La demanda de IA en la empresa es insaciable, pero el desafío radica en construir la infraestructura de soporte y su desarrollo y mantenimiento. Un IDC 2020 encuesta descubrió que la escasez de datos para entrenar la IA y los datos de baja calidad siguen siendo las principales barreras para implementarla, junto con los problemas de seguridad, gobernanza, rendimiento y latencia de los datos. De hecho, un tercio de las empresas que respondieron a la encuesta informan que dedican alrededor de un tercio del tiempo del ciclo de vida de la IA a la integración y preparación de datos en comparación con los esfuerzos reales de ciencia de datos.
Josh Tobin, ex científico investigador de OpenAI, observó la tendencia de primera mano mientras impartía un curso de aprendizaje profundo en UC Berkeley en 2019 con Vicki Cheung. Él y Cheung vieron que la historia de la IA llegaba a un punto de inflexión: durante los 10 años anteriores, las empresas invirtieron en IA para mantenerse al día con las tendencias tecnológicas o ayudar con el análisis. Sin embargo, a pesar de que algunos proveedores declararon la “democratización de la IA”, siguió siendo muy difícil para la mayoría de las empresas crear productos basados en IA.
“El principal desafío en la construcción o adopción de infraestructura para el aprendizaje automático es que el campo se mueve increíblemente rápido. Por ejemplo, el procesamiento del lenguaje natural se consideraba fuera del alcance de las aplicaciones industriales hace solo unos años, pero hoy en día se está convirtiendo rápidamente en algo común”, dijo Tobin. “Es por eso que estamos construyendo una plataforma de mejora continua del aprendizaje automático”.
Tobin y Cheung, quien anteriormente dirigió infraestructura en OpenAI y fue ingeniero fundador en Duolingo, son los cofundadores de Portal, un servicio que tiene como objetivo ayudar a los equipos de desarrollo de IA a decidir cuándo volver a capacitar sus sistemas de IA y qué datos usar durante el reentrenamiento. Tobin afirma que Gantry, que se conecta a aplicaciones existentes, servicios de etiquetado de datos y almacenamiento de datos, puede resumir y visualizar datos durante las etapas de capacitación, evaluación e implementación.
Gantry emergió hoy del sigilo con $28.3 millones, una combinación de una ronda Serie A de $23.9 millones y una ronda semilla de $4.4 millones previamente no revelada. Amplify y Coatue codirigieron la Serie A junto con inversores, incluido el presidente y cofundador de OpenAI, Greg Brockman, y Pieter Abbeel, cofundador de la empresa emergente de robótica industrial Covariant.
Créditos de imagen: Portal
“Nuestro producto ayuda a los ingenieros de aprendizaje automático a usar los datos que fluyen a través de su producto impulsado por aprendizaje automático en vivo para descubrir cómo se está desempeñando realmente la aplicación, encontrar formas de mejorarla y hacer operativas esas mejoras”, dijo Tobin.
Los sistemas de IA aprenden a hacer predicciones al ingerir conjuntos de datos (p. ej., patrones climáticos históricos) y aprendiendo las relaciones entre varios puntos de datos (p. ej., la temperatura tiende a ser más alta en los días soleados) dentro de esos conjuntos. Pero los sistemas de IA tienden a ser frágiles en el mundo real porque los datos del mundo real casi nunca son estáticos, por lo que el conjunto de entrenamiento no es representativo del mundo real por mucho tiempo. Por ejemplo, un sistema de pronóstico de inventario podría fallar porque la pandemia cambia el comportamiento de compra. El sistema de vehículos autónomos de Volvo fue infamemente confundido por los canguros, porque los saltos de los canguros hacían difícil juzgar qué tan cerca estaban.
Tobin y Cheung creen que la respuesta a esto es el sistema de aprendizaje “continuo” de Gantry, una infraestructura que puede adaptar un sistema a un flujo de datos en continua evolución. Gantry está diseñado para servir como una fuente única de verdad para el rendimiento del sistema de IA, dijo Tobin, lo que permite a los usuarios averiguar cómo está funcionando el sistema y las formas de mejorarlo utilizando herramientas de flujo de trabajo para definir métricas y segmentos de datos en los que calcularlos.
“Los días de mala experiencia del cliente empresarial han terminado: los clientes ahora esperan una experiencia que sea tan fluida, consistente e intuitiva como la que esperan de las empresas tecnológicas modernas. El aprendizaje automático hace posible ofrecer estas experiencias a escala. Sin embargo, los productos impulsados por aprendizaje automático son costosos de construir y representan un riesgo para la marca y la experiencia del cliente, porque los modelos pueden fallar de manera inesperada y dañina cuando interactúan con los usuarios”, agregó. “Gantry ayuda a las empresas a desarrollar experiencias de cliente impulsadas por el aprendizaje automático sin problemas con menos riesgo y menor costo al proporcionar la infraestructura y los controles necesarios para mantener e iterar de manera segura las características de sus productos impulsados por el aprendizaje automático”.
Gantry encaja en una categoría emergente de software conocida como MLOps (operaciones de aprendizaje automático), que busca optimizar el ciclo de vida del sistema de IA al automatizar y estandarizar los flujos de trabajo de desarrollo. Impulsada por la adopción acelerada de la IA, la empresa de análisis Cognilytica predice que el mercado global de soluciones MLOps tendrá un valor de $ 4 mil millones para 2025, frente a $ 350 millones en 2019.
Tobin reconoce que otras herramientas, como Arize, Arthur y Fiddler, logran algunas de las mismas cosas que hace Gantry. Pero argumenta que se enfocan en una gama más amplia de problemas de IA, mientras que Gantry toca, pero va más allá, aspectos como la observabilidad, el monitoreo y la explicabilidad. Por ejemplo, Gantry se puede usar para detectar sesgos en aplicaciones impulsadas por IA, afirma Tobin, incluso cuando las aplicaciones usan datos “no estructurados” como texto e imágenes.
Tobin se negó a revelar cuántos usuarios o clientes tiene Gantry. Pero dice que la financiación se destinará, en parte, a la adquisición de clientes, además de ampliar el tamaño del equipo de 22 personas de Gantry.
“Creemos que los posibles vientos en contra en tecnología están más que compensados por un fuerte viento de cola en el aprendizaje automático”, agregó Tobin, cuando se le preguntó sobre el clima económico actual y lo que podría significar para Gantry. “Además, a medida que se aprietan los cinturones y las empresas se vuelven más conscientes de sus gastos, la inversión en herramientas para ayudar a mejorar la eficiencia de los equipos y el rendimiento y la confiabilidad de los productos se vuelve aún más importante”.
Source link