間改變。他們的第一個應用是使用大量衛星圖像（包括可見光段和不可見光段），更好了解全球農作物生產。

MetaMind/自然語言處理和圖像識別

MetaMind想讓人人都能使用深度學習。該公司正在打造一個用于自然語言處理、圖像理解和知識基礎的分析的人工智能平臺。該公司提供了用于醫療成像、食物識別和解決方案定制的產品。

MetaMind希望提供包括自然語言處理在哪的更為廣泛多樣的工具。 深度學習有望幫助機器真正理解用戶說的話，而這種技術的關鍵特點之一就是能夠自我訓練，這也是許多人相信它能有助于自然語言處理的根據所在。而這正是另一個MetaMind工具正在開發的領域，當你輸入連個句子，這個工具能夠告訴你兩個句子的相似程度。這種技術能夠被商家用來自動回復客戶問題。Socher說，用戶的詢問方式多種多樣，盡管絕大多數時候，意思差不都多。這個工具也能用來分析一些社交網絡（比如推特）上用戶對公司的評價。

MetaMind目前從事深度學習咨詢的業務，也會提供自己的深度學習服務和軟件。借由運行MetaMind的數以百計裝備成千上萬圖像處理器的學習機器，這一在線服務省去了客戶建立自己系統的麻煩和成本。但是，如果客戶想要運營自己的深度學習系統，MetaMind會為它提供軟件和專業服務，如果確有必要的話。

Quantified Skin/預測分析

Quantified Skin是一個基于人工智能的平臺，能夠為提高用戶健康學習、適應和提出活動建議。Quantified Skin的目標是減少肥胖引起的慢性疾病；要知道，美國現在的肥胖狀況已經達到了有史之最。使用Quantified Skin平臺的初步效果已經顯現，用戶的行為在向更健康的生活方式前行。

Deep Genomics/基因醫學

Deep Genomics擁有世界領先的機器學習、基因生物學和精密醫學方面的專業知識技術。該公司正在開發能夠在基因突變（不管是自然的還是治療性的）引起DNA改變時預測細胞內會發生什么變化的新一代計算技術。

HyperVerge/計算機視覺與圖像識別引擎

HyperVerge使用深度學習算法處理云中消費者的圖片和視頻。HyperVerge開發的用于圖像處理的已獲專利的專有圖像技術模型包括：面部檢測、面部識別、場景識別、差照片檢測、重復照片檢測、照片分類、相冊總結、面部美化和照片美化。

Idibon/自然語言處理和社交媒體分析

Idibon基于云的自然語言處理服務讓企業能夠組織和結構化書面語言來回答關鍵業務問題和進行流程自動化。Idibon有一個準確的適應性系統，支持NER /文本提取、情感分析、文本/內容分類、語言檢測/識別。

Tractable/計算機視覺

Tractable正在開發專有的機器學習算法，重點是用于計算機視覺的深度學習。該公司的重點是讓未標記的數據和監督學習一起工作。應用領域包括保險索賠、工業檢測、遠程監控等。

Trustingsocial/信用評分

Trustingsocial正在將大數據和深度學習技術應用到社會、移動和網頁數據上，并借此為新興市場開發消費信用評級服務。其評分算法可以從大量的社會數據中學習如何預測短期和長期的收入和資信情況。它是基于消費信用記錄的FICO評分系統的補充。通過利用社交網絡數據，該評分系統適用于全球數十億用戶。

Trak.io/數據分析

Trak.io是一個基于云的平臺，軟件即服務（SaaS）公司可以使用它來跟蹤他們的客戶數據。通過高效的記錄系統（SOR）過程和深度學習&模式識別的結合，該公司全面的管理平臺能夠建立客戶行為的預測模型。Trak.io取用客戶的所有客戶數據，比如功能使用狀況、支付、支持服務單和郵件記錄，然后再根據這些數據自動對用戶進行分類。

Skymind/文本分析、欺詐檢測和垃圾郵件檢測

Skymind是一家商業智能和企業軟件公司，該公司通過分析媒體、圖像和聲音來定位和量化影響業務的模式。該公司擁有一個深度學習和半情感機器人專家團隊，開發了世界上第一個開源的、分布式的、商業級的深度學習框架：Deeplearning4j.org。

公司創始人Adam Gibson認為，深度學習不應被幾個巨頭所把持，應該走向大眾（所以，他的公司名稱是「sky」+「mind」），希望每個公司不雇傭自己的數據科學家也能使用深度學習。「我們在克隆谷歌的功能」，Patterson表示。盡管他們的項目才剛開始，但已經能夠利用深度學習技術開發網絡服務。「我們已經能做出一些產品，至少能復制論文上的結果。」不過他們沒有透露哪些公司在用他們的產品。

本文選自 ventureradar ，作者：Gelareh Taghizadeh，機器之心編譯出品，編譯：吳攀。