Comet.ml ønsker å endre hvordan vi samhandler med maskinlæring

En virksomhet som ønsker å benytte seg av maskinlæring (ML) trenger mer enn smarte enheter og datamaskiner. I kjernen dreier ML seg om to halvkuler: ML-modeller og algoritmer på den ene siden og passende kuraterte datasett på den andre. Mens begge krever kompetanse for å lage, fikk førstnevnte nettopp et betydelig løft via Comet.ml, en tjeneste som ble lansert tidligere denne måneden med verktøy for å tillate dataforskere og utviklere å spore kode og dele ML-modellene sine mer effektivt. Selskapet sier at det svarer på det det ser på som et økt behov for mer effektive og brukbare ML-verktøy. Tjenesten er del av et voksende felt med praktiske tjenester som søker å la flere få tilgang til, bruke og lære om ML.

GitHub-tilkoblingen

Til tross for at han var mindre enn en måned gammel, kan det ikke være upassende å beskrive Comet.ml som "the GitHub of ML". Hvis du ikke er kjent med GitHub, er det en depot-hosting-tjeneste der utviklere lagrer og deler koden sin. I prosjekter med flere utviklere som jobber med den samme kodebasen, spiller lagre som GitHub en kritisk kode for å organisere arbeidsflyter og opprettholde versjonskontroll. Mens konseptet med et kodelager ikke er nytt, åpnet GitHub en helt ny verden for utviklingssamfunnet ved å lage et brukergrensesnitt (UI) som gikk utover arkane, prosjektorienterte kodingsfunksjoner og la til en intuitiv brukergrensesnitt så vel som sosial verktøy som lar GitHub snakke med brukere og til og med lokalsamfunn. Enten du ville at koden din skulle bli vurdert av andre utviklere, finne nye og interessante applikasjoner, eller bare var nysgjerrig på hva verdens toppingeniører jobbet med, har GitHub blitt et av de mest populære stedene å fange opp hva utviklingssamfunnet gjør.

Med den slags CV virker det å være GitHub for noe ekstremt ambisiøst, men grunnleggerne av Comet.ml er selvsikre. Comet.ml fungerer på samme måte som den populære GitHub-tjenesten. Bare opprett en gratis konto på Comet.ml-nettstedet, velg ditt foretrukne ML-bibliotek (Comet.ml støtter for øyeblikket Java, Pytorch, TensorFlow og flere flere av de mest populære bibliotekene), og du kan reise deg opp og løping bygning og testing ML-modeller nesten øyeblikkelig - og sannsynligvis lettere enn du har klart å gjøre opp til dette punktet. Dette er fordi Comet.ml også sporer alle endringer som et team gjør i et depot på nettstedet. Det tilbyr automatisert modelloptimalisering, og du kan til og med integrere Comet.ml-arbeidet ditt med GitHub for større prosjekter.

GitHub er også vert for ML-modeller, men Comet.ml er designet med MLs unike behov. Gjennom en type algoritme kjent som Bayesiansk "Hyperparameteroptimalisering", vil tjenesten finjustere modellene dine ved å endre hyperparametrene til eksperimentene dine. Hvis du er en sann data-nørd, er det en grundigere forklaring på dette på selskapets nettsted. Det kan ta utrolig lang tid å finjustere modeller manuelt. Hvis denne algoritmen fungerer så bra som Comet.ml sier at den gjør det, kan den definitivt få oppmerksomheten fra data science community. Akkurat som GitHub er en konto med offentlig tilgjengelige lagre helt gratis, med private lagre som starter på $ 49 per bruker per måned.

Behovet for noe enklere

Gideon Mendels, medgründer og administrerende direktør i Comet.ml, er noe av en ML-veteran. Han har arbeidet innen forskning for Columbia University og hos Google. Gjennom hele karrieren har han slitt med å finne en effektiv måte å teste og dele ML-modeller.

"Jeg har tidligere jobbet i et firma som heter GroupWize , og vi hadde rundt 15 maskinlæringsmodeller i produksjonen, "sa Mendels." Det var bare umulig å følge med på alle endringene i dem. Så, vi begynte faktisk å bygge Comet internt som Hjemme brygget løsning for smertene våre."

Derfra bestemte Mendels og andre teammedlemmer seg for å fokusere på å bygge ut Comet.ml på egen hånd. For Mendels er ikke verdien av Comet.ml bare det faktum at ML-modeller kan lagres i skyen; det handler om å gjøre det lettere å eksperimentere med den koden. Mendels var også raskt ute med å avvise forestillingen om at tjenesten hans prøver å konkurrere med GitHub. Tross alt integreres det med tjenesten, og brukerne kan registrere seg med GitHub-påloggingsinformasjon. For Mendels handler det egentlig om å svare på en voksende bølge av datademokratisering med bedre funksjonalitet.

"Det kobles til et større poeng av hvor mange selskaper som begynner på ML og datavitenskap, " sa Mendels. "Med GitHub kan du lagre kode, men med ML, kode er bare ett stykke av puslespillet. Hvilke data ble brukt for å passe inn i den koden? "Mendels sier at de automatiserte finjusteringsfunksjonene vil hjelpe Comet.ml å skille seg fra hverandre på egen hånd.

Læreplasser for maskiner

Comet.ml er bare ett av flere tilbud som har som mål å endre måten vi samhandler med ML. Microsoft, som har vært veldig aggressiv på plassen, lanserte Azure Notebooks for noen år siden. Selv om selskapet presenterer det som mer et pedagogisk verktøy enn Comet.ml, er det også designet for å la deg leke med ML-modeller i skyen.

Det er også en hel bølge av ML-markedsplasser som tilbyr komplette, ferdige modeller for både små og mellomstore bedrifter (SMB) og bedrifter. Algoritmi er en kunstig intelligens (AI) markedsplass som tilbyr blant annet ML-modeller som du kan kjøpe og bruke i dine egne apper via et API-anrop (Application Programming Interface). Har du ikke dyktighet eller tid til å bygge en setningsanalysemodell? Bruk deretter Parsey McParseface til den lave prisen på $ 28.54 for 10.000 API-anrop. Mindre kreativt navngitte modeller på markedsplassen inkluderer de for ansiktsgjenkjenningsalgoritmer, spektral klynger for geografiske data og tekstekstraksjon.

Hvis du ikke er en dataforsker, kan det hende du tenker at disse tjenestene ikke er aktuelle for deg og din organisasjon. Men bedrifter i alle størrelser kunngjør enestående støtte og bruk av AI-løsninger, og ML er en viktig del av det. Disse implementeringene spenner over spekteret fra brede, feite prosjekter ned til de så målrettede at du er overrasket over å finne ML er en del av oppskriften.

Som et eksempel på et målrettet prosjekt er WineStein en digital sommelier-tjeneste som bruker ML-modeller for å parre vin med forskjellige typer mat. Bredere implementeringseksempler spenner over finansiell teknologi (fintech) , helseteknologi og til og med chatbots der AI og ML allerede har endret måten de fleste virksomheter nærmer seg kundeservice og helpdeskdrift. Brukerbasen for AI og ML vokser raskt og vil ikke forlate noen virksomhet urørt, noe som gjør fremtiden til et lyst sted for up-and-comers som Comet.ml.