Secteur de l’IA : faits saillants technologiques récents et opportunités d’investissement

Source : Bureau de traduction de 36Kr Dieu

Source de l'image : générée par Unbounded AI‌

NDLR : La technologie de l'intelligence artificielle se développe à un rythme rapide, et de nombreuses start-up dans le domaine de l'intelligence artificielle se sont démarquées. Dans cet article, examinons quelles startups prometteuses de l’IA ont été sélectionnées par des investisseurs comme Sequoia Capital et Kleiner Perkins Caufield & Byers. Cet article est issu d’une compilation et j’espère qu’il pourra vous inspirer.

Si vous ne disposez que de quelques minutes, voici les startups les plus passionnantes en matière d'intelligence artificielle que les investisseurs, les opérateurs et les fondateurs devraient connaître.

• Améliorer la santé humaine. Les startups utilisent la technologie de l’intelligence artificielle pour améliorer les résultats médicaux et concevoir de nouveaux traitements. Par exemple, la société Alife utilise l’intelligence artificielle pour améliorer les traitements de fécondation in vitro et offrir aux patientes de meilleures chances de concevoir. Au fil du temps, l’approche de l’entreprise pourrait bouleverser fondamentalement la structure des coûts du secteur. NewLimit est une autre startup du secteur de la santé qui exploite la technologie de l'IA. L'équipe de l'entreprise cherche de meilleurs moyens de traiter des maladies tenaces qui étaient auparavant difficiles à traiter.
• Laissez l'intelligence artificielle au service des entreprises. La plupart des produits de l’IA générative sont destinés aux consommateurs. Les internautes réguliers peuvent désormais jouer avec des modèles complexes et créer du texte et des images. Plusieurs entreprises prometteuses répondent plus directement aux besoins des entreprises, en créant des produits qui intègrent des données internes conformément aux directives de l'entreprise. Glean, Lamini, Dust et Lance sont des représentants de cette tendance.
• Utilisez l'IA pour limiter l'IA. La révolution de l’IA peut apporter de nombreuses nouvelles opportunités, mais elle entraînera également de nombreuses menaces. En particulier, l’IA générative facilite la création de messages écrits réalistes, augmentant ainsi le nombre et la sophistication des escroqueries de type « spear phishing », conçues pour obtenir des informations personnelles des destinataires. Des entreprises comme Abnormal Security sont capables d'utiliser l'intelligence artificielle pour détecter les messages d'IA malveillants afin de prévenir de telles attaques. *Les startups d'IA sont réparties partout dans le monde. Alors que les États-Unis abritent de nombreux géants de l’industrie comme OpenAI et Google, des startups prometteuses émergent partout dans le monde. Mistral construit un modèle de langage open source à grande échelle à son siège parisien, et l'un de ses fondateurs pense qu'il rivalisera avec OpenAI. La société allemande Sereact a également développé d’impressionnants produits robotisés à intelligence artificielle et signé des contrats avec des géants industriels.

L'intelligence artificielle est le fil conducteur de l'histoire technologique de cette année. Depuis la dernière série « Que surveiller en IA », ce domaine a continué d’attirer des capitaux, des talents et de l’attention. Bien entendu, toutes les attentions ne sont pas positives. Malgré l'enthousiasme général suscité par les capacités de cette technologie, au cours des quatre derniers mois, les poids lourds de l'industrie ont exprimé leurs inquiétudes et les régulateurs ont commencé à élaborer des garde-fous. Dans les mois et les années à venir, l’intelligence artificielle aura un impact considérable sur nos vies et créera de nouveaux gagnants et perdants à travers le monde.

Notre série « Ce qu'il faut regarder » est conçue pour aider les lecteurs à se préparer aux temps à venir et à envisager l'avenir plus clairement. Il s’agit d’un excellent point de départ pour ceux qui souhaitent comprendre les technologies émergentes à la frontière de l’intelligence artificielle et profiter des changements en cours. Pour ce faire, nous avons invité les investisseurs et fondateurs les plus marquants dans le domaine de l’intelligence artificielle à nous présenter les startups qui leur paraissent les plus prometteuses.

1. Vivant

Utiliser l'intelligence artificielle pour améliorer la technologie de FIV

Dans tout processus de reproduction, il y a des moments qui nécessitent une prise de décision humaine, et les deux liens les plus pertinents avec la FIV sont la « stimulation ovarienne » et la « sélection d'embryons ».

La « stimulation ovarienne » fait référence à la détermination de la dose de médicament qu'une patiente reçoit pour stimuler la croissance des follicules dans les ovaires et au moment où administrer une injection de déclenchement pour stimuler la libération des ovules par les follicules. Le moment du déclenchement est crucial : s'il est trop tôt, vous risquez d'avoir des œufs immatures ; s'il est trop tard, vous risquez d'avoir des œufs trop mûrs ou de ne pas avoir autant d'œufs que possible.

La « sélection d'embryons » fait référence au choix de l'ovule fécondé à utiliser et à implanter. Actuellement, les cliniciens et les embryologistes, comme la plupart des professionnels de la santé, fondent leurs décisions sur une combinaison de leur propre expérience et formation, de systèmes de notation morphologique et d'essais et d'erreurs. Si la dose ou le timing ne convient pas au cours d'un cycle, ils l'ajusteront au cycle suivant. Cela nécessite des compétences professionnelles très élevées de la part des médecins et, à ce stade, les médecins ont différents niveaux de compétence et leurs compétences sont très importantes pour les résultats. Pour la fertilité, un marché où l’offre est fortement limitée, cela signifie un prix élevé, surtout si vous souhaitez obtenir des résultats optimaux.

Alife développe des outils d'intelligence artificielle pour améliorer les résultats de la fécondation in vitro (FIV). L'entreprise utilise des outils d'intelligence artificielle pour fournir aux praticiens des « super pouvoirs » leur permettant d'améliorer la précision de leur prise de décision en exploitant d'énormes ensembles de données d'entrée et de résultats. Désormais, grâce à une interface simple, les médecins peuvent saisir les caractéristiques d'un patient et recevoir des recommandations précises à des moments clés du parcours de fertilité, dérivées des résultats de milliers de cycles précédents. Ces ensembles de données proviennent de grandes quantités d'informations sur les patients qui existent déjà et s'améliorent à mesure que chaque patient utilise les produits Alife.

Ces outils changeront la nature de l’industrie de la fertilité. Les recherches d'Alife montrent que leur modèle d'apprentissage automatique peut aider les médecins à optimiser 50 % du moment de déclenchement et à récupérer en moyenne trois ovules matures supplémentaires, deux ovules fécondés et un embryon supplémentaire. Les produits d'Alife peuvent élargir considérablement l'accès aux traitements contre l'infertilité, en réduisant les coûts par patient en réduisant la dose de médicaments requise et en augmentant le taux de réussite des cycles de FIV. Cela uniformiserait également les règles du jeu pour les médecins, en donnant à ceux qui manquent d’expérience directe un accès à un plus large éventail de connaissances et d’informations.

En fin de compte, vous pouvez imaginer que les outils d'Alife fournissent toutes les informations nécessaires aux moments de jugement d'un processus et permettent à des praticiens autres que les médecins d'opérer, modifiant ainsi considérablement la structure des coûts et la disponibilité du secteur. De plus, la médecine de précision basée sur les données, qui augmente (ou éventuellement remplace) le jugement d’une personne par des recommandations personnalisées, n’est pas unique au monde de la FIV. Il existe des milliers de moments comme celui-ci dans la médecine, où nous avons la possibilité d’utiliser les données pour modifier radicalement les résultats et l’accès aux procédures et traitements critiques.

—Rebecca Kaden, associée commanditée, Union Square Ventures

2. Glaner

Recherche d'entreprise

Au travail, trouver exactement les informations dont vous avez besoin au moment où vous en avez besoin devrait être simple et rapide. Étant donné que tout le monde utilise de nombreuses applications pour faire son travail et génère par conséquent beaucoup de données et de documents, ce n'est pas toujours le cas. À mesure que la « connaissance » croît de façon exponentielle et que la nature du travail est de plus en plus distribuée, il faut de plus en plus de temps pour trouver les connaissances existantes. En d’autres termes, il est assez difficile de « chercher des trucs » au travail.

Pour aider les employeurs à résoudre ce problème, Arvind Jain et son équipe ont créé Glean, une plateforme de recherche unifiée d'emploi alimentée par l'IA. Il équipe les employés d'un assistant de travail intuitif qui les aide à trouver exactement ce dont ils ont besoin et à découvrir de manière proactive ce qu'ils doivent savoir.

La mission de l'entreprise a été simple depuis le début : aider les gens à trouver plus rapidement des réponses à toutes leurs questions sur leur lieu de travail, avec moins de frustration et de perte de temps. Mais les résultats de l’entreprise se sont ensuite étendus bien au-delà de la recherche. Par exemple, Glean recherche non seulement toutes les applications et bases de connaissances du lieu de travail (Slack, Teams, Google Drive, Figma, Dropbox, Coda, etc.), mais il comprend également le langage naturel et le contexte, en fonction des rôles des personnes et à l'intérieur/à l'extérieur de l'entreprise. Les relations personnalisent les interactions des utilisateurs. Il affiche intelligemment les informations les plus populaires et vérifiées de votre entreprise, vous aidant ainsi à découvrir ce que votre équipe sait et à rester cohérent, le tout de manière autorisée.

À mesure que les organisations sont de plus en plus dispersées et que les connaissances sont plus fragmentées, les assistants de travail intuitifs comme Glean ne sont plus un outil utile mais essentiel pour améliorer la productivité des employés. La croissance de l'entreprise éliminera les obstacles qui entravent le progrès et créera une expérience de travail plus positive et plus productive.

De plus, la technologie de recherche de Glean lui permet d’introduire l’IA générative sur le lieu de travail tout en respectant les autorisations strictes et les exigences de gestion des données de l’entreprise. Aujourd’hui, l’un des principaux obstacles qui empêchent les entreprises de mettre en production des applications d’IA est leur incapacité à mettre en œuvre des contrôles de gouvernance appropriés. En insérant des autorisations de données en temps réel dans l'environnement sur site d'une entreprise, Glean est devenu la solution idéale pour aider les entreprises à résoudre les problèmes de gouvernance à grande échelle et permettre aux entreprises d'exploiter en toute confiance leurs données internes pour la formation et l'inférence de modèles, tirant ainsi parti d'une solution de niveau entreprise. Plateforme de données IA /Le rôle du stockage vectoriel.

Au fil du temps, nous pensons que chaque entreprise disposera de sa propre version de l'IA qui comprend les nuances de l'entreprise et de ses employés. Nous pensons que Glean saisit cette opportunité. —Josh Coyne, associé, Kleiner Perkins

3. Lance

Stockage et gestion des données multimodales

Nous avons tous joué à Midjourney et la plupart d'entre nous ont vu une démo de GPT-4. Midjourney (texte en image) et GPT-4 (image en texte/code) illustrent les possibilités lorsque les modèles deviennent multimodaux, reliant différentes formes de médias tels que le texte, les images et l'audio. Alors qu’une grande partie de l’engouement actuel pour l’IA tourne autour de modèles basés sur du texte, les modèles multimodaux sont essentiels pour construire des représentations plus précises du monde.

Alors que nous nous lançons dans la prochaine vague d’applications d’IA dans des secteurs tels que la robotique, la santé, la fabrication, le divertissement et la publicité, de plus en plus d’entreprises s’appuieront sur des modèles multimodaux. Des sociétés comme Runway et Flair.ai sont de bons exemples de leaders émergents dans leur domaine qui ont constaté une demande massive des utilisateurs pour leurs produits, tandis que des sociétés existantes comme Google ont commencé à lancer des fonctionnalités multimodales similaires.

Cependant, l’utilisation de modèles multimodaux pose un défi : comment stocker et gérer les données ? Les formats de stockage traditionnels comme Parquet ne sont pas optimisés pour les données non structurées, de sorte que les grandes équipes de modèles de langage connaissent des performances lentes lors du chargement, de l'analyse, de l'évaluation et du débogage des données. De plus, les flux de travail de modèles de langage volumineux sont plus sujets à des erreurs subtiles en raison de l’absence d’une source unique de vérité. Lance est la dernière entreprise à émerger pour relever ce défi. Des sociétés telles que Midjourney et WeRide convertissent des ensembles de données à l'échelle du pétaoctet au format Lance, ce qui offre des améliorations significatives des performances et des coûts de stockage supplémentaires d'un ordre de grandeur inférieurs par rapport aux formats traditionnels tels que Parquet et TFRecords.

Lance ne s'arrête pas au stockage, ils ont reconnu la nécessité de reconstruire l'ensemble de leur pile de gestion de données pour mieux s'aligner sur le monde vers lequel nous nous dirigeons, où les données multimodales non structurées deviendront l'atout le plus précieux d'une entreprise. Leur premier produit de plateforme, LanceDB (actuellement en version bêta privée), offre une expérience intégrée transparente aux développeurs cherchant à intégrer des fonctionnalités multimodales dans leurs applications.

Lance n'est qu'un exemple de la manière dont les entreprises amènent les développeurs dans un avenir multimodal, et je suis très heureux de voir d'autres technologies émerger pour faire progresser les applications multimodales. Avec le développement de l’intelligence artificielle, un tel avenir ne tardera pas à devenir une réalité. ——Saar Gur, associé commandité, CRV

4. Sécurité anormale

Contenir la vague de cyberattaques améliorées par l'IA

Je suis un optimiste sans réserve en matière d’IA générative, mais je ne suis pas naïf sur le sujet. Par exemple, je suis préoccupé par la prolifération des attaques d'« ingénierie sociale » telles que le spear phishing, qui utilisent souvent le courrier électronique pour extraire des informations sensibles. Depuis que ChatGPT est devenu populaire l’année dernière, l’incidence de telles attaques a considérablement augmenté.

Au cours de l’année écoulée, le nombre d’attaques pour 1 000 habitants est passé de moins de 500 à plus de 2 500, selon Abnormal Security. La sophistication des attaques augmente également de façon spectaculaire. Tout comme n’importe quel étudiant peut utiliser ChatGPT pour rédiger un essai parfait, ChatGPT peut également être utilisé pour envoyer des messages frauduleux grammaticalement parfaits et dangereusement personnalisés.

Selon le FBI, ces attaques ciblées de « compromission de la messagerie professionnelle » ont causé plus de 50 milliards de dollars de pertes depuis 2013. Et ça va empirer. Chaque jour, d'innombrables cybercriminels et autres acteurs malveillants exploitent des outils de type chapeau noir comme « WormGPT », un chatbot conçu pour extraire les données des logiciels malveillants afin d'orchestrer les campagnes de fraude les plus convaincantes et à grande échelle pour mener des activités frauduleuses.

Heureusement, les cofondateurs d'Abnormal, Evan Reiser et Sanjay Jeyakumar, travaillent dur pour utiliser l'intelligence artificielle pour lutter contre cette menace. Vous pouvez considérer cela comme l’utilisation de l’IA pour combattre l’IA. Historiquement, les systèmes de sécurité de messagerie recherchaient les signatures de mauvais comportements connus, tels que des adresses IP spécifiques ou des tentatives d'accès à des informations personnellement identifiables (PII).

En exploitant la puissance de l’intelligence artificielle, Abnormal renverse tout cela. Parce que de nombreuses attaques semblent légitimes grâce à l'intelligence artificielle, l'approche d'Abnormal consiste à comprendre pleinement les bons comportements connus afin que même les écarts subtils soient remarqués. L'entreprise utilise des modèles linguistiques à grande échelle pour créer des représentations détaillées de son fonctionnement numérique interne et externe, par exemple qui se parle généralement et sur quel contenu ils sont susceptibles d'interagir. Si mon partenaire Reid Hoffman m'envoyait un e-mail et me disait : « Hé, s'il vous plaît, envoyez-moi les dernières informations sur Inflection.AI. » Le moteur d'IA d'Abnormal le découvrirait rapidement. , Reed commence rarement par « hé », envoie rarement une seule phrase, et il ne m'a jamais demandé de lui envoyer un fichier sur Inflection.AI. (En tant que co-fondateur et membre du conseil d'administration de l'entreprise, il avait plus accès à ces documents que moi !).

Sans surprise, alors que les préoccupations en matière de sécurité autour de l’IA générative continuent de croître, la demande des entreprises clientes d’Abnormal s’est accélérée. Je pense que le succès d'Abnormal est très gratifiant car il a été capable d'exploiter l'IA si rapidement pour résoudre des problèmes accélérés par l'IA. En période de changements technologiques perturbateurs, les mauvais acteurs bénéficient souvent d’un long avantage en tant que premier arrivé. Après tout, ils peuvent profiter de l’innovation sans avoir à se soucier de la qualité des produits, de la sécurité ou des régulateurs qui n’ont pas encore promulgué de nouvelles lois.

Dans le même temps, les startups technologiques se concentrent naturellement sur le développement de nouveaux cas d’utilisation puissants pour leurs innovations plutôt que sur le blocage des innovations illégales ou perturbatrices. Mais comme tous les problèmes liés à l’intelligence artificielle, les cyber-dommages que peut causer une mauvaise utilisation de l’intelligence artificielle sont stupéfiants. Grâce à la prévoyance de l’équipe Abnormal, la nouvelle normalité de la cybercriminalité pourrait au moins devenir moins probable. —Sam Motamedi, associé, Greylock

5. Poussière

Autonomisez les travailleurs du savoir

Il est clair que les grands modèles linguistiques amélioreront l’efficacité des travailleurs du savoir. Mais on ne sait pas exactement comment cela se ferait. Dust essaie de comprendre cela. Les gestionnaires de connaissances ne sont d'aucune utilité au sein de l'entreprise s'ils ne peuvent pas accéder aux données internes. Dust a donc construit une plateforme qui indexe, intègre et met à jour en temps réel les données internes d'une entreprise (Notion, Slack, Drive, GitHub) et les expose à des produits alimentés par de grands modèles de langage.

Les cofondateurs de Dust, Gabriel Hubert et Stanislas Polu, ont vendu leur entreprise à Stripe et y ont travaillé pendant cinq ans. Ils ont pu constater par eux-mêmes à quel point les entreprises à croissance rapide ont du mal à se développer. Ils ont été témoins de ce qu'on appelle la « dette informationnelle » et se concentrent désormais sur l'application de grands modèles de langage pour résoudre certains des principaux problèmes qui y sont associés. Actuellement, Dust explore les applications suivantes sur sa plateforme :

• Moteur de réponse. L’accent est mis sur la réalité, car elle est essentielle à une adoption généralisée.
• Générer un assistant. Fournit une aide basée sur un modèle lors de la création de contenu. Par exemple, générez des paragraphes manquants en fonction de données internes. *Documents mis à jour automatiquement. Chaque fois que des informations apparaissent au sein de l'entreprise et doivent mettre à jour le document, le propriétaire du document reçoit des notifications et des suggestions.
• Extraction d'événements structurés. Les utilisateurs peuvent générer des événements structurés à partir de données non structurées (telles que des fils de discussion Slack) sur la base de modèles prédéfinis.
• Suivi des données internes. Surveillez les données de l'entreprise avec des règles intelligentes. Par exemple, recevez une alerte si des informations personnelles identifiables (PII) apparaissent par inadvertance là où elles ne devraient pas.

Même s'il s'agit d'un contenu important, les fondateurs de Dust pensent que la plupart de ces flux de données finiront par converger vers un produit unifié. Ils en sont encore aux premiers stades de l’exploration et forment une image finale de Dust. Sur la base des premières itérations, ils pensent avoir confirmé leur hypothèse de base : que les capacités des travailleurs du savoir peuvent être augmentées (plutôt que remplacées) par des modèles de langage à grande échelle, et qu'un nouveau « système d'exploitation d'équipe » peut être construit sur cette base. ce. ——Konstantine Buhler, associé chez Sequoia Capital

6. Boîte d'étiquettes

Publier les données commerciales

L’« essor du Big Data » dure depuis plus de 20 ans et, même si les entreprises ingèrent continuellement plus de données que jamais, de nombreuses entreprises ont encore du mal à utiliser ces données pour tirer des enseignements des modèles d’intelligence artificielle. Le traitement et l'interprétation des données restent les parties les plus fastidieuses et les plus coûteuses du processus d'IA, mais aussi les plus importantes pour des résultats de haute qualité. Même avec l'augmentation des grands modèles de langage pré-entraînés, les entreprises devront toujours se concentrer sur l'utilisation de leurs propres données propriétaires (dans plusieurs modalités) pour créer une IA générative positionnée de manière unique afin de fournir des services et des informations différenciées, et d'améliorer l'efficacité opérationnelle.

Labelbox résout ce défi en simplifiant la manière dont les entreprises alimentent les ensembles de données dans les modèles d'IA. Il aide les équipes de données et d'apprentissage automatique à trouver les bonnes données, à les traiter et à les interpréter, à transmettre des modèles aux applications, ainsi qu'à mesurer et améliorer en permanence les performances.

La nouvelle plateforme de Labelbox tire parti de l’intelligence artificielle générative. Model Foundry permet aux équipes d'expérimenter rapidement les modèles de base de l'IA de tous les principaux fournisseurs fermés et open source, leur permettant de pré-étiqueter les données et d'expérimenter rapidement en quelques clics seulement. De cette façon, ils peuvent comprendre quel modèle fonctionne le mieux sur leurs données. Model Foundry génère automatiquement des mesures de performances détaillées pour chaque expérience exécutée lors de la gestion des versions des résultats.

L’impact pourrait être considérable. Traditionnellement, les humains passaient des journées entières à accomplir une tâche simple mais chronophage, comme classer une liste de commerce électronique contenant plusieurs paragraphes de texte. Avec GPT-4, cette tâche peut être accomplie en quelques heures. Model Foundry permet aux entreprises de découvrir par elles-mêmes ces moyens efficaces.

Ce n'est pas le seul exemple. Les premiers résultats montrent que plus de 88 % des tâches d'étiquetage peuvent être accélérées par un ou plusieurs modèles de base. Labelbox permet à quiconque de pré-étiqueter des données en quelques clics, sans avoir besoin de coder ni de saisir des données dans un modèle. Cet outil est conçu pour permettre aux équipes de travailler en collaboration et de tirer parti de l'expertise interfonctionnelle pour maintenir une surveillance manuelle de l'assurance qualité des données. Cette fonctionnalité démocratise l'accès à l'intelligence artificielle en permettant aux experts en modèles linguistiques et aux petites et moyennes entreprises d'évaluer facilement des modèles, d'enrichir des ensembles de données et de collaborer pour créer des applications intelligentes.

Il a été prouvé que Labelbox réduit considérablement les coûts et améliore la qualité des modèles pour les plus grandes entreprises du monde, notamment Walmart, Procter & Gamble, Genentech et Adobe.

Les entreprises sont désormais en compétition pour libérer la puissance de ces modèles sous-jacents sur leurs données propriétaires afin de résoudre leurs problèmes commerciaux. Nous sommes impatients de voir comment Labelbox aidera les entreprises à libérer des données pour proposer de meilleurs produits avec une plus grande efficacité. ——Robert Kaplan, associé, SoftBank

7. Piste

Nouvelle suite créative

L’intelligence artificielle est omniprésente et devient de plus en plus une marchandise. Dans la plupart des cas, les entreprises utilisent l’IA comme chatbots pour enrichir les applications existantes. Peu d’applications d’IA réinventent les expériences produits, en utilisant la technologie pour changer fondamentalement la façon dont nous interagissons avec les produits, tout comme le moteur de recherche de Google a changé la façon dont nous naviguons sur Internet, ou Instagram a changé la façon dont nous partageons des photos depuis nos téléphones. Ces applications d’IA nécessitent une compréhension approfondie de l’expérience utilisateur existante, une réflexion produit visionnaire et une technologie de pointe.

Runway est un excellent exemple d'entreprise utilisant la recherche appliquée en IA pour réinventer les expériences créatives et créer une toute nouvelle suite créative.

• Compréhension approfondie de l'expérience utilisateur. Fondateurs Cristobal Valenzuela, Anastasis Germanidis et Alejandro Matamara-Ortiz Alejandro Matamala-Ortiz est un chercheur spécialisé en télécommunications interactives à l'Université de New York et possède de nombreuses années d'expérience en conception. L'équipe de Runway comprend l'écosystème des outils créatifs à partir de son expérience directe et des obstacles à l'adoption massive. Par exemple, la production cinématographique créative nécessite souvent des machines coûteuses, des ressources logicielles et des niveaux de formation élevés. En conséquence, la création cinématographique a toujours été concentrée dans les grands studios. Runway a vu une opportunité d’étendre et d’améliorer l’accessibilité aux outils créatifs nécessaires.
• Une réflexion produit clairvoyante. Runway a reconnu très tôt qu'un point d'inflexion dans l'intelligence artificielle pourrait améliorer considérablement l'expérience utilisateur, non seulement en améliorant les outils de création existants, mais aussi en modifiant fondamentalement la façon dont ces outils fonctionnent. Par exemple, les utilisateurs peuvent créer un contenu vidéo entièrement nouveau à partir de zéro à l’aide de simples invites textuelles. Il est important de noter que cette vidéo est de qualité professionnelle et peut être partagée via un ordinateur de bureau ou un appareil mobile. Quels que soient le niveau de compétence, l'expérience ou les ressources, Runway peut vous faire économiser des heures ou des jours de travail d'édition. Il s'agit d'un produit visionnaire qui transforme de simples rappels en une vie vivante et touchante.
• Expert leader en technologie de l'intelligence artificielle. Runway n'a pas seulement résolu un problème avec un produit visionnaire, ils ont également réinventé l'infrastructure de recherche et de technologie sous-jacente. L’organisation de recherche interne de Runway ouvre la voie aux réseaux neuronaux profonds pour la synthèse d’images et de vidéos. La société a développé Gen-2, un modèle vidéo d’intelligence artificielle multimodale plus puissant que tout ce qui existe actuellement sur le marché. Il s'agit du premier modèle public capable de convertir du texte en vidéo. Avant cela, Runway avait publié Gen-1, un modèle qui conduit à un changement de paradigme dans les outils de génération vidéo produisant une sortie de haute qualité. Les chercheurs de Runway ont également été les pionniers du modèle de conversion texte-image Stable Diffusion.

Depuis octobre 2022, Runway a développé plus de 30 « outils magiques » d'IA couvrant la vidéo, les images, la 3D et le texte, au service de tous les aspects du processus créatif, de la pré-production à la post-production. Leur clientèle comprend des sociétés Fortune 500 et Global 2000 telles que The Late Show de CBS avec Stephen Colbert, New Balance, Harbor Picture Video, Publicis) et Google. La plateforme a également été utilisée pour monter des films nominés aux Oscars tels que le succès hollywoodien Everything Everywhere All at Once.

Les applications d'IA les plus passionnantes transforment les expériences produits existantes et repensent la manière dont les utilisateurs interagissent avec les produits. Avec Runway, les utilisateurs peuvent réaliser de nouvelles créations vidéo en quelques secondes, qu'ils tournent une vidéo pour la première fois ou qu'ils soient en studio à titre professionnel. Il s’agit d’un changement révolutionnaire et d’un exemple de la façon dont l’intelligence artificielle remodèle différentes industries. —Grace Isford, associée chez Lux Capital

8. NouvelleLimite

Remodeler le destin des cellules

Les cellules sont les systèmes informatiques les plus complexes sur Terre. Comme les puces informatiques, l’ADN est composé d’unités de base qui créent des fonctions complexes. Contrairement aux codes basés sur les bits, les codes basés sur les atomes sont aléatoires et hiérarchiques. Un système dépend d'un autre, qui à son tour dépend d'autres systèmes physiques, chacun étant affecté par la chaleur, l'acidité et les molécules du microenvironnement cellulaire.

Malgré ces interdépendances, le code machine cellulaire (ADN) peut exécuter efficacement différents programmes. Bien que vos cellules hépatiques et vos cellules cutanées contiennent le même génome, ces types de cellules ont une apparence, une sensation et un fonctionnement différents. Pourquoi? Parce qu’ils exécutent différents programmes épigénétiques.

En 2006, Takahashi et ses collègues ont utilisé une combinaison de quatre protéines de facteurs de transcription (TF) pour reprogrammer des cellules matures en cellules souches, ouvrant ainsi la voie à la reprogrammation épigénétique. Les facteurs de transcription sont des protéines qui régulent les gènes, modifiant essentiellement le « programme » en cours d’exécution. La découverte de Takahashi et Yamanaka a conduit à la création de cellules souches pluripotentes induites (CSPi) et leur a valu le prix Nobel. Depuis lors, de nombreux groupes de recherche ont commencé à appliquer des combinaisons uniques de TF pour modifier les états cellulaires, rajeunir les cellules endommagées et restaurer les phénotypes cellulaires jeunes.

Même si la reprogrammation épigénétique devient de plus en plus facile à gérer, ce n’est toujours pas une mince affaire. L’équipe a dû discerner quelle combinaison de TF était efficace pour faire passer les cellules de l’état A à l’état B souhaité. Par exemple, les futures combinaisons de TF pourraient nous permettre de convertir des cellules malades en cellules saines, développant ainsi une nouvelle classe de médicaments. Nous avons besoin d’écrans de reprogrammation à très grande échelle car la combinaison exacte des TF n’est pas connue pour de nombreux domaines d’application. Il existe plus de 1 500 TF humains natifs, une méthode de recherche plus efficace est donc nécessaire. Nous pensons que NewLimit conçoit une telle approche.

Grâce aux progrès des technologies de séquençage unicellulaire et d’apprentissage automatique, NewLimit transforme une discipline auparavant manuelle en une science basée sur les données. L'entreprise dispose d'une saine division du travail entre biologistes moléculaires et biologistes computationnels, jetant ainsi les bases culturelles nécessaires à la construction d'une plate-forme en boucle fermée de plus en plus efficace. Combinant expertise et lectures multimodales (scRNA-Seq, scATAC-Seq, etc.), NewLimit vise à découvrir des remodeleurs thérapeutiques pour traiter des maladies auparavant incurables.

Dans chaque série d'expériences, NewLimit utilise la technologie du langage machine pour :

• Combinez et compressez plusieurs lectures de détection dans un espace d'optimisation de faible dimension contenant l'état actuel A et l'état B souhaité de la cellule.
• Énumérez les nouvelles combinaisons TF le long de l'espace d'optimisation qui peuvent pousser l'unité à l'état souhaité.
• Recommander quels types de données aideront à améliorer les modèles et quand/où appliquer des méthodes expérimentales plus coûteuses et à moindre débit.
• Suggérer les modifications qui devraient être apportées à la plateforme pour maximiser les informations utiles générées pour chaque dollar dépensé.

Outre son équipe hors pair, ses prouesses techniques et sa vision ambitieuse, nous admirons également l’esprit pragmatique de NewLimit. Bien que l’entreprise n’ait pas partagé publiquement les détails de sa stratégie commerciale initiale, nous pensons que cette approche est créative, réduit raisonnablement les risques et a le potentiel de transformer l’humanité. L’équipe fondatrice convient que les plateformes de biotechnologie peuvent être assimilées à des projets scientifiques coûteux sans générer d’actifs à court terme. Pour cela, NewLimit a fait preuve de transparence et a catalogué ses avancées technologiques depuis sa création.

Nous devrions être humbles devant la complexité de la nature. Certes, la biologie est plus difficile à programmer que les dispositifs en silicium que nous concevons nous-mêmes. L'objectif de Dimension est de permettre aux pionniers de l'entrepreneuriat comme NewLimit d'explorer les limites du possible à l'interface de la technologie et de la biologie. —Simon Barnett, directeur de recherche, Dimension

9. Au bord de la piscine

Intelligence artificielle de base pour le développement de logiciels

OpenAI se concentre sur l'intelligence artificielle générale, DeepMind se concentre sur la découverte scientifique et le troisième cas d'utilisation fondamental de l'intelligence artificielle est la compréhension et la création de logiciels.

GPT-4 est ancré dans les flux de travail des développeurs expérimentés et novices. Mais ce changement de paradigme n’en est qu’à ses balbutiements. En extrapolant les derniers mois, la programmation assistée par l’IA deviendra bientôt omniprésente. À mesure que cette tendance se développe, le langage naturel deviendra le fondement abstrait sur lequel les logiciels sont construits.

Bien que d’autres sociétés aient publié des modèles de code pur à grande échelle comme StarCoder, aucune méthode n’a encore été aussi performante que GPT-4. Je pense que cela est dû au fait qu'un modèle formé uniquement sur le code ne peut pas produire de solides capacités de développement logiciel. C'est comme ça que j'ai rencontré Poolside. La société a été fondée par Jason Warner, l'ancien directeur de la technologie de GitHub, et Eiso Kant, l'ancien fondateur de source{d}, la première société d'intelligence artificielle de code de recherche au monde.

Poolside est unique en ce sens qu'il adopte l'approche du modèle de base OpenAI mais se concentre sur une seule fonction : la génération de code. Leur stratégie technologique repose sur le fait que le code peut être exécuté, permettant un retour immédiat et automatique pendant le processus d'apprentissage. Cela permet un apprentissage par renforcement via l'exécution de code, une alternative intéressante à l'apprentissage par renforcement basé sur la rétroaction humaine (RLHF). C’est quelque chose qu’Esso a commencé à explorer dès 2017.

Si le potentiel de l’intelligence artificielle générale (IAG) au profit de l’humanité est indéniable, sa réalisation est encore loin. Alors pourquoi attendre l’AGI ? En nous concentrant sur des domaines spécifiques de progrès de l’IA, tels que le développement de logiciels, nous pouvons éliminer davantage d’obstacles à la créativité. J'attends avec impatience le jour où l'équipe Poolside réalisera sa vision de construire un modèle d'infrastructure logicielle dédié. ——Matan Grinberg, co-fondateur et PDG de Factory

10. Mistral

Concurrents OpenAI en France

Récemment, Paris a été illuminée par une explosion de projets dans le domaine de l'intelligence artificielle générative. Peut-être demanderez-vous pourquoi ? Je pense que Paris possède le plus grand vivier de talents de classe mondiale en IA générative qui se situe en dehors de l'horizon événementiel d'OpenAI. Parmi ces projets, le plus audacieux est sans doute Mistral. Mistral a été fondée par Guillaume Lampe, Arthur Mensch et Timothe Lacroix avec pour mission de construire les meilleurs modèles de langage open source. L'objectif est de construire un écosystème florissant autour de ces modèles.

Je connais Guillaume depuis quatre ans et nous avons tous deux été profondément impliqués dans l'application de grands modèles de langage aux domaines des mathématiques, en particulier des mathématiques formelles. En travaillant chez OpenAI et Meta, nous avons développé une relation amicale et compétitive. Guillaume est l'un des chercheurs les plus talentueux avec qui j'ai eu le plaisir de travailler et j'ai eu le privilège de le voir passer de la recherche à Meta à la fondation de Mistral. Dans la foulée, j’ai également rencontré Arthur Mensch. J'ai toujours été impressionné par son travail, en particulier Chinchilla, qui a redéfini ce que signifie entraîner efficacement de grands modèles de langage, et RETRO, une approche de modélisation de langage améliorée par la récupération qui, je dirais, n'est pas encore entièrement explorée.

Voyons maintenant ce qui constitue Mistral Mistral. La vision de la startup est de construire un écosystème basé sur le meilleur modèle open source de sa catégorie. Cet écosystème servira de rampe de lancement pour les projets, les équipes et les entreprises, accélérant le rythme de l'innovation et l'utilisation créative des grands modèles linguistiques.

Prenons comme exemple l’apprentissage par renforcement basé sur la rétroaction humaine (RLHF). En règle générale, la réalisation du RLHF prend du temps et est donc coûteuse. Cela implique un « signalement » manuel des actions de l’IA, ce qui peut nécessiter beaucoup de travail. L’effort n’en vaudra la peine que si les promesses d’un modèle d’IA sont suffisamment bonnes. Pour une grande entreprise comme OpenAI, investir dans ce processus est logique et l’entreprise dispose des ressources nécessaires pour y parvenir. Mais les communautés open source traditionnelles ont généralement besoin d’un « leader » pour avancer et assumer cette importante responsabilité.

Mistral a l’opportunité de faire exactement cela, en investissant dans un modèle open source pour RLHF. Ce faisant, Mistral ouvrira la porte à une explosion cambrienne d’innovation. Les développeurs open source auront accès à des modèles clairement étiquetés qu'ils pourront adapter et personnaliser pour différents besoins. Le gagnant final sera le marché au sens large, et nous aurons accès à des cas d’utilisation plus spécifiques et convaincants qu’une entreprise fermée ne pourrait produire seule.

Celui qui possède le meilleur modèle open source attirera plus d’intérêt et de valeur. Je suis optimiste sur Mistral car l'équipe repousse activement la frontière efficacité/performance. En même temps, le talent de Mistral dans ce domaine est de loin le meilleur au monde.

Mistral a sécurisé l'équipe et les ressources nécessaires pour exécuter cette vision initiale. L'entreprise a également trouvé des partenaires pour évaluer ces modèles dans des cas d'utilisation au niveau de l'entreprise. Gardez un œil sur Mistral, ils sont prêts à affronter OpenAI. ——Stanislas Polu, co-fondateur de Dust

11. Séréagir

Des robots industriels plus intelligents

Nous entendons souvent prédire qu’à long terme, l’intelligence artificielle et la robotique augmenteront ou automatiseront les tâches humaines. Aujourd’hui, cela devient de plus en plus un impératif commercial urgent.

D'ici 2030, la population européenne en âge de travailler devrait diminuer de 13,5 millions et les coûts de la main-d'œuvre augmenteront au rythme le plus rapide depuis plus de 20 ans. Avec l’essor du commerce électronique, les entrepôts sont plus que jamais sous pression et il devient de plus en plus difficile pour les entreprises de rester compétitives.

55 % des dépenses d'exploitation des entrepôts proviennent de la préparation des commandes, mais la situation n'est pas optimiste pour les entreprises qui cherchent à passer à des systèmes automatisés. Aucune des applications flashy que nous connaissons dans le SaaS (software as a service) basé sur l'IA, ni la pléthore de produits open source que nous voyons dans d'autres parties de l'écosystème, n'ont encore été appliquées à la robotique.

Au lieu de cela, les entreprises qui cherchent à automatiser la préparation et l’emballage doivent choisir des solutions robotiques coûteuses et peu flexibles. Ils doivent naviguer dans une multitude d’interfaces propriétaires qui nécessitent un temps de programmation et une expertise considérables. Ces systèmes ont également du mal à s’adapter à l’évolution des gammes de produits, nécessitent une intervention humaine régulière et fonctionnent mal lorsqu’ils gèrent des situations extrêmes.

Secret résout ces problèmes. Son logiciel est basé sur de puissants environnements simulés, entraînant des bras robotiques pour comprendre les nuances spatiales et physiques de tout environnement potentiel du monde réel. Une fois déployé, le système sera optimisé grâce à un apprentissage continu à partir de données réelles. Cela signifie également qu'ils peuvent relever le défi consistant à saisir des objets traditionnellement difficiles tels que des appareils électroniques, des textiles, des fruits, des tuiles et du bois.

Le plus intéressant est que leur pile robotique utilise de grands modèles de langage pour permettre un contrôle intuitif des robots en langage naturel. Ils ont développé un modèle de convertisseur appelé « PickGPT » qui permet aux utilisateurs de donner des instructions et des commentaires au robot via la voix ou le texte. De cette façon, n’importe qui peut demander au robot d’effectuer une tâche souhaitée, quel que soit son niveau de connaissances techniques.

Secret combine les deux domaines d'expertise de ses co-fondateurs. Le PDG Ralf Gulde a travaillé à l'intersection de l'intelligence artificielle et de la robotique, tandis que le CTO Marc Tusher se spécialise dans l'apprentissage profond. Les deux hommes ont mené des recherches évaluées par des pairs sur ces sujets à l'Université de Stuttgart, l'une des universités les plus prestigieuses d'Allemagne en matière d'automatisation et de fabrication industrielle.

Bien qu'il s'agisse d'une jeune entreprise, Sereact a déjà attiré une liste impressionnante de partenaires, dont Daimler Truck, Schmalz, Zenfulfillment, Zimmer Group ) et Material Bank. Cela indique qu’il existe une énorme opportunité de marché potentielle dans l’industrie de la cueillette et de l’emballage.

Au-delà des cas d’utilisation évidents dans les entrepôts de commerce électronique, qu’il s’agisse de la préparation de commandes ou du déballage de cartons, il existe toute une série d’autres cas d’utilisation. Par exemple, dans la fabrication traditionnelle, il existe un processus long appelé assemblage, qui implique la collecte laborieuse des pièces délicates nécessaires à l'assemblage. Les bras robotiques ont toujours eu du mal à saisir les petites pièces et à trier les pièces individuelles dans des environnements encombrés. Le logiciel de Sereact peut identifier ces pièces et sélectionner la bonne pince pour les extraire.

L'équipe Sereact est non seulement hautement qualifiée, mais possède également une compréhension approfondie de l'environnement de travail du client et un véritable désir d'aider les clients à surmonter les pénuries de main-d'œuvre et à réaliser des opérations efficaces et durables. En tant que première entreprise à faire passer la combinaison de grands modèles de langage et d'emballages de ramassage d'une possibilité académique à un impact dans le monde réel, j'ai pleinement confiance en leur capacité à exécuter et à faire évoluer un véritable challenger robotique. ——Nathan Benaich, associé commandité, Air Street Capital

12. Lamine

Moteur de modèle de langage à grande échelle sur mesure

Désormais, chaque entreprise tente d’intégrer l’intelligence artificielle dans son activité. Les plus grandes entreprises du monde reconnaissent le potentiel de l'intelligence artificielle, avec 20 % des PDG du S&P 500 mentionnant l'IA lors de leurs appels aux résultats du premier trimestre. Les modèles linguistiques volumineux peuvent améliorer considérablement l'efficacité de l'entreprise en accélérant les fonctions essentielles telles que le support client, les ventes sortantes et le codage. Les grands modèles de langage peuvent également améliorer les expériences produit de base en répondant aux questions des clients avec des assistants basés sur l'IA, ou en créant de nouveaux flux de travail d'IA génératifs pour ravir les clients.

Étant donné que les grandes entreprises ont tendance à tarder à adopter les nouvelles technologies, nous avons été surpris de la rapidité avec laquelle les entreprises ont commencé à s’appuyer sur l’IA. Il n’est pas surprenant que de nombreuses entreprises souhaitent créer leurs propres modèles et solutions d’IA en interne. Chaque entreprise dispose d’un trésor exclusif de données clients, souvent dans le cadre de son cœur de métier. Ces entreprises voient des risques à envoyer leurs données les plus précieuses à des API de modèles sous-jacents ou à des startups dont la fiabilité est incertaine. Même quels que soient les problèmes de confidentialité des données, les modèles de langage publics à grande échelle tels que GPT-4 ou Claude sont entièrement formés sur des données ouvertes et manquent donc de capacités de personnalisation pour les cas d'utilisation et les segments de clientèle spécifiques à l'entreprise.

Certaines entreprises technologiques, telles que Shopify et Canva, ont formé des « AI Tiger Teams » internes pour utiliser des modèles open source prêts à l'emploi afin d'intégrer l'intelligence artificielle dans toutes les parties de l'entreprise. Cependant, la plupart des entreprises ne disposent pas des ressources ni des chercheurs expérimentés en IA pour créer et déployer des modèles de langage propriétaires à grande échelle basés sur leurs propres données. Ils réalisent que cette vague d’IA pourrait être un moment de transformation pour l’avenir de leur entreprise, mais jusqu’à présent, ils n’ont pas été en mesure d’exploiter ou de contrôler leur propre développement d’IA.

C'est pourquoi nous sommes si enthousiasmés par ce que Sharon Zhou, Greg Diamos et leur équipe font chez Lamini. Lamini est un moteur de modèle de langage à grande échelle qui permet aux développeurs de former, d'affiner, de déployer et d'améliorer rapidement et facilement leurs propres modèles grâce aux commentaires humains. Cet outil offre une expérience de développement agréable qui élimine la complexité des modèles d'IA et, plus important encore, permet aux entreprises de créer des solutions d'IA à partir de leurs propres données sans avoir à embaucher des chercheurs en IA ni risquer une fuite de données. Nous avons travaillé avec Sharon et Greg pour la première fois l'automne dernier. Depuis lors, nous avons eu l’opportunité de soutenir cette équipe fondatrice techniquement compétente et axée sur le client dans la réalisation de sa vision ambitieuse de transformer la façon dont les entreprises adoptent l’IA.

Plus précisément, le déploiement de grands modèles de langage privés avec Lamini offre un large éventail d'avantages par rapport à l'utilisation de solutions publiques. Le fait qu'une équipe d'ingénierie interne gère le processus de construction garantit la confidentialité des données et permet une plus grande flexibilité dans la sélection du modèle et dans l'ensemble de la pile de calcul et de données. Les modèles créés à l'aide de Lamini réduisent également les artefacts, réduisent la latence, garantissent des durées d'exécution fiables et des coûts inférieurs par rapport aux API disponibles dans le commerce. Ces améliorations de performances proviennent d'informations techniques de base que l'équipe Lamini intègre au produit, sur la base de décennies de recherche et d'expérience industrielle autour des modèles d'IA et de l'optimisation des GPU.

Des startups et de grandes entreprises renommées utilisent déjà Lamini pour déployer de grands modèles de langage en interne et avec leurs clients, et elles sont enthousiasmées par la rapidité de configuration, les performances et la fiabilité. À l’avenir, nous pensons que chaque entreprise utilisera l’IA dans ses activités et ses produits, mais seules quelques entreprises disposeront d’équipes dédiées à l’IA. Lamini est une startup qui uniformise les règles du jeu et donne à toutes les entreprises la chance de profiter de cette technologie transformatrice. Grâce à son récent partenariat avec Databricks, il est désormais plus facile que jamais pour les entreprises de mettre en place et de faire fonctionner leurs solutions d'IA en configurant Lamini directement sur les lacs de données et les clusters de calcul Databricks existants. ——James Wu, investisseur de First Round Capital ; Todd Jackson, partenaire de First Round Capital

13. Usine

Votre « robot » de codage

Aujourd'hui, si vous voulez qu'un ordinateur fasse quelque chose pour vous, vous devez traduire vos pensées en « langage informatique », un code hypertexte qu'un compilateur peut comprendre. Pour devenir ingénieur, il faut tourner son cerveau comme une machine. Cependant, nous atteignons un point critique où l’IA peut transformer le langage humain en code. La transition des ingénieurs humains vers les ingénieurs numériques est susceptible de devenir l’un des points d’inflexion technologiques les plus importants de nos vies.

Nous sommes encore aux premiers stades de cette transformation. Les outils d’intelligence artificielle comme BabyAGI et AutoGPT ont captivé l’imagination du public. Mais même si les assistants de codage comme Github Copilot représentent une amélioration, ils restent très limités et servent principalement à compléter automatiquement les idées déjà implémentées dans le code.

L'usine est différente. La société a été fondée en 2023 par l'ancien théoricien des cordes Matan Grinberg et l'ingénieur en apprentissage automatique Eno Reyes. Lorsque j'ai rencontré Mattan, j'ai immédiatement été attiré par sa vision : un avenir dans lequel les ingénieurs peuvent rendre la construction amusante en déléguant des tâches ennuyeuses et en se concentrant sur des problèmes difficiles. Pour ce faire, Matan et Eno ont créé des « robots » de codage autonomes.

Les robots sont des ingénieurs en intelligence artificielle qui gèrent des tâches quotidiennes telles que la révision du code, le débogage et la refactorisation. Contrairement aux produits existants, les robots de Factory ne nécessitent aucune action de votre part ; ils peuvent examiner le code de manière indépendante, gérer les erreurs et répondre aux questions. Vous pouvez également utiliser des robots comme des développeurs juniors, les utiliser pour réfléchir et partager le travail sur les fonctionnalités. Les robots disposent de puissants mécanismes de protection et leur intelligence est ciblée sur les besoins des utilisateurs, ce qui rend difficile pour eux d'« halluciner » de mauvaises réponses.

La génération de code sera l’un des domaines les plus transformateurs de la révolution de l’IA, et Factory dispose de tous les outils nécessaires pour réussir.

*Équipe. Mattan, PDG de Factory, est un théoricien des cordes à l'Université de Princeton où il a imaginé les singularités des trous noirs. Eno a travaillé comme ingénieur en apprentissage automatique chez Hugging Face et a personnellement géré le processus d'ingénierie fastidieux. C’est une équipe unique.

• Praticité. Même si les robots ne peuvent pas encore effectuer des tâches aussi bien que les ingénieurs humains, ils peuvent néanmoins effectuer des tâches que les ingénieurs détestent. Les ingénieurs peuvent confier le travail ennuyeux et répétitif à l’usine.
• vitesse. Factory a accompli quelque chose de remarquable en quelques mois seulement. Pendant que d’autres imaginaient encore des ingénieurs en intelligence artificielle, Matan et Eno les développaient déjà. Ils améliorent rapidement ce produit déjà excellent.

L’histoire du développement humain est celle du déchargement des tâches répétitives, nous permettant de passer à des tâches plus complexes. Lorsque les humains ont inventé l’agriculture, ils ont essentiellement libéré notre capacité à construire des villes. Après la révolution industrielle, nous avons construit des fusées qui ont emmené les humains sur la Lune. La prochaine génération a pour mission de libérer les humains des corvées en ligne et de repousser encore plus loin les frontières technologiques.

Quand la seule limite est l'imagination humaine, que construirons-nous ensuite ? — Markie Wagner, fondateur et PDG de Delphi Labs

Traductrice : Jane