MLOps, neboli DevOps pro ty, kteří pracují s modely strojového učení, zaznamenal v posledním roce velký zájem, což by nemělo být překvapením: organizace chtějí ve svých datových vědách využívat více strojového učení, ale to vyžaduje vytváření a trénování modelů, čištění dat a zajištění, aby fungovaly tak, jak mají. Startup Striveworks, který vytváří nástroje MLOps pro zvládnutí této práce, dnes oznámil financování ve výši 33 milionů dolarů.
Jedná se o vůbec první externí financování startupu a uzavření tohoto kola podtrhuje nejen nárůst zájmu o širší oblast umělé inteligence, ale také o vlastní úspěch společnosti Striveworks v této oblasti, kdy její obrat v posledních dvou letech roste o 300 % ročně.
33 milionů dolarů pochází od jediného investora, společnosti Centana Growth Partners, a společnost Striveworks se sídlem v Austinu v Texasu je plánuje použít na nábor zaměstnanců a další rozvoj produktů a podnikání. Financování je často označováno jako oportunistické kolo: Podle Jima Rebesca – generálního ředitele, který společnost založil společně s Craigem Desjardinsem, Ericem Kormanem a Tonym Manganiellem – společnost Striveworks funguje již pět let a byla vedena jako „kapitálově efektivní“ startup, který dosahoval zisku a investoval jej zpět do svého růstu.
Zdroj: Unsplash
Rebesco nezveřejnil jména současných zákazníků, ale uvedl, že se jedná o celou řadu vertikál, mezi něž patří státní správa a finanční sektor, které využívají strojové učení k vytváření služeb nebo k řízení svých podniků, „vysoce regulovaná průmyslová odvětví a aplikace národní bezpečnosti a související oblasti, jako je záměrné počítačové vidění, satelitní snímky a komerční snímky,“ dodal. Společnost také uzavřela partnerství s AWS a Azure, aby mohla pracovat s daty v těchto cloudech. (Pozoruhodné je, že v současné době nemá podobné partnerství se společností Google).
Problémy, které společnost řeší, jsou podle Rebesca – doktora neurověd, který předtím dlouho působil ve společnosti Virtu poskytující finanční služby – problémy, s nimiž se on a jeho spoluzakladatelé pravidelně setkávali v předchozích společnostech a které se Striveworks snaží v podstatě řešit realisticky.
Podle jeho slov to začíná tím, co popsal jako „problém prvního dne“, tedy jak vytvořit vhodné modely strojového učení, které by odpovídaly cílům. To je ale v jistém smyslu ta snadnější část. Složitost začíná skutečně až poté.
„Dělá to, co od něj očekáváte, a když ho uvedete do výroby, funguje i nadále tak, jak očekáváte?“ řekl. „Soustředíme se na to, co se stane dál.“
Rebesco sám sebe popisuje jako „neúspěšného fyzika“ (což je asi odkaz na jeho práci před doktorátem), který se naučil důležitou lekci o modelech umělé inteligence: všechny jsou statistické, a proto nutně přinášejí selhání. „Jedním z klíčových prvků odpovědnosti je tedy nejen vědět, že se vyskytnou chyby, ale také zavést automatizovaný a promyšlený plán, jak je řešit.“
Zdroj: Unsplash
Domnívá se, že je to něco, co je třeba stále více zohledňovat s tím, jak se používání umělé inteligence stává všudypřítomným. „Datové modely, modely AI a ML, jsou stále důležitější nikoli jako efemérní modely. Ať už se jedná o credit scoring nebo zdravotnictví, tyto databáze se ukládají a jsou dotazovány. Ale jak se dotazovat [efektivně], je tolik chyb?“.
Společnost se snaží tento problém řešit prostřednictvím své stěžejní platformy Chariot, která může sloužit k přípravě dat, vytváření modelů a následnému provozování těchto modelů ve výrobě. Platforma využívá nízkokódový formát, který je zaměřen na spolupráci týmů, a její funkce zahrnují mimo jiné anotaci modelů v cyklu, možnost importovat modely a používat dříve katalogizované datové modely (z vlastní organizace), možnost vytvářet vlastní pracovní postupy, dotazovat se na „původ“ dat v sadách a možnost integrovat nástroje třetích stran.
Na trhu je nyní mnoho začínajících (i větších) společností, které pracují na řešeních MLOps – mezi některé z nich patří Seldon, Galileo, Aries a Tecton. Do hry se zapojují i větší systémoví integrátoři, například společnost McKinsey nedávno koupila firmu Iguazio.
MLOps, neboli DevOps pro ty, kteří pracují s modely strojového učení, zaznamenal v posledním roce velký zájem, což by nemělo být překvapením: organizace chtějí ve svých datových vědách využívat více strojového učení, ale to vyžaduje vytváření a trénování modelů, čištění dat a zajištění, aby fungovaly tak, jak mají. Startup Striveworks, který vytváří nástroje MLOps pro zvládnutí této práce, dnes oznámil financování ve výši 33 milionů dolarů. Jedná se o vůbec první externí financování startupu a uzavření tohoto kola podtrhuje nejen nárůst zájmu o širší oblast umělé inteligence, ale také o vlastní úspěch společnosti Striveworks v této oblasti, kdy její obrat v posledních dvou letech roste o 300 % ročně. 33 milionů dolarů pochází od jediného investora, společnosti Centana Growth Partners, a společnost Striveworks se sídlem v Austinu v Texasu je plánuje použít na nábor zaměstnanců a další rozvoj produktů a podnikání. Financování je často označováno jako oportunistické kolo: Podle Jima Rebesca – generálního ředitele, který společnost založil společně s Craigem Desjardinsem, Ericem Kormanem a Tonym Manganiellem – společnost Striveworks funguje již pět let a byla vedena jako „kapitálově efektivní“ startup, který dosahoval zisku a investoval jej zpět do svého růstu. Rebesco nezveřejnil jména současných zákazníků, ale uvedl, že se jedná o celou řadu vertikál, mezi něž patří státní správa a finanční sektor, které využívají strojové učení k vytváření služeb nebo k řízení svých podniků, „vysoce regulovaná průmyslová odvětví a aplikace národní bezpečnosti a související oblasti, jako je záměrné počítačové vidění, satelitní snímky a komerční snímky,“ dodal. Společnost také uzavřela partnerství s AWS a Azure, aby mohla pracovat s daty v těchto cloudech. . Problémy, které společnost řeší, jsou podle Rebesca – doktora neurověd, který předtím dlouho působil ve společnosti Virtu poskytující finanční služby – problémy, s nimiž se on a jeho spoluzakladatelé pravidelně setkávali v předchozích společnostech a které se Striveworks snaží v podstatě řešit realisticky.Apartmány Benecko - Investiční apartmány v obci Benecko přímo na sjezdovce Reklama Podle jeho slov to začíná tím, co popsal jako „problém prvního dne“, tedy jak vytvořit vhodné modely strojového učení, které by odpovídaly cílům. To je ale v jistém smyslu ta snadnější část. Složitost začíná skutečně až poté. „Dělá to, co od něj očekáváte, a když ho uvedete do výroby, funguje i nadále tak, jak očekáváte?“ řekl. „Soustředíme se na to, co se stane dál.“ Rebesco sám sebe popisuje jako „neúspěšného fyzika“ , který se naučil důležitou lekci o modelech umělé inteligence: všechny jsou statistické, a proto nutně přinášejí selhání. „Jedním z klíčových prvků odpovědnosti je tedy nejen vědět, že se vyskytnou chyby, ale také zavést automatizovaný a promyšlený plán, jak je řešit.“ Domnívá se, že je to něco, co je třeba stále více zohledňovat s tím, jak se používání umělé inteligence stává všudypřítomným. „Datové modely, modely AI a ML, jsou stále důležitější nikoli jako efemérní modely. Ať už se jedná o credit scoring nebo zdravotnictví, tyto databáze se ukládají a jsou dotazovány. Ale jak se dotazovat [efektivně], je tolik chyb?“. Společnost se snaží tento problém řešit prostřednictvím své stěžejní platformy Chariot, která může sloužit k přípravě dat, vytváření modelů a následnému provozování těchto modelů ve výrobě. Platforma využívá nízkokódový formát, který je zaměřen na spolupráci týmů, a její funkce zahrnují mimo jiné anotaci modelů v cyklu, možnost importovat modely a používat dříve katalogizované datové modely , možnost vytvářet vlastní pracovní postupy, dotazovat se na „původ“ dat v sadách a možnost integrovat nástroje třetích stran. Na trhu je nyní mnoho začínajících společností, které pracují na řešeních MLOps – mezi některé z nich patří Seldon, Galileo, Aries a Tecton. Do hry se zapojují i větší systémoví integrátoři, například společnost McKinsey nedávno koupila firmu Iguazio.