Ícono del sitio La Neta Neta

Iterative lanza MLEM, una herramienta de código abierto para simplificar la implementación del modelo ML

Iterative lanza MLEM, una herramienta de código abierto para simplificar la implementación del modelo ML

plataforma MLOps Iterativoque anunció una ronda Serie A de $ 20 millones hace casi exactamente un año, lanzó hoy MLEM, una herramienta de implementación y administración de modelos de aprendizaje automático basada en git de código abierto.

La idea aquí, dice la compañía, es cerrar la brecha entre los ingenieros de ML y los equipos de DevOps mediante el uso del enfoque basado en git con el que los desarrolladores ya están familiarizados. Con MLEM, los desarrolladores pueden almacenar y rastrear sus modelos de ML a lo largo de su ciclo de vida. Como tal, complementa el código abierto de Iterative Registro de artefactos GTO y DVCel sistema de control de versiones de datos y modelos de la empresa.

“Tener un registro de modelo de aprendizaje automático se está convirtiendo en una parte esencial de la pila de tecnología de aprendizaje automático. Las soluciones SaaS actuales pueden conducir a una divergencia en el ciclo de vida de los modelos ML y las aplicaciones de software”, dijo Dmitry Petrov, cofundador y director ejecutivo de Iterative. “Nuestro enfoque para un registro modelo de ML es proporcionar bloques de construcción modulares que las organizaciones puedan integrar fácilmente en su pila de tecnología MLOps existente. MLEM se utiliza para extraer metainformación para modelos ML y simplificar la implementación. DVC administra grandes archivos de modelos de ML en la nube o en el almacenamiento local. GTO proporciona la funcionalidad de GitOps para el control de versiones de modelos en Git y el envío de señales a los sistemas de CI/CD para la producción de modelos. Las herramientas separadas aportan una filosofía Unix modular a la gestión de modelos ML y ModelOps.”

Créditos de imagen: Iterativo

Como señala el equipo, un sistema como este permite compartir modelos más fácilmente entre las unidades de negocios y los equipos, al tiempo que facilita que los equipos de ML colaboren con sus equipos de DevOps. Para industrias altamente reguladas, un sistema como este también ofrece una única fuente de verdad para averiguar el linaje de un modelo determinado.

“Los registros de modelos simplifican el seguimiento de los modelos que se mueven a través del ciclo de vida de ML al almacenar y crear versiones de modelos entrenados, pero las organizaciones que construyen estos registros terminan con dos pilas tecnológicas diferentes para modelos de aprendizaje automático y desarrollo de software”, dijo Dmitry Petrov, cofundador y director ejecutivo de Iterative. . “MLEM como componente básico para los registros de modelos utiliza Git y las herramientas tradicionales de CI/CD, alineando a los equipos de ML y software para que puedan poner los modelos en producción más rápido”.

Iterative en sí, por supuesto, ofrece una plataforma alojada que hace todas estas cosas a través de su Estudio iterativo servicio para colaborar en modelos ML y realizar un seguimiento de experimentos y visualizaciones, así como su registro de modelo alojado.


Source link
Salir de la versión móvil