Comet.ml vol canviar com interactuem amb l'aprenentatge automàtic

Una empresa que busca aprofitar l'aprenentatge automàtic (ML) necessita més que dispositius intel·ligents i reams de dades. En el seu nucli central, ML gira al voltant de dos hemisferis: models ML i algorismes per un costat i conjunts de dades adequadament curats per l’altra. Tot i que tots dos requereixen experiència per crear, el primer només va obtenir un impuls significatiu a través de Comet.ml, un servei llançat a principis d’aquest mes amb eines per permetre als científics i desenvolupadors de dades fer un seguiment del codi i compartir els seus models ML de manera més eficient. La companyia diu que respon a allò que veu com una necessitat creixent d’eines ML més efectives i utilitzables. El servei forma part d’un camp creixent de serveis convenients que pretenen que més persones accedeixin, utilitzin i coneguin informació sobre ML.

La connexió de GitHub

Tot i tenir menys d’un mes, descriure Comet.ml com "el GitHub de ML" pot no ser inadequat. Si no coneixeu GitHub, és un servei d'allotjament de repositoris on els desenvolupadors emmagatzemen i comparteixen el seu codi. En els projectes amb diversos desenvolupadors que treballen en la mateixa base de codis, dipòsits com GitHub reprodueixen un codi crític per organitzar fluxos de treball i mantenir el control de versions. Si bé el concepte de dipòsit de codis no és nou, GitHub va obrir un món completament nou a la comunitat de desenvolupament mitjançant la creació d’una interfície d’usuari (UI) que anés més enllà de les capacitats de codificació arcane, orientades a projectes i va afegir una interfície d’usuari intuïtiva i social. eines que permeten a GitHub parlar amb usuaris i fins i tot a comunitats. Tant si voleu que el vostre codi revisés per altres desenvolupadors, si trobés aplicacions interessants com si tingués curiositat sobre el que treballaven els principals enginyers del món, GitHub s'ha convertit en un dels llocs més populars per estar al dia del que està fent la comunitat de desenvolupament.

Amb aquest tipus de currículum, voler ser el GitHub de qualsevol cosa sembla extremadament ambiciós, però els fundadors de Comet.ml estan segurs. Comet.ml funciona de manera similar al popular servei GitHub. Simplement, feu un compte gratuït al lloc web de Comet.ml, trieu la vostra biblioteca ML preferida (actualment Comet.ml és compatible amb Java, Pytorch, TensorFlow i moltes més de les biblioteques més populars) i podeu obtenir més informació. corrent construcció i proves Models de ML gairebé a l'instant, i és més fàcil que fins a aquest moment. Això passa perquè Comet.ml també fa un seguiment de tots els canvis que un equip fa a un dipòsit al lloc web. Ofereix optimització de models automatitzada i fins i tot podeu integrar el vostre treball Comet.ml amb GitHub per a projectes més grans.

GitHub també allotja models ML, però Comet.ml està dissenyat tenint en compte les necessitats úniques de ML. Mitjançant un tipus d'algorisme conegut com a "optimització de l'hiperramàmetre" Bayesian, el servei ajustarà els vostres models canviant els hiperparametres dels vostres experiments. Si ets un veritable geek de dades, hi ha una explicació més detallada d’això al lloc web de l’empresa. Els models de retocs manuals poden trigar molt temps. Si aquest algorisme funciona tan bé com ho diu Comet.ml, sens dubte podria cridar l’atenció de la comunitat de ciències de dades. Igual que GitHub, un compte amb dipòsits disponibles públicament és completament gratuït, amb repositoris privats a partir de 49 dòlars per usuari al mes.

La necessitat d’alguna cosa més senzilla

Gideon Mendels, cofundador i conseller delegat de Comet.ml, és una cosa veterana de ML. Ha treballat en recerca a la Universitat de Columbia i a Google. Al llarg de la seva carrera, ha lluitat per trobar una manera eficaç de provar i compartir models de ML.

"Anteriorment treballava en una empresa anomenada GroupWize "I vam tenir uns 15 models d'aprenentatge de màquines en producció", va dir Mendels. "Va ser impossible fer un seguiment de tots els canvis en ells. Aleshores, en realitat vam començar a construir Comet internament com a homebrew solució per al nostre dolor ".

A partir d’aquí, Mendels i altres membres de l’equip van decidir dedicar-se a la creació de Comet.ml per si sol. Per Mendels, el valor de Comet.ml no és només el fet que es poden emmagatzemar models ML a el núvol; es tracta de fer més fàcil experimentar amb aquest codi. Mendels també es va afanyar a desestimar la idea que el seu servei intenta competir amb GitHub. Al cap i a la fi, s’integra amb el servei i els usuaris poden registrar-se amb les seves credencials d’inici de sessió de GitHub. Per Mendels, es tracta realment de respondre a una onada creixent de democratització de dades amb una millor funcionalitat.

"Es connecta a un punt més gran de com moltes empreses comencen a fer ML i ciències de dades", va dir Mendels. "Amb GitHub, podeu emmagatzemar codi, però amb ML, codi només és una peça del trencaclosques. Quines dades s’han utilitzat per encaixar en aquest codi? ”Mendels diu que les funcions de retocs automatitzats ajudaran Comet.ml a separar-se per si sol.

Parc de jocs d'aprenentatge automàtic

Comet.ml és només una de les diverses ofertes que tenen com a objectiu canviar la manera de relacionar-nos amb ML. Microsoft, que ha estat molt agressiu a l’espai, va llançar quaderns Azure fa uns anys. Tot i que la companyia la presenta com una eina educativa més que Comet.ml, també està dissenyada per permetre jugar amb models ML al núvol.

També hi ha tota una onada de mercats de ML que ofereixen models complets i preparats per a les empreses petites i mitjanes empreses (PIME) i les empreses. Algoritmia ho és un mercat d’intel·ligència artificial (AI) que ofereix, entre altres coses, models ML que podeu comprar i utilitzar a les vostres pròpies aplicacions mitjançant una trucada d’interfície de programació d’aplicacions (API). No teniu l'habilitat ni el temps per crear un model de diagnòstic per analitzar frases? A continuació, utilitzeu Parsey McParseface per un preu baix de 28, 54 dòlars per a 10.000 trucades d’API. Models menys creatius endavant al mercat s'inclouen els que tenen algorismes de reconeixement facial, agrupació espectral de dades geogràfiques i extracció de text.

Si no sou un científic de dades, potser pensareu que aquests serveis no són aplicables a vosaltres i a la vostra organització. Però les empreses de totes les mides anuncien un suport i utilització sense precedents de solucions AI, i ML és una part important d’això. Aquestes implementacions abasten la gamma des de grans i amplis projectes fins a aquells tan dirigits que us sorprèn que el ML forma part de la recepta.

Com a exemple d’un projecte objectiu, WineStein és un servei de sommelier digital que utilitza models ML per combinar vi amb diferents tipus d’aliments. Els exemples d’implementació més amplis abasten tecnologia financera (fintech) , tecnologia sanitària i fins i tot chatbots on AI i ML ja han canviat la manera en què totes les empreses s’apropen a les operacions d’atenció al client i servei d’atenció al client. La base d’usuaris d’AI i ML està creixent ràpidament i no deixarà cap negoci intacta, cosa que fa que el futur sigui un lloc brillant per a usuaris com Comet.ml.