Predibase beendet Stealth mit einer Low-Code-Plattform zum Erstellen von KI-Modellen – TechCrunch

Data-Science-Teams werden durch die Desorganisation in ihren Unternehmen behindert, was sich auf die Bemühungen zur zeitnahen Bereitstellung von KI- und Analyseprojekten auswirkt. In einer kürzlichen Umfrage 44 % der „Datenmanager“ in US-amerikanischen Unternehmen gaben an, dass sie nicht genug eingestellt haben, zu isoliert sind, um effektiv zu sein, und dass ihnen keine klaren Rollen zugewiesen wurden. Die Befragten gaben an, dass sie sich am meisten Sorgen über die Auswirkungen eines Umsatzverlusts oder einer Beeinträchtigung des Markenrufs machen, die auf ausfallende KI-Systeme und einen Trend zu spritzigen Investitionen mit kurzfristigen Auszahlungen zurückzuführen sind.

Das sind letztlich organisatorische Herausforderungen. Aber Piero Molino, der Mitbegründer der KI-Entwicklungsplattform Prädibasesagt, dass unzureichende Werkzeuge sie oft verschlimmern.

„Die größten Herausforderungen, die wir heute in der Branche sehen, sind, dass maschinelle Lernprojekte in der Regel eine verlängerte Time-to-Value und einen sehr geringen Zugriff im gesamten Unternehmen haben. Infolgedessen sind die meisten Aufgaben des maschinellen Lernens in einem Unternehmen in einem überbelegten zentralisierten Data-Science-Team blockiert“, sagte Molino per E-Mail gegenüber TechCrunch. „Angesichts dieser Herausforderungen müssen Unternehmen heute zwischen zwei fehlerhaften Ansätzen wählen, wenn es um die Entwicklung von maschinellem Lernen geht. Sie können ihre eigenen Systeme von den Daten bis zur Bereitstellung mithilfe von Low-Level-APIs erstellen, die ihnen die Flexibilität bieten, die maschinelle Lernaufgaben normalerweise auf Kosten der Komplexität erfordern. Oder sie entscheiden sich für eine gebrauchsfertige „AutoML“-Blackbox-Lösung, die ihr Problem auf Kosten von Flexibilität und Kontrolle vereinfacht.“

In der Tat, während die weltweiten Ausgaben für KI-Technologien lagen geschätzt Mit 35,8 Milliarden US-Dollar im Jahr 2019 haben laut Alegion fast 80 % der Unternehmen ihre KI-Projekte aufgrund von Problemen mit der Datenqualität und mangelndem Vertrauen in KI-Systeme ins Stocken geraten sehen Prüfbericht. Als Unternehmer (und Verkäufer) behauptet Molino, dass sein Produkt Predibase eine Lösung dafür ist – oder zumindest ein Schritt in diese Richtung.

Predibase, das heute mit einer Serie-A-Finanzierung in Höhe von 16,25 Millionen US-Dollar unter der Leitung von Greylock mit Beteiligung der Factory und Angel-Investoren aus dem Stealth hervorgegangen ist, ermöglicht es einem Benutzer, ein KI-System als Datei anzugeben, die der Plattform mitteilt, was der Benutzer möchte (z. B. Objekte erkennen). in einem Bild) und findet einen Weg, diesen Bedarf zu decken. Molino beschreibt es als einen „deklarativen“ Ansatz für die KI-Entwicklung und entlehnt einen Begriff aus der Informatik, der sich auf Code bezieht, der geschrieben wurde, um zu beschreiben, was ein Entwickler erreichen möchte.

„Machine-Learning-Projekte dauern heute in den meisten Organisationen, mit denen wir zusammengearbeitet haben, in der Regel sechs Monate bis zu einem Jahr. Das wollen wir drastisch reduzieren [by bringing] ein Low-Code-, aber High-Ceiling-Tool für maschinelles Lernen für Unternehmen“, fuhr Molino fort. „Normalerweise haben die meisten Unternehmen einen Engpass durch Data-Science-Ressourcen, was bedeutet, dass Produkt- und Analystenteams durch eine knappe und teure Ressource blockiert werden. Mit Predibase haben wir gesehen, wie Ingenieure und Analysten Modelle direkt erstellten und operationalisierten.“

Predibase baut auf Open-Source-Technologien auf, darunter Horovod, ein Framework für das Training von KI-Modellen, und Ludwig, eine Suite von Tools für maschinelles Lernen. Beide wurden ursprünglich bei Uber entwickelt, das vor einigen Jahren die Verwaltung der Projekte auf die überführte Linux-Stiftung.

Molino, der über das Unternehmen zu Uber kam Erwerb des Startups Geometric Intelligence, half bei der Gründung von Ludwig im Jahr 2019. Der andere Mitbegründer von Predibase, Travis Addair, war der leitende Betreuer von Horovod, während er als leitender Softwareingenieur bei Uber arbeitete.

Um Predibase auf den Markt zu bringen, haben sich Molino und Addair mit dem ehemaligen Google Cloud AI-Produktmanager Devvret Rishi und dem Stanford-Informatikprofessor Chris Ré zusammengetan, einem der Mitbegründer von Lattice.io, einem Unternehmen für Data Mining und maschinelles Lernen, das Apple 2017 gekauft hat.

Predibase wurde entwickelt, um es Entwicklern zu ermöglichen, KI-Pipelines in nur wenigen Codezeilen zu definieren und gleichzeitig auf Tausende von Maschinen auf Petabytes an Daten zu skalieren. Wie Molino erklärt, kann ein Benutzer mit der Plattform ein textanalysierendes KI-System in sechs Codezeilen erstellen, das die Ein- und Ausgabedaten spezifiziert. Wenn sie dieses System iterieren und anpassen möchten, können sie mit Predibase Parameter in der Konfigurationsdatei hinzufügen, die eine granularere Steuerungsebene bieten.

Predibase lässt sich für das Modelltraining in Datenquellen wie Snowflake, Google BigQuery und Amazon S3 integrieren. Benutzer können Modelle je nach Anwendungsfall über die Plattform oder programmgesteuert trainieren und diese Modelle dann hosten und bereitstellen oder in lokalen Produktionsumgebungen bereitstellen.

„Abgesehen von der Verkürzung der Time-to-Value ermöglicht Predibase den Benutzern, mit verschiedenen Datenmodalitäten unter Verwendung desselben Toolsets zu arbeiten. Mit Predibase haben wir gesehen, wie Benutzer Modelle mit Bildern für die Klassifizierung, Textdaten wie E-Mails für die Sichtung, tabellarische Daten für Erkennungs- und Regressionsaufgaben und sogar Audio-Datensätze trainiert haben, die ohne die nativen Funktionen in der eine hohe interne Komplexität erfordert hätten Plattform“, sagte Molino. „Für viele, die in diesem Bereich arbeiten, bietet Predibase eine völlig neue Fähigkeit, wenn es darum geht, Anwendungsfälle für unstrukturierte Daten anzugehen.“

Im Großen und Ganzen sind No-Code-Entwicklungsplattformen auf dem lachenund eine Reihe von Startups konkurrieren direkt mit Predibase, einschließlich des Startups für KI-Orchestrierung Union.ai und Low-Code-Data-Engineering-Plattform Prophezeiung (ganz zu schweigen von SageMaker und Vertex-KI). Molino ist jedoch der Ansicht, dass Konkurrenten zwar die Nachfrage im Unternehmen nach einfachen Lösungen befriedigen, dies jedoch auf Kosten der Flexibilität tun, was dazu führt, dass Kunden „an eine Decke stoßen und abwandern“.

„[L]ike Infrastruktur als Code vereinfachte IT, unsere Plattform ermöglicht es Benutzern, sich auf das „Was“ ihrer Modelle anstatt auf das „Wie“ zu konzentrieren, was es ihnen ermöglicht, sich von den üblichen Grenzen von Low-Code-Systemen mit einer erweiterbaren Konfiguration zu befreien … Wir bieten Modell Out-of-the-Box-Erklärbarkeit, damit Benutzer verstehen können, welche Funktionen Fahrprognosen sind“, sagte er. „[Our platform] wurde bei Fortune-500-Unternehmen wie einem führenden US-Technologieunternehmen, einer großen Nationalbank und einem großen US-Gesundheitsunternehmen eingesetzt.“

Der Pitch beeindruckte genug Engel wie Kaggle CEO Anthony Goldbloom und den ehemaligen Intel AI COO Remi El-Ouazzane, die beide investierten. Andere bemerkenswerte Unterstützer sind Ben Hamner, CTO von Kaggle, und Zoubin Ghahramani, Professor für Informationstechnik in Cambridge und leitender Forschungswissenschaftler bei Google Brain.

Molino sagt, dass das frische Kapital aus der Serie A verwendet wird, um das Beta-Produkt von Predibase auf einen breiteren Markt zu bringen – es ist derzeit nur auf Einladung verfügbar. Es wird auch dazu verwendet, das Team von Predibase-Ingenieuren für maschinelles Lernen zu vergrößern und eine Markteinführungsorganisation aufzubauen, wodurch das 21-köpfige Team des Unternehmens erweitert wird.

Leave a Comment

Your email address will not be published.