In che modo Startup Verta aiuta le aziende a ottenere il giusto apprendimento automatico
Conclusione: Verta aiuta le aziende a tenere traccia delle migliaia di modelli di machine learning che stanno creando utilizzando una piattaforma integrata che accelera anche l’implementazione dei modelli in produzione, assicurando che i risultati dei modelli siano basati sui dati più attuali disponibili.
Banche, compagnie di assicurazione e altri operatori del settore dei servizi finanziari devono affrontare ostacoli per portare i loro modelli di apprendimento automatico fuori dallo sviluppo e nella produzione. Lo stesso vale per tutte le aziende ad alta intensità di dati oggi. Nonostante il potenziamento dei team di data science e gli investimenti nei più recenti strumenti di machine learning, molti hanno difficoltà a mantenere i modelli organizzati e spostarli dallo sviluppo alla produzione.
Verta è una startup dedicata alla risoluzione dei complessi problemi di gestione delle versioni dei modelli di machine learning e alla fornitura di una piattaforma in cui possono essere lanciate in produzione. Fondata dal Dr. Manasi Vartak, Ph.D., un laureato del MIT, che ha guidato un team di studenti laureati e universitari al MIT CSAIL per costruire ModelDB, Verta si basa sul loro lavoro per definire il primo sistema open source per la gestione della macchina modelli di apprendimento. La sua tesi, Infrastruttura per la gestione dei modelli e la diagnosi dei modelli , propone ModelDB, un sistema per monitorare la provenienza e le prestazioni dei flussi di lavoro basati sul ML. Nell’agosto di quest’anno, Verta ha ricevuto un round di serie A da $ 10 milioni guidato da Intel Capital e General Catalyst, che ha anche guidato il suo round seed da $ 1,7 milioni.
In che modo Verta sfrutta l’esperienza del suo partner di venture capital Sweat Equity Ventures
Uno dei principali investitori di Verta è Sweat Equity Ventures (SEV). L’azienda si differenzia come Value Accelerator, che fornisce competenze e tempo approfonditi in cambio di azioni in una startup. Dan Portillo ha fondato SEV nel 2019 ed è originario di Greylock. SEV ha investito in oltre venti società in portafoglio, che hanno raccolto insieme più di 700 milioni di dollari in investimenti successivi quest’anno.
Il successo del lancio da parte di Verta della sua piattaforma MLOps in ottobre, il raggiungimento dei suoi obiettivi di assunzione di diversità e il raggiungimento della sua ambiziosa piattaforma MLOps e degli obiettivi di integrazione degli strumenti sono stati accelerati dalla partnership con SEV. Dan Portillo aggiunge che la sua azienda fornisce anche assistenza alle vendite e al reclutamento mentre Verta scala. “Abbiamo costruito SEV con una visione e un’ipotesi intorno a quali elementi della costruzione dell’azienda potrebbero essere codificati e replicati per accelerare il valore insieme ai fondatori in cui investiamo”, ha affermato Dan. “Siamo in grado di aiutare ad adattare il nostro approccio pratico per aiutare i fondatori più tecnici a costruire la loro strategia go-to-market più facile da trasformare dall’idea all’essere un’azienda”.
Nata come piattaforma per l’applicazione del controllo della versione ai modelli di apprendimento automatico, la piattaforma basata su ModelDB oggi è stata ampliata per supportare modelli di staging, packaging, distribuzione e utilizzo in produzione. L’estensibilità di Verta attraverso il ciclo di vita dei modelli di machine learning e l’ampia integrazione di framework, linguaggio e gestione degli esperimenti mostrata nella colonna di sinistra è ciò di cui le aziende hanno bisogno per spostare i loro modelli di machine learning dalla ricerca alla produzione.
La forte attenzione della piattaforma Verta sull’integrazione è motivata da ciò che il Dr. Manasi Vartak vede come una debolezza fondamentale negli strumenti e nei processi utilizzati per lo sviluppo di modelli di apprendimento automatico. “Mentre gli strumenti per sviluppare codice pronto per la produzione sono ben sviluppati, scalabili e robusti, gli strumenti e i processi per sviluppare modelli ML sono nascenti e fragili. Tra la difficoltà di gestire le versioni dei modelli, la riscrittura dei modelli di ricerca per la produzione e l’ottimizzazione dell’inserimento dei dati, lo sviluppo e il dispiegamento di modelli pronti per la produzione è una battaglia enorme sia per le piccole che per le grandi aziende “, ha affermato.
Uno degli ostacoli che ostacolano lo spostamento dei modelli di machine learning dalla Data Science alla produzione è quando le aziende tentano di utilizzare flussi di lavoro IT legacy e strumenti che non sono progettati per il modo in cui lavorano sviluppatori e ricercatori di machine learning. La discrepanza tra ciò che l’IT può fornire e ciò di cui ha bisogno il ML di produzione è significativa. Ad esempio, i Data Scientist spesso creano modelli in modo ad hoc, senza processi rigorosi e gli strumenti IT esistenti non sono in grado di implementare il packaging, la scalabilità o il monitoraggio richiesti dai modelli ML.
L’approccio di Verta consiste nel mettere ordine negli approcci spesso caotici delle imprese per il tracciamento dei modelli, la distribuzione e il tentativo di garantire la piena prevedibilità dei modelli. ModelDB diventa l’unica piattaforma di gestione dei modelli unificata su cui Verta Registry and Deployment si basa per migliorare i cicli di rilascio del modello e ridurre i tempi di ciclo di 10 volte o più, come nel caso del loro cliente LeadCrunch. Verta Operations ridimensiona automaticamente i servizi e garantisce l’affidabilità dei modelli rilasciati in produzione. Verta Monitoring tiene traccia dell’integrità del modello e della fedeltà dei dati dei risultati del modello e fornisce un livello di presentazione che include avvisi e dashboard. Il grafico seguente spiega come viene distribuita la piattaforma Verta per portare DevOps al Machine Learning.
LeadCrunch è un attuale cliente Verta che utilizza l’intelligenza artificiale e un approccio brevettato di apprendimento automatico per analizzare i dati B2B per identificare quei potenziali clienti che hanno la più alta probabilità di diventare clienti di alto valore negli scenari di vendita B2B. Stanno utilizzando Verta per semplificare ogni fase dello sviluppo del modello di machine learning, del controllo delle versioni, della produzione e della manutenzione continua. LeadCrunch serve più di 300 aziende leader in tutto il mondo ei suoi clienti traggono vantaggio dall’ottenimento di informazioni utilizzabili che potenziano fondamentalmente i loro motori di crescita.
Verta ha liberato il team di data science di LeadCrunch dal dover dedicare tempo agli aspetti tecnici della manutenzione dei modelli. Invece, i data scientist sono stati in grado di ottenere modelli più esplorativi. Durante la distribuzione iniziale, LeadCrunch aveva anche 21 diversi punti deboli che dovevano essere risolti e Verta ne ha risolti 20 immediatamente dopo l’implementazione. Ancora più importante, Verta ha aumentato la velocità di produzione del modello e ha aiutato LeadCrunch a ottenere una distribuzione al mese, migliorando da 2 all’anno.
La velocità di Verta nel trasformare concetti in prodotti con l’assistenza di SEV è l’aspetto del futuro del capitale di rischio. “SEV è stato determinante nell’aiutarci a capire il nostro processo di vendita e reclutamento. Poiché sia io che il mio CTO siamo super tecnici, il team SEV ci ha aiutato a mettere rigore e definire il processo per rendere Verta un successo dal punto di vista commerciale “, ha affermato Manasi.
È incoraggiante vedere SEV supportare brillanti ingegneri di intelligenza artificiale e machine learning come il Dr. Manasi Vartak per far crescere le loro aziende. La cosa più degna di nota di ciò che accade dopo che SEV decide di investire in un’azienda è l’esperienza che gli operatori di SEV mettono in campo per aiutare i fondatori di società in erba. Gli operatori SEV sono informati in un ampio spettro di framework e linguaggi che riducono le obiezioni aziendali e consentono ai fondatori in cui investono di essere più produttivi. Verta è la piattaforma su cui le aziende devono costruire per raggiungere le proprie strategie e obiettivi di machine learning.
