Comet.ml wil de manier veranderen waarop we omgaan met machine learning

Een bedrijf dat gebruik wil maken van machine learning (ML) heeft meer nodig dan slimme apparaten en veel gegevens. In de kern draait ML om twee hersenhelften: ML-modellen en algoritmen aan de ene kant en correct samengestelde datasets aan de andere kant. Hoewel beide expertise vereisen om te creëren, heeft de eerste net een flinke boost gekregen via Comet.ml, een service die eerder deze maand is gelanceerd met tools waarmee datawetenschappers en ontwikkelaars code kunnen volgen en hun ML-modellen efficiënter kunnen delen. Het bedrijf zegt dat het antwoord geeft op wat het ziet als een toegenomen behoefte aan meer effectieve en bruikbare ML-tools. De service maakt deel uit van een groeiend veld van handige services die meer mensen toegang tot, gebruik van en informatie over ML willen bieden.

De GitHub-verbinding

Ondanks dat hij minder dan een maand oud is, is het misschien niet ongepast om Comet.ml te beschrijven als "de GitHub van ML". Als u niet bekend bent met GitHub, is het een repository-hostingservice waar ontwikkelaars hun code opslaan en delen. In projecten met meerdere ontwikkelaars die aan dezelfde codebase werken, spelen repositories zoals GitHub een kritieke code bij het organiseren van workflows en het handhaven van versiebeheer. Hoewel het concept van een coderepository niet nieuw is, heeft GitHub een hele nieuwe wereld voor de ontwikkelingsgemeenschap geopend door een gebruikersinterface (UI) te maken die verder ging dan mysterieuze, projectgeoriënteerde coderingsmogelijkheden en een intuïtieve gebruikersinterface en sociale tools waarmee GitHub met gebruikers en zelfs communities kan praten. Of u nu wilde dat uw code door andere ontwikkelaars werd beoordeeld, nieuwe en interessante toepassingen vond, of gewoon nieuwsgierig was naar wat 's werelds beste ingenieurs bezig waren, GitHub is een van de meest populaire plaatsen geworden om in te halen wat de ontwikkelingsgemeenschap doet.

Met dat soort cv lijkt de GitHub van iets extreem ambitieus te zijn, maar de oprichters van Comet.ml hebben er vertrouwen in. Comet.ml werkt op dezelfde manier als de populaire GitHub-service. Maak eenvoudig een gratis account aan op de website van Comet.ml, kies de gewenste ML-bibliotheek (Comet.ml ondersteunt momenteel Java, Pytorch, TensorFlow en nog enkele van de meest populaire bibliotheken) en u kunt opstaan ​​en rennen gebouw en testing ML-modellen bijna onmiddellijk - en waarschijnlijk gemakkelijker dan u tot nu toe hebt kunnen doen. Dit komt omdat Comet.ml ook alle wijzigingen bijhoudt die een team aanbrengt in een repository op de website. Het biedt geautomatiseerde modeloptimalisatie en u kunt zelfs uw Comet.ml-werk integreren met GitHub voor grotere projecten.

GitHub host ook ML-modellen, maar Comet.ml is ontworpen met de unieke behoeften van ML in gedachten. Via een type algoritme dat bekend staat als Bayesiaanse 'Hyperparameter-optimalisatie', zal de service uw modellen aanpassen door de hyperparameters van uw experimenten te wijzigen. Als je een echte data-nerd bent, dan is er een meer grondige uitleg hiervan op de website van het bedrijf. Het handmatig aanpassen van modellen kan ongelooflijk lang duren. Als dit algoritme zo goed werkt als Comet.ml zegt, dan zou het zeker de aandacht van de data science-gemeenschap kunnen trekken. Net als GitHub is één account met publiek beschikbare repositories helemaal gratis, met private repositories vanaf $ 49 per gebruiker per maand.

De behoefte aan iets eenvoudiger

Gideon Mendels, mede-oprichter en CEO van Comet.ml, is iets van een ML-veteraan. Hij heeft gewerkt in onderzoek voor Columbia University en bij Google. Gedurende zijn carrière heeft hij moeite gedaan om een ​​effectieve manier te vinden om ML-modellen te testen en te delen.

"Ik werkte eerder bij een bedrijf genaamd GroupWize , en we hadden ongeveer 15 machine learning-modellen in productie, "zei Mendels." Het was gewoon onmogelijk om alle veranderingen daarin bij te houden. Dus begonnen we eigenlijk Comet intern te bouwen als een homebrew oplossing voor onze pijn."

Van daaruit besloten Mendels en andere teamleden zich te concentreren op het zelfstandig bouwen van Comet.ml. Voor Mendels is de waarde van Comet.ml niet alleen het feit dat ML-modellen kunnen worden opgeslagen in de wolk; het gaat erom het gemakkelijker te maken om met die code te experimenteren. Mendels verwerpt ook snel het idee dat zijn dienst probeert te concurreren met GitHub. Het integreert immers met de service en gebruikers kunnen zich aanmelden met hun GitHub-inloggegevens. Voor Mendels gaat het echt om het beantwoorden van een groeiende golf van datademocratisering met betere functionaliteit.

"Het sluit aan op een groter punt van hoe veel bedrijven beginnen met ML en data science, " zei Mendels. "Met GitHub kunt u code opslaan, maar met ML, code is slechts een stukje van de puzzel. Welke gegevens zijn gebruikt om in die code te passen? "Mendels zegt dat de automatische tweak-functies Comet.ml zullen helpen op zichzelf te staan.

Machine Learning Speelplaatsen

Comet.ml is slechts een van de vele aanbiedingen die tot doel hebben de manier waarop we omgaan met ML te veranderen. Microsoft, dat zeer agressief is in de ruimte, lanceerde een paar jaar geleden Azure Notebooks. Hoewel het bedrijf het presenteert als meer een educatief hulpmiddel dan Comet.ml, is het ook ontworpen om je te laten spelen met ML-modellen in de cloud.

Er is ook een hele reeks ML-marktplaatsen beschikbaar die complete, kant-en-klare modellen bieden voor zowel kleine tot middelgrote bedrijven (MKB's) als ondernemingen. Algorithmie is een kunstmatige intelligentie (AI) -marktplaats die onder andere ML-modellen biedt die u kunt kopen en gebruiken in uw eigen apps via een API-oproep (Application Programming Interface). Heb je niet de vaardigheid of tijd om een ​​zin-parsing-model te bouwen? Gebruik vervolgens Parsey McParseface voor de lage prijs van $ 28, 54 voor 10.000 API-oproepen. Minder creatief benoemde modellen Aan de markt omvat die voor gezichtsherkenningalgoritmen, spectrale clustering voor geografische gegevens en tekstextractie.

Als u geen datawetenschapper bent, denkt u misschien dat deze services niet van toepassing zijn op u en uw organisatie. Maar bedrijven van elke omvang kondigen ongekende ondersteuning en gebruik van AI-oplossingen aan, en ML is daar een belangrijk onderdeel van. Deze implementaties strekken zich uit van brede, omvangrijke projecten tot projecten die zo gericht zijn dat je verrast bent dat ML deel uitmaakt van het recept.

Als een voorbeeld van een gericht project is WineStein een digitale sommelierservice die ML-modellen gebruikt om wijn te combineren met verschillende soorten voedsel. Bredere implementatievoorbeelden omvatten financiële technologie (fintech) , gezondheidszorgtechnologie en zelfs chatbots waar AI en ML de manier waarop vrijwel elk bedrijf klantenservices en helpdesk-activiteiten benadert, al hebben veranderd. Het gebruikersbestand voor AI en ML groeit snel en laat geen zaken onaangeroerd, waardoor de toekomst een mooie plek wordt voor nieuwkomers zoals Comet.ml.