Comet.ml quiere cambiar la forma en que interactuamos con el aprendizaje automático

Una empresa que busca hacer uso del aprendizaje automático (ML) necesita más que dispositivos inteligentes y una gran cantidad de datos. En esencia, ML gira en torno a dos hemisferios: modelos y algoritmos de ML en un lado y conjuntos de datos adecuadamente seleccionados en el otro. Si bien ambos requieren experiencia para crear, el primero recibió un impulso significativo a través de Comet.ml, un servicio lanzado a principios de este mes con herramientas para permitir a los científicos y desarrolladores de datos rastrear el código y compartir sus modelos ML de manera más eficiente. La compañía dice que está respondiendo a lo que ve como una mayor necesidad de herramientas de aprendizaje automático más efectivas y utilizables. El servicio es parte de un campo creciente de servicios convenientes que buscan permitir que más personas accedan, usen y aprendan sobre ML.

La conexión de GitHub

A pesar de tener menos de un mes, describir Comet.ml como "el GitHub de ML" puede no ser inapropiado. Si no está familiarizado con GitHub, es un servicio de alojamiento de repositorio donde los desarrolladores almacenan y comparten su código. En proyectos con múltiples desarrolladores que trabajan en la misma base de código, los repositorios como GitHub juegan un código crítico en la organización de flujos de trabajo y en el mantenimiento del control de versiones. Si bien el concepto de un repositorio de código no es nuevo, GitHub abrió un mundo completamente nuevo a la comunidad de desarrollo al crear una interfaz de usuario (UI) que fue más allá de las capacidades de codificación arcanas orientadas a proyectos y agregó una interfaz de usuario intuitiva y social. herramientas que permiten a GitHub hablar con usuarios e incluso comunidades. Ya sea que quisiera que su código fuera revisado por otros desarrolladores, encontrara aplicaciones nuevas e interesantes, o simplemente tuviera curiosidad sobre en qué estaban trabajando los mejores ingenieros del mundo, GitHub se ha convertido en uno de los lugares más populares para ponerse al día sobre lo que está haciendo la comunidad de desarrollo.

Con ese tipo de currículum, querer ser el GitHub de cualquier cosa parece extremadamente ambicioso, pero los fundadores de Comet.ml tienen confianza. Comet.ml funciona de manera similar al popular servicio GitHub. Simplemente cree una cuenta gratuita en el sitio web Comet.ml, elija su biblioteca ML preferida (Comet.ml actualmente es compatible con Java, Pytorch, TensorFlow y varias de las bibliotecas más populares), y puede levantarse y corriendo edificio y pruebas Modelos de ML casi al instante, y probablemente más fácilmente de lo que ha podido hacer hasta este momento. Esto se debe a que Comet.ml también rastrea todos los cambios que un equipo realiza en un repositorio en el sitio web. Ofrece una optimización de modelo automatizada e incluso puede integrar su trabajo Comet.ml con GitHub para proyectos más grandes.

GitHub también aloja modelos ML pero Comet.ml está diseñado teniendo en cuenta las necesidades únicas de ML. Mediante un tipo de algoritmo conocido como "optimización de hiperparámetros bayesianos", el servicio ajustará sus modelos cambiando los hiperparámetros de sus experimentos. Si eres un verdadero fanático de los datos, entonces hay una explicación más detallada de esto en el sitio web de la compañía. Ajustar los modelos manualmente puede llevar un tiempo increíblemente largo. Si este algoritmo funciona tan bien como Comet.ml dice que sí, entonces definitivamente podría llamar la atención de la comunidad de ciencia de datos. Al igual que GitHub, una cuenta con repositorios disponibles públicamente es completamente gratuita, con repositorios privados desde $ 49 por usuario por mes.

La necesidad de algo más simple

Gedeón Mendels, cofundador y CEO de Comet.ml, es algo así como un veterano de ML. Ha trabajado en investigación para la Universidad de Columbia y en Google. A lo largo de su carrera, ha luchado por encontrar una manera efectiva de probar y compartir modelos de ML.

"Trabajé anteriormente en una empresa llamada GroupWize , y teníamos unos 15 modelos de aprendizaje automático en producción ", dijo Mendels." Era imposible hacer un seguimiento de todos los cambios en ellos. Entonces, en realidad comenzamos a construir Comet internamente como un cerveza casera solución para nuestro dolor ".

A partir de ahí, Mendels y otros miembros del equipo decidieron centrarse en construir Comet.ml por su cuenta. Para Mendels, el valor de Comet.ml no es solo el hecho de que los modelos ML se pueden almacenar en la nube; se trata de hacer que sea más fácil experimentar con ese código. Mendels también rechazó rápidamente la idea de que su servicio está tratando de competir con GitHub. Después de todo, se integra con el servicio y los usuarios pueden registrarse con sus credenciales de inicio de sesión de GitHub. Para Mendels, se trata realmente de responder a una creciente ola de democratización de datos con una mejor funcionalidad.

"Se conecta con un punto más amplio de cómo muchas empresas están comenzando a hacer ML y ciencia de datos", dijo Mendels. "Con GitHub, puede almacenar código, pero con ML, código es solo una pieza del rompecabezas. ¿Qué datos se usaron para incluir ese código? "Mendels dice que las funciones de ajuste automático ayudarán a Comet.ml a destacarse por sí solo.

Parques infantiles de aprendizaje automático

Comet.ml es solo una de varias ofertas que tienen como objetivo cambiar la forma en que interactuamos con ML. Microsoft, que ha sido muy agresivo en el espacio, lanzó Azure Notebooks hace unos años. Aunque la compañía lo presenta como una herramienta educativa más que Comet.ml, también está diseñado para permitirte jugar con modelos ML en la nube.

También hay una gran cantidad de mercados de ML disponibles que ofrecen modelos completos y listos para usar tanto para pequeñas y medianas empresas (PYMES) como para empresas. Algoritmia es un mercado de inteligencia artificial (IA) que ofrece, entre otras cosas, modelos de ML que puede comprar y usar en sus propias aplicaciones a través de una llamada de interfaz de programación de aplicaciones (API). ¿No tienes la habilidad o el tiempo para construir un modelo de análisis de oraciones? Luego use Parsey McParseface por el bajo precio de $ 28.54 por 10, 000 llamadas API. Modelos con nombres menos creativos en el mercado incluye aquellos para algoritmos de reconocimiento facial, agrupamiento espectral para datos geográficos y extracción de texto.

Si no es un científico de datos, puede estar pensando que estos servicios no son aplicables para usted y su organización. Pero las empresas de todos los tamaños están anunciando un soporte y una utilización sin precedentes de soluciones de IA, y ML es una parte importante de eso. Estas implementaciones abarcan desde una amplia gama de proyectos amplios hasta aquellos tan específicos que te sorprenderá encontrar que ML es parte de la receta.

Como ejemplo de un proyecto dirigido, WineStein es un servicio de sumiller digital que utiliza modelos ML para combinar vino con diferentes tipos de alimentos. Ejemplos de implementación más amplios abarcan tecnología financiera (fintech) , tecnología de la salud e incluso chatbots donde AI y ML ya han cambiado la forma en que la mayoría de las empresas abordan las operaciones de servicio al cliente y servicio de asistencia. La base de usuarios de AI y ML está creciendo rápidamente y no dejará ningún negocio intacto, lo que hace que el futuro sea un lugar brillante para los recién llegados como Comet.ml.