Aqqua 的创始人雷纳托·贡萨尔维斯 (Renato Goncalves) 指出了巴西划船业面临的重大挑战。巴西的船只价格高得令人望而却步，大约需要 120 个月的最低工资，而美国则需要 14 个月。这种高昂的成本使得许多希望在水上享受一天的巴西人无法拥有船只。雷纳托 (Renato) 拥有 13 年的划船行业经验，他看到了一个机会，可以通过创建一个平台让划船变得更容易，船主可以在该平台上以实惠的价格列出自己的船只。然而，雷纳托面临另一个挑战：他需要一个可以支持应用程序创建的平台，而无需广泛的编码知识。

Armadillo Rent 由丹尼尔·冈萨雷斯 (Daniel González) 和他的兄弟创立，旨在帮助他们的父亲（墨西哥承包商）在淡季期间出租闲置的建筑设备。建筑业具有季节性，导致一段时期的高强度工作，然后是长时间的失业。这种情况导致淡季期间大量重型设备闲置。面临的挑战是将拥有重型设备的建筑公司与寻求租赁重型设备的建筑公司联系起来。此外，他们需要一个系统，允许设备所有者在出租时跟踪其库存。 Armadillo Rent 的创始人没有编码经验，也没有大量资金来开发传统应用程序。

Ataeum 是一个面向企业家的创新平台，它面临着创建一种一体化解决方案的挑战，该解决方案允许企业家与联合创始人联系，以自动化、低成本和无文书工作的方式运营初创公司。该团队希望创建一个平台，最大限度地减少联合创始人之间的不确定性和冲突，根据完成的工作量促进公平所有权，并管理合资企业，使企业家能够以轻量级和自动化的方式运营他们的初创公司。我们面临的挑战是创建一个平台，让企业家无需担心公司注册、章程、股票期权、国家资格和银行账户等问题，直到他们获得收入或决定注册。

Avanti 的创始人 Alex Fantappiè 发现了市场上的一个缺口，即高中生尽管有能力从事零工类型的工作，但缺乏赚钱的机会。此外，他注意到许多大型市场公司已经失去了客户的信任。我们面临的挑战是创建一个安全、负担得起的市场，将高中生与附近的就业机会联系起来，例如辅导、遛狗、洗车和技术帮助。该平台需要用户友好，让客户能够轻松找到并雇用当地高中生。此外，解决方案必须快速有效地开发，因为 Fantappiè 是一名资源和时间有限的大学生。

美国宇航局喷气推进实验室 (JPL) 的使命是在太阳系中寻找生命迹象，重点关注水的存在，水是生命的重要元素。喷气推进实验室的海洋世界生命勘测者 (OWLS) 项目正准备向木卫二（木星的卫星）或土星的卫星土卫二（土星的卫星）发射一艘航天器，在那里发现了冰和水蒸气。该航天器将配备显微镜来收集水样的视频数据，寻找微生物的证据。然而，由于距离遥远，将这些显微镜数据发送回地球是一项复杂且成本高昂的任务。传统的压缩方法是不够的，并且下行数据的能源成本极高。喷气推进实验室的机器学习仪器自主 (MLIA) 小组面临着构建机器学习 (ML) 模型的挑战，该模型可以识别最有可能包含生命迹象的视频、捕获短片并优先考虑将其下行传回地球。

Sharper Shape 是一家为公用事业公司提供安全、高效输电和配电解决方案技术的公司，该公司在开发机器学习 (ML) 模型时面临着挑战。该公司在先进的航空传感器系统中使用计算机视觉模型来支持无人机检查数据的自动收集和分析。他们的技术的一个常见用例是识别危险的电线设置，例如植被生长得太近、绝缘体破损等。然而，训练多个计算机视觉模型需要大量精确标记的图像。在使用 Labelbox 之前，Sharper Shape 团队严重依赖手动工作流程，并尝试使用开源标签工具，但这些工具无法提供满足其需求所需的配置量。此外，每位数据科学家花费了多达三分之一的时间在基础设施和实验管理上。

Advanced.farm 是一家专注于利用机器人技术实现农业任务自动化的公司，在提高其苹果采摘能力方面面临着挑战。苹果品种繁多，采摘季节短，很难跟上步伐。当他们为苹果开发计算机视觉机器学习 (CVML) 功能时，他们需要一个标签解决方案，使他们能够定期创建新项目并快速获得标签图像的周转。为了在第一个苹果采摘季节取得成功，他们必须通过注释管道快速处理大量图像，适应不断变化的苹果品种，并确保他们的模型在真实情况下尽可能准确和高效数据。

Ambi Robotics 为客户提供人工智能驱动的机器人系统，使他们能够扩大运营规模并应对不断增长的供应链需求。该公司的机器学习（ML）系统负责识别物体及其位置，并将机器人手移动到该位置以抓取物体。拾取成功率，即机器人成功拾取物体的频率，是成功的最重要标志。然而，Ambi Robotics 在获得高质量数据注释方面面临挑战，这对于改进模型至关重要。最初，该公司在内部管理注释流程，但这种方法无法根据他们所需的数据量进行扩展。在与新客户和新地点合作时，Ambi Robotics 有时会发现拾放成功率较低，仅仅是因为环境看起来不同。提高性能的最佳方法是从新位置挖掘数据，对其进行注释，然后重新训练 ML 模型。然而，该公司缺乏定期处理如此大量数据的基础设施。

Brex Inc. 是一家金融服务和技术公司，在实现财务工作流程自动化方面面临着重大挑战。该公司的目标是为企业提供一体化的财务解决方案，包括 Bill Pay 等功能，使企业能够在一个地方管理和支付账单。然而，该行业的大部分仍然依赖于容易出错的手动工作流程，特别是在文档处理方面。 Brex 发现传统的 OCR 解决方案不够可靠。上传的收据或账单中经过处理的信息通常不正确，需要验证和重新输入。即使声称使用机器学习的解决方案也没有达到足够高的准确性，并且需要 Brex 团队进行大量的前期工作来设置模板。我们面临的挑战是找到一种提供高精度和低延迟的解决方案。

CellarEye, Inc. 是一家致力于利用最先进的计算机视觉 (CV) 和人工智能 (AI) 技术彻底改变私人和专业葡萄酒收藏管理的公司。他们的目标是提供一个无缝管理系统，自动跟踪酒窖中的每个酒瓶，将品牌和位置存储到库存工具中，无需手动输入。然而，CellarEye 团队在实现其愿景方面面临着重大挑战。他们需要开发一个可靠的对象检测模型，以识别和跟踪酒瓶在库存中的登记和移除情况。拥有数千瓶酒的酒窖环境呈现出一个复杂的场景，有许多边缘情况。该公司最初因注释错误或不一致而苦苦挣扎，这使得实现超过 80% 的准确率成为一项挑战。他们需要一种更好的方法来检测数据问题，了解模型故障，并使机器学习 (ML) 团队能够与注释团队协作，更快地发现标签错误。

Flexport 是一家全球物流技术平台，在处理提单、商业发票和到货通知等物流文件方面面临着重大挑战。这些文件对于货物清关和确定货物所有权至关重要，传统上是使用基于模板且容易出错的 OCR（光学字符识别）解决方案或手工进行处理。这种方法不仅耗时，而且容易出错，导致货物运输延误并减慢内部运营速度。 Flexport 意识到需要一种基于机器学习的文档处理解决方案，该解决方案可以实现流程自动化并在几秒钟内准确提取有价值的信息。然而，面临的挑战是找到一个在人工智能和机器学习方面拥有深厚专业知识的合作伙伴，他们可以在无需 Flexport 建立机器学习工程师或数据科学家团队的情况下实施该解决方案。

Goodcall 是一家为企业提供智能电话代理的公司，在管理和注释聊天机器人生成的大量数据方面面临着重大挑战。聊天机器人使用自动语音识别 (ASR) 将语音转换为文本，并使用人工智能分析来解释客户请求，需要根据实际生产数据进行定期微调。然而，用高质量注释来标记如此大量的数据的过程非常耗时且占用资源。此外，由于其内部数据注释流程，Goodcall 无法匹配可用数据的规模。这意味着每一条未标记的数据都错失了改进模型的机会。为了增强模型性能和客户体验，Goodcall 需要一种可扩展、可持续的方法来标记大量数据。

哈佛医学院的达塔实验室致力于研究与啮齿动物行为相关的神经机制。他们的研究涉及使用摄像头记录小鼠的行为并使用神经植入物测量它们的神经活动。挑战在于对这些数据的分析，特别是解释行为数据。这需要研究人员随着时间的推移标记鼠标的姿势。虽然机器学习模型可以自动执行此过程，但需要首先手动注释大量视频片段。这种注释过程非常耗时，并且会影响研究人员花在需要其专业知识的其他研究方面的时间。该实验室需要一种解决方案来加快数据注释过程。

Kaleido AI 是一家总部位于维也纳的公司，致力于通过创建加速工作流程和培养创造力的工具来简化复杂的技术。该公司推出了自动图像背景去除器remove.bg和视频背景去除器Unscreen，大受欢迎并导致其于2021年被Canva收购。然而，Kaleido AI在改进其机器学习模型方面面临着重大挑战。该公司的模型需要大量高质量数据，但他们在特定的分割任务中遇到了几种边缘情况，导致模型表现不佳。收集和标记数以万计的具有多种图案、图像、背景和纹理的现实世界图像非常困难。开放数据集没有足够的此类特定类别的高质量图像。 Kaleido AI 最初依靠现实世界的数据来训练其分割模型，但这种方法非常复杂、资源密集且成本高昂。

Kodiak Robotics 是一家自主技术公司，正在为长途卡车运输行业开发自动驾驶功能。该公司使用独特的传感器融合系统和轻量级地图解决方案来导航高速公路驾驶并高效地运送货物。然而，该公司在训练软件处理罕见场景（例如行人在高速公路上行走）方面面临着重大挑战。这些边缘情况对于生产级自动驾驶汽车系统至关重要，但事实证明，收集足够多的真实示例来可靠地训练模型非常困难。

Nuro 是一家专门从事送货服务自动驾驶车辆的机器人公司，在识别训练数据中不常见但有意义的场景方面面临着重大挑战。该公司的自动驾驶车辆旨在将货物从农产品运送到处方药，需要能够识别和响应各种障碍物，包括姿势不寻常的行人、动物、被遮挡和背光的行人，以及挖掘机等不常遇到的车辆。然而，这些标签并不存在于其训练数据的基本事实中。该公司的内部工具只能识别有限数量的场景，达不到对其自动驾驶车辆进行全面训练所需识别和标记的数千张图像。

OpenSea 是全球领先的不可替代代币 (NFT) 市场，在检测和减少复制和欺诈方面面临着重大挑战。 Copymint 是流行 NFT 的复制品或模仿品，可能会欺骗用户，尤其是那些刚接触 NFT 世界的用户。信任和安全对于欢迎新人进入 Web3 生态系统至关重要，OpenSea 正在寻找供应商来帮助提高其检测和删除能力。该团队已经使用基于规则的系统来捕获各种形式的欺骗行为，但要达到有效解决市场欺诈所需的所需速度、召回率和精度是一个挑战。

Orchard Robotics 是一家为农民提供人工智能优先精准作物管理解决方案的公司，在收集和利用大型商业果园的精准数据方面面临着重大挑战。该公司开发了安装在拖拉机上的人工智能摄像头系统，用于收集每棵树的精确数据。然而，该公司需要准确地计算每棵树上的每个果实，这项任务被证明是非常困难和乏味的，特别是当果实很小时。作为一个小团队，Orchard Robotics 努力在内部扩展这些注释。他们最初尝试使用其他三种主要的数据标签服务，但无法达到所需的一致质量。批次之间的质量差异很大，并且他们无法向注释者提供有关标签质量的反馈。这些平台也不提供椭圆作为注释类型，迫使 Orchard Robotics 依赖边界框，这是标记球形水果时不太理想的选择。

SAP 是一家领先的软件公司，在改进其文档处理产品方面面临着挑战，特别是那些处理发票、采购订单和付款建议的产品。该团队拥有大量客户文档，但需要合作伙伴创建一个全面的数据集，以增强其应付账款产品，同时尊重数据所有权、隐私和敏感性。对于高性能模型来说，对高质量数据的需求至关重要。 SAP 需要优质的培训数据来训练模型，以处理和提取英语、德语和西班牙语采购订单和发票中的关键信息。客户数据的可变性（有些客户每周提供数千份文档，而另一些则需要数月时间才能提供相同数量的一小部分），这增加了挑战的复杂性。

TimberEye 团队在增强移动应用程序的日志扩展功能方面面临着重大挑战。该应用程序采用计算机视觉和激光雷达测绘技术，旨在帮助木材供应商和买家更快、更安全、更准确地对原木进行分类和缩放。然而，该团队希望尝试实例分割模型，以进一步提高应用程序的扩展能力。事实证明，注释图像以进行分割的过程是一项艰巨的任务。 TimberEye 首席执行官兼创始人 Scott Gregg 尝试自行注释分割数据集，但三天后仅标记了 1,000 张图像，他就精疲力竭了。该过程比为目标检测注释图像更具挑战性和耗时，每个图像需要点击 100-200 次鼠标，而不是仅仅 4 次。团队不知所措并陷入困境，他们只需要完成注释的数据集的 5%。

Velodyne Lidar 是一家为各行业的安全导航和自主制造激光雷达传感器的公司，在管理和从收集的大量传感器数据中选择相关训练数据方面面临着挑战。数据团队发现对常见的室内机器人场景进行分类相对容易，因为这些场景构成了测试机器人捕获的数据集的很大一部分。然而，发现更罕见的场景，例如仓库员工在剪叉式升降机顶部堆放箱子，被证明是一项艰巨的任务。该团队需要一个开箱即用的解决方案，为高效的数据选择和管理提供必要的工具。

Vistapath 是一家病理学实验室，在销售过程中面临着重大挑战，销售过程是诊断癌症等疾病的关键步骤。 Grossing 涉及评估和记录组织样本的物理特征，这个过程很容易出现人为错误，并可能导致误诊。 Vistapath 旨在通过利用计算机视觉和人工智能来减少这些错误。然而，他们在开发稳健的组织检测模型时遇到了问题。该模型需要数百到数千张精确注释的图像，这项任务需要组织学家和专家可以轻松使用的工具。最初，Vistapath 使用开源注释工具，但缺乏自动化和可扩展性。然后，他们尝试了一种自动化程度更高的工具，但未能满足他们的安全性和合规性要求。因此，Vistapath 需要一个能够提供注释自动化工具来满足其严格的安全性和合规性要求的合作伙伴。

Voxel 是一家利用人工智能和计算机视觉来管理风险和运营的公司，面临着两个重大挑战。首先，他们需要为其计算机视觉系统维护高质量的训练数据。其次，他们寻求自动化标签流程以提高吞吐量，同时保留内部注释团队。 Voxel 已经投资了一个由主题专家组成的内部注释团队，但他们在标签操作的效率方面遇到了困难。他们一直在使用开源解决方案计算机视觉注释工具（CVAT），当他们增加模型训练所需的注释量时，该解决方案造成了瓶颈。从操作角度来看，Voxel 发现很难有效地收集数据和有关数据标记过程的见解，从而导致大量的手动工作。该工具无法有效地将数据质量与各个注释器联系起来，因此很难确定低质量标签的原因。在工程方面，Voxel 必须为新客户项目定制数据管道，这个过程需要多名工程师为每个项目花费四个星期的时间。

Yuka 是一款提供食品和化妆品对健康影响信息的移动应用程序，在管理其快速增长的数据库方面面临着重大挑战。该数据库已包含超过 400 万种产品，并以每天约 1,200 种新产品的速度扩展。 Yuka 的小团队无法手动审查添加到平台的每个新产品，这个过程通常需要多个转录任务。该应用程序最初使用 OCR 扫描产品图像以获取营养信息和成分，但此过程并不总是准确的。 OCR 难以处理光照不一致、障碍物或不规则文本表面的图像。结果，提交给 Yuka 的大约 60% 的图像需要外包给人工注释者。对于 Yuka 的小团队来说，这是一项艰巨的任务，特别是考虑到他们的目标是在产品添加到数据库后 2-3 小时内提供产品的健康评分。

一家拥有百年历史的全球知名咨询公司正在寻求利用人工智能来增强其审计能力。该公司的声誉取决于其进行彻底审计的能力，无论审计规模、复杂程度或地点如何。该公司的专家花费大量时间手动审查各种会计、审计和行业信息，这一过程既耗时又昂贵。该公司估计每次审计员搜寻持续 10 分钟，平均花费 50-60 美元。该公司数据科学团队的任务是简化新闻监控，以预测资本市场、监管趋势或技术创新的变化。他们的目标是使用自定义 NLP 模型自动分析、分类和从各种来源提取关键客户信息。然而，他们在标记机器学习算法的训练数据方面面临挑战。三位专家每周需要标记 500 个训练数据点，他们发现几乎不可能动态适应数据或业务目标的变化。

乔治城大学安全与新兴技术中心 (CSET) 面临着构建 NLP 应用程序来对复杂研究文档进行分类的挑战。目标是展示具有分析兴趣的科学文章，为数据驱动的政策建议提供信息。然而，该团队发现大规模的手动标记工作是不切实际的。他们最初尝试了 Snorkel 研究项目，该项目使他们能够在几周内以编程方式标记 90K 数据点，达到 77% 的精度。然而，数据科学家和主题专家之间的协作既耗时又低效，涉及电子表格、Slack 通道和 Python 脚本。此工作流程使得提高数据和模型质量成为一个缓慢的过程。该团队受到自动标记、获取数据可见性以及提高训练数据和模型质量的低效工具的限制。缺乏从模型训练和分析到标记的集成反馈循环也意味着数据科学家和主题专家必须花费很长的周期来重新标记数据以匹配不断变化的业务标准。这些挑战限制了团队交付生产级模型、缩短项目时间和承担更多项目的能力。

一家全球托管银行在了解您的客户 (KYC) 流程中面临重大挑战。分析师和投资经理每年花费 10,000 多个小时审查和抄录 10-K，这对于验证公司身份、建立风险状况以及为多个业务流程提供信息至关重要。该银行每年处理 10,000 多份文件，每份文件的审核时间为 30 至 90 分钟。由于 10-K 的格式多种多样，这一过程变得更加复杂，如果有任何信息丢失或不正确，分析师就必须花费额外的时间来查找它。这不仅延长了客户入职流程，还给竞争对手提供了趁虚而入的机会。该银行曾尝试使用基于规则的系统来解决该问题，但事实证明该系统过于僵化，只能识别有限范围的信息。文档格式/布局。由于多个地区的法规不断变化，该系统还需要频繁更新，这需要几个月的时间才能实施。

纪念斯隆凯特琳癌症中心 (MSKCC) 是世界上历史最悠久、规模最大的癌症中心，它面临着通过对相关蛋白质 HER-2 的存在进行分类来确定患者作为临床试验研究候选者的挑战。审查 HER-2 患者记录的过程既费力又耗时，因为它需要临床医生和研究人员筛选复杂、多变的患者数据。 MSKCC 的数据科学团队希望使用 AI/ML 根据 HER-2 的存在对患者记录进行分类，但缺乏标记的训练数据是一个重大瓶颈。标记数据，尤其是复杂的患者记录，需要临床医生和研究人员的专业知识，而且速度缓慢且昂贵。即使专家能够手动注释训练数据，他们的标签有时也会不一致，从而限制了模型的性能潜力。

Pixability 是一家数据和技术公司，为广告商提供准确定位 YouTube 上的内容和受众的能力。然而，由于每天观看的 YouTube 内容超过 7 亿小时，Pixability 面临着持续准确地对数十亿视频进行分类以确保广告在适合品牌的内容上投放的挑战。他们现有的用于视频分类的自然语言处理 (NLP) 模型的性能不够强。由于依赖需要多次迭代的外部数据标记服务，为机器学习解决方案标记训练数据的过程很慢。由于时间有限，领域专家和数据科学家必须解决不明确的标签，因此协作受到限制。此外，标题、描述、内容和标签中的有价值信息很难标准化。

斯伦贝谢是能源行业领先的技术和服务提供商，在从大量每日报告中提取关键信息方面面临着重大挑战。这些报告，从日常钻井报告到油井维护日志，都有其独特的结构和格式，使得斯伦贝谢团队很难快速提取必要的信息。该团队尝试使用命名实体识别 (NER) 自动提取信息，但现成的 ML 模型无法识别与勘探和生产 (E&P) 行业相关的科学术语。创建特定领域的训练数据集非常耗时且不可扩展，每个文档需要 1-3 个小时。该团队需要识别 18 个不同的行业特定实体，并自动将数据与这些实体关联起来。然而，丰富的信息隐藏在 PDF 中的表格和原始文本中，不同公司的报告格式各异。领域专家和数据科学家之间的合作也很差，文件共享和临时会议很繁琐。