Ícono del sitio La Neta Neta

Arize obtiene $ 38 millones para hacer crecer su plataforma MLOps para la empresa

Arize obtiene $ 38 millones para hacer crecer su plataforma MLOps para la empresa

Arizar IA, una startup que desarrolla una plataforma para operaciones de aprendizaje automático, anunció hoy que recaudó $ 38 millones en una ronda de Serie B liderada por TCV con la participación de Battery Ventures y Foundation Capital. Llevando el capital total recaudado de Arize a $ 62 millones, el CEO Jason Lopatecki dice que el nuevo efectivo se utilizará para escalar la I + D y duplicar la plantilla de 50 personas de la compañía durante el próximo año.

Las operaciones de aprendizaje automático, o MLOps, tienen que ver con la implementación y el mantenimiento de modelos de aprendizaje automático en producción. Al igual que DevOps, MLOps tiene como objetivo aumentar la automatización al tiempo que mejora la calidad de los modelos de producción, pero no a expensas de los requisitos regulatorios y comerciales. Dado el interés en el aprendizaje automático y la inteligencia artificial en general en la empresa, no sorprende que se proyecte que MLOps se convierta en un gran mercado, con IDC poniendo el tamaño en alrededor de $ 700 millones para 2025.

Arize fue fundada en 2019 por Lopatecki y Aparna Dhinakaran, luego de que Lopatecki vendiera una startup anterior, TubeMogul, a Adobe por alrededor de $ 550 millones. Lopatecki y Dhinakaran se conocieron por primera vez en TubeMogul, donde Dhinakaran era científico de datos antes de unirse a Uber para trabajar en infraestructura de aprendizaje automático.

“Después de ver equipo tras equipo, año tras año, no logran comprender qué estaba mal con los modelos entregados en producción y luchan por comprender qué hacían los modelos una vez implementados, llegamos a la conclusión de que faltaba algo fundamental”, dijo Lopatecki a TechCrunch en una entrevista por correo electrónico. “Si el futuro está impulsado por la IA, entonces debe haber un software que ayude a los humanos a comprender la IA, desglosar los problemas y solucionarlos. La IA sin la observabilidad del aprendizaje automático no es sostenible”.

Ciertamente, Arize no es el primero en abordar este tipo de desafíos en la ciencia de datos. Otro proveedor de MLOps, Tacton, recaudó recientemente $100 millones para desarrollar su plataforma de experimentación de modelos de aprendizaje automático. Otros jugadores en el espacio incluyen Galileo, Modular, Gantry y Grid.ai, el último de los cuales obtuvo $ 40 millones en junio para lanzar una galería de componentes que agregan capacidades de IA a las aplicaciones.

Créditos de imagen: Ariza

Pero Lopatecki afirma que Arize es único en varios aspectos. El primero es un enfoque en la observabilidad: el producto de incrustaciones de Arize está diseñado para mirar dentro de los modelos de aprendizaje profundo y comprender su estructura. “Bias Tracing” lo complementa, una herramienta que monitorea el sesgo en los modelos (por ejemplo, modelos de reconocimiento facial que reconocen a las personas negras con menos frecuencia que a los sujetos con piel más clara), e intenta rastrear los datos que causan el sesgo.

Más recientemente, Arize debutó con el monitoreo de deriva integrado, que intenta detectar cuándo los modelos se vuelven menos precisos como resultado de datos de entrenamiento obsoletos. Por ejemplo, el monitoreo de deriva podría alertar a un cliente de Arize si un modelo de lenguaje respondió “Donald Trump” en respuesta a la pregunta “¿Quién es el actual presidente de EE. UU.?”

“Arize se destaca… [because] estamos enfocados con precisión en hacer bien una cosa difícil: la observabilidad del aprendizaje automático”, dijo Lopatecki. “En última instancia, creemos que la infraestructura de aprendizaje automático se verá como una infraestructura de software con una serie de soluciones líderes en el mercado y las mejores de su clase utilizadas por los ingenieros de aprendizaje automático para crear un gran aprendizaje automático”.

El segundo diferenciador de Arize, dice Lopatecki, es su experiencia en el campo. Tanto él como Dhinakaran provienen de la academia y tienen raíces profesionales, señala, habiendo construido una infraestructura de aprendizaje automático y manejado problemas con modelos en producción.

“Incluso para los equipos que son expertos y líderes de pensamiento, se está volviendo imposible mantenerse al día con cada nuevo modelo de arquitectura y cada nuevo avance”, dijo Lopatecki. “Tan pronto como los equipos terminan de construir su último modelo, normalmente saltan al siguiente modelo que la empresa necesita. Esto deja poco tiempo para una introspección profunda de los miles de millones de decisiones que estos modelos toman a diario y el impacto que estos modelos tienen tanto en las empresas como en las personas… Es por eso que Arize dedicó más de un año a crear un producto para monitorear modelos de aprendizaje profundo y flujos de trabajo diseñados. para solucionar los problemas en los que fallan”.

Algunos podrían argumentar (correctamente) que los competidores de Arize también tienen expertos entre sus filas y soluciones de observación y monitoreo en sus conjuntos de productos. Pero a juzgar por la impresionante lista de clientes de Arize, la startup está haciendo un gran argumento de venta convincente. Uber, Spotify, eBay, Etsy, Instacart, P&G, TransUnion, Nextdoor, Stitch Fix y Chick-fil-A se encuentran entre los clientes que pagan de Arize, y el nivel gratuito de la compañía, que se lanzó a principios de este año, tiene más de 1000 usuarios.

Sin embargo, mamá tiene la palabra sobre los ingresos recurrentes anuales. Lopatecki insistió en que el capital de la Serie B le dará a la empresa una “amplia pista”, maldito sea el macroentorno.

“En el cuidado de la salud, hay equipos que usan Arize para garantizar que los modelos de detección de cáncer que usan imágenes sean consistentes en la producción en una amplia variedad de tipos de cáncer. Además, hay equipos que utilizan Arize para garantizar que los modelos utilizados en las decisiones de atención estándar y la experiencia del seguro sean consistentes en todos los grupos raciales”, agregó Lopatecki. “A medida que los modelos se vuelven más complejos, vemos que incluso los equipos de aprendizaje automático más grandes y sofisticados se dan cuenta de que prefieren invertir su tiempo y energía en crear mejores modelos en lugar de crear una herramienta de observabilidad de aprendizaje automático… Arize ayuda a los profesionales a mejorar el retorno sobre la inversión de modelos y cuantificar los resultados para los líderes empresariales [and provides] el software líder en el mercado para monitorear los riesgos de las inversiones en IA”.


Source link
Salir de la versión móvil