Neptune.ai raccoglie 8 milioni di dollari per semplificare lo sviluppo del modello ML
Neptune.ai , una startup polacca che aiuta le aziende a gestire i metadati dei modelli, ha annunciato oggi di aver raccolto 8 milioni di dollari in finanziamenti di serie A.
Ogni volta che un’organizzazione sperimenta modelli di machine learning (ML), ogni iterazione che esegue genera metadati come riferimenti e approfondimenti dai set di dati utilizzati, versioni del codice, modifiche dell’ambiente, hardware, metriche di valutazione e test e previsioni. Queste informazioni sono in continua evoluzione, lasciando una scia complessa di cronologie delle versioni. Quindi, quando qualcosa va storto, diventa incredibilmente difficile per gli ingegneri di ML decidere cosa ha causato il problema e quando.
Realizzazione di un data mesh con Starburst e TSYS
“Quando sono arrivato all’apprendimento automatico dall’ingegneria del software, sono rimasto sorpreso dalle pratiche di sperimentazione disordinate, dalla mancanza di controllo sulla costruzione di modelli e dall’ecosistema mancante di strumenti per aiutare le persone a fornire modelli con sicurezza. Era in netto contrasto con l’ecosistema di sviluppo del software, in cui hai strumenti maturi per devops, osservabilità o orchestrazione per operare nella produzione”, ha detto a Venturebeat Piotr Niedźwiedź, fondatore di Neptune.ai.
Neptune.ai archivio di metadati
Per risolvere la sfida, Niedźwiedź ha scorporato Neptune.ai dalla sua precedente azienda, fornendo alle aziende un archivio di metadati dedicato che offre un posto centrale per registrare, archiviare, visualizzare, organizzare, condividere, confrontare ed interrogare tutti i metadati generati durante il ciclo di vita di un modello di apprendimento automatico .
Il repository, ha affermato il fondatore, consente agli sviluppatori di ML di seguire facilmente gli esperimenti ML e di avere il controllo completo sui loro sforzi di sviluppo del modello, senza doversi preoccupare di gestire strutture di cartelle, fogli di calcolo ingombranti e convenzioni di denominazione comuni oggi. Offre alle aziende una visione senza precedenti dell’evoluzione dei loro modelli e consente inoltre di risparmiare tempo e denaro automatizzando la contabilità dei metadati.
In precedenza, le aziende dovevano assumere altre persone per implementare logger, mantenere database o insegnare alle persone come usarli.
Crescita
Dal suo lancio, Neptune.ai ha coinvolto oltre 20.000 ingegneri ML e 100 clienti commerciali, tra cui Roche, NewYorker, Nnaisense e InstaDeep. L’utilizzo della piattaforma è cresciuto di otto volte negli ultimi otto mesi, mentre le entrate sono aumentate di quattro volte, ha affermato il fondatore.
Tuttavia, non è l’unico giocatore a offrire strumenti per aiutare gli sviluppatori di intelligenza artificiale (AI). Nello stesso spazio sono attive anche piattaforme commerciali e open source come Weights and Biases, TensorBoard e Comet , aiutando le aziende a monitorare, confrontare e riprodurre i loro esperimenti ML.
“Neptune vince (contro queste piattaforme) per flessibilità e personalizzazione, grande esperienza di sviluppo e concentrazione sulla risoluzione di un componente dello stack MLops (gestione dei metadati del modello) in modo davvero approfondito”, ha osservato Niedźwiedź.
“Mentre la maggior parte delle aziende nello spazio MLops cerca di allargarsi e diventare piattaforme che risolvono tutti i problemi dei team ML, noi vogliamo approfondire e diventare il componente migliore per l’archiviazione e la gestione dei metadati del modello”, ha aggiunto.
L’ultimo round di finanziamento, guidato da Almaz Capital, aiuterà l’azienda a raggiungere questo obiettivo. Aumenterà i suoi team di prodotti e ingegneri per migliorare ulteriormente l’archivio dei metadati e aumentare i flussi di lavoro degli ingegneri e dei data scientist di ML.
Nei prossimi mesi, ha affermato Niedźwiedź, il piano si concentrerà sul miglioramento delle capacità di organizzazione, visualizzazione e confronto della piattaforma per specifici verticali di apprendimento automatico, tra cui visione artificiale, previsione di serie temporali e apprendimento per rinforzo, oltre a supportare casi d’uso del registro del modello di base e creando più integrazioni con gli strumenti nell’ecosistema MLops
