Deepchecks, una società specializzata in Machine Learning Operations (MLOps), ha annunciato oggi il lancio della sua piattaforma open source per la convalida continua dei modelli di machine learning (ML). Questa nuova piattaforma mira a stabilire uno standard di sicurezza e prevedibilità nel campo del ML, colmando il divario tra ricerca e produzione.
Per sostenere lo sviluppo della piattaforma, Deepchecks ha ottenuto un finanziamento iniziale di 14 milioni di dollari, guidato da Alpha Wave Ventures e con la partecipazione di Hetz Ventures e Grove Ventures.
Con l’evoluzione del machine learning, che sta passando da lunghi progetti di ricerca a cicli di sviluppo agili simili a quelli del software, il settore richiede processi e strumenti robusti per garantire implementazioni tempestive e di alta qualità. Tuttavia, a differenza dello sviluppo software tradizionale, l’implementazione sicura e prevedibile del machine learning è complicata dalla sua natura complessa e opaca.
Deepchecks affronta queste sfide utilizzando lezioni apprese nello sviluppo del software. La loro nuova offerta consente agli sviluppatori di ottenere visibilità e fiducia durante l’intero ciclo di vita del machine learning, inclusi gli stadi di sviluppo, implementazione e produzione.
“Una delle principali sfide nell’implementazione dei sistemi di intelligenza artificiale è assicurarsi che agiscano nel modo corretto, senza causare danni, errori o comportamenti imprevisti”, ha spiegato Shir Chorev, cofondatore e CTO di Deepchecks. “Questa è particolarmente difficile a causa della natura dinamica dei dati e dell’intelligenza artificiale stessa, che manca di un buon senso intrinseco”.
Chorev ha sottolineato l’impegno della loro azienda nel fornire strumenti intuitivi per costruire e personalizzare test cruciali, come i test di regressione, che identificano e prevengono i problemi. Questi test possono essere creati in modo riutilizzabile ed efficiente.
La nuova piattaforma di Deepchecks fornisce anche funzionalità di monitoraggio e analisi delle cause principali per gli ambienti di produzione. La società afferma che la loro piattaforma ha già ottenuto oltre 500.000 download ed è utilizzata da importanti aziende, tra cui AWS, Booking e Wix, nonché in settori altamente regolamentati come la finanza e l’assistenza sanitaria.
Deepchecks ha inoltre annunciato che la loro versione aziendale offre funzionalità avanzate di collaborazione e sicurezza. Chorev ha evidenziato che, nonostante le previsioni di una rapida crescita del mercato del machine learning – che dovrebbe raggiungere i 225,91 miliardi di dollari entro il 2030 – solo la metà dei modelli di machine learning riesce ad arrivare in produzione. Spesso, questi modelli incontrano vincoli di tempo e budget o affrontano gravi problemi. Secondo Chorev, questo sottolinea la necessità di approcci avanzati per migliorare l’affidabilità e la prevedibilità delle applicazioni di machine learning.
L’offerta di Deepchecks beneficia professionisti, sviluppatori e tutte le parti interessate, aumentando la trasparenza e la fiducia e migliorando l’efficienza nell’implementazione delle misure di convalida.
Deepchecks è stata fondata tre anni fa da Shir Chorev, attuale CTO, e Philip Tannor, CEO. Entrambi sono stati inclusi nella lista dei 30 Under 30 di Forbes. Il loro background include esperienze nel programma Talpiot dell’IDF e nell’unità di intelligence d’élite 8200, dove hanno acquisito competenze nel campo del machine learning.
L’azienda supporta le organizzazioni nell’implementazione ed esecuzione di test completi e processi di integrazione continua (CI). Inoltre, facilita la collaborazione consentendo la condivisione dei risultati della convalida con le parti interessate e permettendo iterazioni efficienti con i revisori.
Chorev ha sottolineato che l’approccio semplificato di Deepchecks garantisce un processo di convalida efficace ed efficiente. “Durante il processo di scalabilità, la convalida del machine learning richiede esperti qualificati e costosi, a differenza del tradizionale controllo di qualità, che spesso è svolto da ruoli di livello base”, ha spiegato. “È qui che Deepchecks entra in gioco, consentendo alle aziende di integrare automaticamente la convalida nei loro processi e ridurre al minimo il tempo dedicato alle attività di convalida manuale”.
La versione aziendale di Deepchecks consente di testare, convalidare e monitorare contemporaneamente più modelli. Inoltre, fornisce dashboard rilevanti e offre funzionalità avanzate per la gestione e l’autorizzazione degli utenti.
Chorev ha sottolineato che la natura open source degli strumenti di Deepchecks ha svolto un ruolo chiave nel guadagnare consensi nel settore tecnologico, comprese le grandi imprese. Grazie all’approccio e alla struttura dell’azienda, sia loro che gli utenti sono in grado di estendere facilmente il supporto a vari tipi di dati e integrazioni, aggiungendo la convalida in diverse fasi e processi all’interno del ciclo di vita dell’intelligenza artificiale.