Los modelos de aprendizaje automático (ML) son tan buenos como los datos que les proporcionas. Eso es cierto durante el entrenamiento, pero también una vez que un modelo se pone en producción. En el mundo real, los datos en sí pueden cambiar a medida que ocurren nuevos eventos e incluso pequeños cambios en la forma en que las bases de datos y las API informan y almacenan datos podrían tener implicaciones sobre cómo reaccionan los modelos. Dado que los modelos ML simplemente le darán predicciones incorrectas y no arrojarán un error, es imperativo que las empresas monitoreen sus canales de datos para estos sistemas.
Ahí es donde entran en juego herramientas como Aporia. La compañía con sede en Tel Aviv anunció hoy que ha recaudado una ronda inicial de $ 5 millones para su plataforma de monitoreo para modelos ML. Los inversores son Vertex Ventures y TLV Partners.
Créditos de imagen: Aporia
El cofundador y CEO de Aporia, Liran Hason, después de cinco años con las Fuerzas de Defensa de Israel, trabajó anteriormente en el equipo de ciencia de datos en Adallom, una compañía de seguridad que fue adquirida por Microsoft en 2015. Después de la venta, se unió a la empresa de riesgo Vertex Ventures antes comenzando Aporia a fines de 2019. Pero fue durante su tiempo en Adallom donde se encontró por primera vez con los problemas que Aporio ahora está tratando de resolver.
“Fui responsable de la arquitectura de producción de los modelos de aprendizaje automático”, dijo sobre su tiempo en la empresa. “Así que ahí es donde, por primera vez, pude experimentar los desafíos de llevar modelos a producción y todas las sorpresas que se obtienen”.
La idea detrás de Aporia, explicó Hason, es facilitar a las empresas la implementación de modelos de aprendizaje automático y aprovechar el poder de la inteligencia artificial de manera responsable.
“La IA es una tecnología superpoderosa”, dijo. “Pero a diferencia del software tradicional, se basa en gran medida en los datos. Otra característica única de la IA, que es muy interesante, es que cuando falla, falla silenciosamente. No obtienes excepciones ni errores. Eso se vuelve muy, muy complicado, especialmente cuando se llega a la producción, porque durante el entrenamiento, los científicos de datos tienen el control total de los datos “.
Pero como señaló Hason, un sistema de producción puede depender de datos de un proveedor externo y ese proveedor puede algún día cambiar el esquema de datos sin decírselo a nadie. En ese momento, ya no se puede confiar en un modelo, por ejemplo para predecir si el cliente de un banco puede incumplir con un préstamo, pero pueden pasar semanas o meses antes de que alguien se dé cuenta.
Aporia rastrea constantemente el comportamiento estadístico de los datos entrantes y cuando se aleja demasiado del conjunto de entrenamiento, alertará a sus usuarios.
Una cosa que hace que Aporio sea único es que brinda a sus usuarios una herramienta gráfica casi IFTTT o similar a Zapier para configurar la lógica de estos monitores. Viene preconfigurado con más de 50 combinaciones de monitores y proporciona una visibilidad completa de cómo funcionan detrás de escena. Eso, a su vez, permite a las empresas ajustar el comportamiento de estos monitores para su propio modelo y modelo de negocio específico.
Inicialmente, el equipo pensó que podría construir soluciones de monitoreo genéricas. Pero el equipo se dio cuenta de que esto no solo sería una tarea muy compleja, sino que los científicos de datos que construyen los modelos también saben exactamente cómo deberían funcionar esos modelos y qué necesitan de una solución de monitoreo.
“Monitorear las cargas de trabajo de producción es una práctica de ingeniería de software bien establecida, y ya es hora de monitorear el aprendizaje automático al mismo nivel”, dijo Rona Segev, socio fundador de TLV Partners. “El equipo de Aporia tiene una sólida experiencia en ingeniería de producción, lo que hace que su solución se destaque como simple, segura y robusta”.
Source link