Comet.ml vuole cambiare il modo in cui interagiamo con l'apprendimento automatico

Un'azienda che cerca di utilizzare l'apprendimento automatico (ML) ha bisogno di qualcosa di più di dispositivi intelligenti e risme di dati. Alla base, ML ruota attorno a due emisferi: modelli ML e algoritmi da un lato e set di dati adeguatamente curati dall'altro. Mentre entrambi richiedono competenze per la creazione, il primo ha appena ricevuto un notevole impulso tramite Comet.ml, un servizio lanciato all'inizio di questo mese con strumenti che consentono ai data scientist e agli sviluppatori di tenere traccia del codice e condividere i loro modelli ML in modo più efficiente. La società afferma di rispondere a ciò che vede come una crescente necessità di strumenti ML più efficaci e utilizzabili. Il servizio fa parte di un crescente campo di servizi convenienti che cercano di consentire a più persone di accedere, utilizzare e conoscere ML.

La connessione GitHub

Nonostante abbia meno di un mese, descrivere Comet.ml come "GitHub of ML" potrebbe non essere inappropriato. Se non hai familiarità con GitHub, si tratta di un servizio di hosting di repository in cui gli sviluppatori memorizzano e condividono il loro codice. Nei progetti con più sviluppatori che lavorano sulla stessa base di codice, i repository come GitHub svolgono un codice critico nell'organizzazione dei flussi di lavoro e nel mantenimento del controllo della versione. Sebbene il concetto di repository di codice non sia nuovo, GitHub ha aperto un mondo completamente nuovo alla comunità di sviluppo creando un'interfaccia utente (UI) che andava oltre le capacità di codifica arcane, orientate al progetto e ha aggiunto un'interfaccia utente intuitiva e social strumenti che consentono a GitHub di parlare con gli utenti e persino con le comunità. Sia che tu volessi rivedere il tuo codice da altri sviluppatori, trovare nuove e interessanti applicazioni o essere solo curioso di sapere a cosa stavano lavorando i migliori ingegneri del mondo, GitHub è diventato uno dei luoghi più popolari per aggiornarsi su ciò che la comunità di sviluppo sta facendo.

Con quel tipo di curriculum, voler essere il GitHub di qualsiasi cosa sembra estremamente ambizioso, ma i fondatori di Comet.ml sono fiduciosi. Comet.ml funziona in modo simile al popolare servizio GitHub. Crea semplicemente un account gratuito sul sito Web Comet.ml, scegli la tua libreria ML preferita (Comet.ml attualmente supporta Java, Pytorch, TensorFlow e molte altre delle librerie più popolari), e puoi alzarti e in esecuzione costruzione e analisi Modelli ML quasi istantaneamente - e probabilmente più facilmente di quanto tu sia stato in grado di fare fino a questo punto. Questo perché Comet.ml tiene traccia anche di tutte le modifiche apportate da una squadra a un repository sul sito Web. Offre l'ottimizzazione automatica del modello e puoi persino integrare il tuo lavoro Comet.ml con GitHub per progetti più grandi.

GitHub ospita anche modelli ML ma Comet.ml è progettato tenendo conto delle esigenze specifiche di ML. Attraverso un tipo di algoritmo noto come "ottimizzazione dell'iperparametro bayesiano", il servizio modificherà i tuoi modelli modificando gli iperparametri dei tuoi esperimenti. Se sei un vero fanatico dei dati, allora c'è una spiegazione più approfondita di questo sul sito Web dell'azienda. La modifica manuale dei modelli può richiedere tempi incredibilmente lunghi. Se questo algoritmo funziona così come dice Comet.ml, allora potrebbe sicuramente attirare l'attenzione della comunità di data science. Proprio come GitHub, un account con repository disponibili pubblicamente è completamente gratuito, con repository privati ​​a partire da $ 49 per utente al mese.

La necessità di qualcosa di più semplice

Gideon Mendels, co-fondatore e CEO di Comet.ml, è una specie di veterano della ML. Ha lavorato nella ricerca per la Columbia University e per Google. Durante la sua carriera, ha lottato per trovare un modo efficace per testare e condividere modelli ML.

"In precedenza ho lavorato presso una società chiamata GroupWize e avevamo circa 15 modelli di apprendimento automatico in produzione ", ha dichiarato Mendels." Era impossibile tenere traccia di tutti i cambiamenti in essi contenuti. Quindi, abbiamo effettivamente iniziato a costruire Comet internamente come a homebrew soluzione per il nostro dolore ".

Da lì, Mendels e altri membri del team hanno deciso di concentrarsi sulla costruzione di Comet.ml da soli. Per Mendels, il valore di Comet.ml non è solo il fatto che i modelli ML possono essere memorizzati nel la nuvola; si tratta di semplificare la sperimentazione di quel codice. Mendels è stato anche rapido a respingere l'idea che il suo servizio stia cercando di competere con GitHub. Dopotutto, si integra con il servizio e gli utenti possono registrarsi con le proprie credenziali di accesso GitHub. Per Mendels, si tratta davvero di rispondere a una crescente ondata di democratizzazione dei dati con una migliore funzionalità.

"Si collega a un punto più ampio di come molte aziende stanno iniziando a fare scienza del ML e dei dati", ha detto Mendels. "Con GitHub puoi archiviare il codice, ma con ML, codice è solo un pezzo del puzzle. Quali dati sono stati utilizzati per adattarsi a quel codice? "Mendels afferma che le funzionalità di ottimizzazione automatica aiuteranno Comet.ml a distinguersi da solo.

Campi da gioco per l'apprendimento automatico

Comet.ml è solo una delle numerose offerte che mirano a cambiare il modo in cui interagiamo con ML. Microsoft, che è stata molto aggressiva nello spazio, ha lanciato i Notebook di Azure alcuni anni fa. Sebbene la società lo presenti come uno strumento più educativo di Comet.ml, è anche progettato per farti giocare con i modelli ML nel cloud.

C'è anche un'intera ondata di mercati ML disponibili che offrono modelli completi e pronti all'uso sia per le piccole e medie imprese (PMI) che per le imprese. L'algoritmia è un mercato dell'intelligenza artificiale (AI) che offre, tra l'altro, modelli ML che è possibile acquistare e utilizzare nelle proprie app tramite una chiamata API (Application Programming Interface). Non hai l'abilità o il tempo per costruire un modello di analisi delle frasi? Quindi utilizzare Parsey McParseface al prezzo basso di $ 28, 54 per 10.000 chiamate API. Modelli con nomi meno creativi sopra il mercato include quelli per algoritmi di riconoscimento facciale, cluster spettrali per dati geografici ed estrazione di testo.

Se non sei uno scienziato di dati, potresti pensare che questi servizi non siano applicabili a te e alla tua organizzazione. Ma aziende di tutte le dimensioni annunciano un supporto e un utilizzo senza precedenti delle soluzioni di intelligenza artificiale, e ML è una parte importante di ciò. Queste implementazioni stanno estendendo la gamma da progetti ampi e ampi fino a quelli così mirati che sei sorpreso di scoprire che ML fa parte della ricetta.

Come esempio di un progetto mirato, WineStein è un servizio di sommelier digitale che utilizza modelli ML per abbinare il vino a diversi tipi di cibo. Esempi di implementazione più ampi tecnologia finanziaria (fintech) , tecnologia sanitaria e persino chatbot in cui AI e ML hanno già cambiato il modo in cui quasi tutte le aziende si avvicinano al servizio clienti e alle operazioni di helpdesk. La base di utenti per AI e ML sta crescendo rapidamente e non lascerà intatti gli affari, il che rende il futuro un luogo luminoso per i principianti come Comet.ml.