以色列AI营养数据公司获800万美元A轮融资

640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

【数据猿导读】近日,以色列公司Nutrino宣布已完成800万美元A轮融资,总共获得的融资达到1000万美元


编译 | 金又南

官网 | www.datayuan.cn

微信公众号ID | datayuancn


Nutrino位于以色列特拉维夫,是一个数据平台,可以了解你和你的个人生物化学信息,然后使用这些信息来确定你的“FoodPrint™”,这是食品影响你身体情况的数字签名,再以此对你提出个性化的饮食和营养建议。2011年,Eduard Ros、Jonathan Lipnik、JoséLuisMartínde Bustamante和Yaron Hadad成立了这家公司。


近日,公司宣布已完成800万美元A轮融资,总共获得的融资达到1000万美元。目前数字医疗领域的规模已达到数十亿美元,Nutrino将用这笔资金继续在此领域内深耕,并在食品分析和营养见解领域与糖尿病患者建立更多的合作伙伴关系。同时,这笔资金还将用于进一步开发Nutrino的数据库,该数据库整合了来自全球数百万食品的数据,并且是世界上最大的食品数据库之一,目前已经被食品饮料、数字健康、健身等行业的公司所使用。此前公司获得的种子轮融资由Pereg Ventures、Nielsen Ventures和Gandyr Group领投,它们都参与了这次A轮融资,新进投资者New York Angels也参与了本次融资。


Nutrino的先进平台和全面的食品数据库使这些领域的公司能够提高其产品和计划的成功率,更好地了解人群和饮食模式,并发现新的机会领域。 Pereg Ventures的执行合伙人Ziv Ben Barouch表示:“未来十年,数字健康领域将会继续快速发展,消费者越来越意识到饮食和健康的重要性,在这方面的需求也随之急剧增长。同时,目前营养数据是行业中的一块空白,而Nutrino完全有能力应对这一机遇。”


Nutrino自主研发的平台可用于收集、处理和分析与食品相关的数据,是个人和企业都可以使用的宝贵工具。 Nutrino使用AI和机器学习,通过可穿戴设备和其他数据点的反馈,更好地了解每个用户对特定食品的反应。这些独特的情景分析使Nutrino能够定义个人的FoodPrint™:食品影响身体情况的数字签名。了解一个人的FoodPrint™可以让人更好地通过控制摄入的营养成分来对抗慢性病、控制体重和改善整体健康状况。据估计,全球约有4.15亿人患有糖尿病,预计到2040年将达到6.42亿。Nutrino可以为个人营养提供智能的、基于数据的个性化见解。Nutrino的数据准确清晰且具有一定的深度,能为个人和企业提供更好的食品选择决策,提升健康水平。


Nutrino CEO Yael Glassman表示:“我们的专有技术FoodPrint™揭示了人与食品之间以前无法看到的联系。Nutrino通过数据研究人类健康命题,拥有很大的发展潜力。这一轮融资将使我们能够显著扩大公司的商业覆盖面。”


Nutrino致力于通过AI分析营养摄入量如何影响人体健康,从而改善全民健康状况。Nutrino还建立了世界领先的食品数据库和营养数据分析平台,整合了全球数百万个接入点和食品项目的数据。Nutrino与服务数十万糖尿病患者的跨国医疗公司合作,了解这些患者的个人FoodPrint™,实时对患者进行身体状况的个性化评估。(编译/金又南)


640?wx_fmt=jpeg


4月26日-4月27日,AI in China 之智能制造-数据驱动产业变革-高峰论坛即将开始,期待我们的见面

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值