Rish es empresario e inversor. Anteriormente, fue VC en Gradient Ventures (el fondo de inteligencia artificial de Google), cofundó una startup de tecnología financiera que crea una plataforma de análisis para las presentaciones de la SEC y trabajó en investigación de aprendizaje profundo como estudiante de posgrado en ciencias de la computación en el MIT.
Más publicaciones de este colaborador Habilitación del movimiento de robots humanoides con aprendizaje por imitación e imitación de comportamientos animales Es hora de construir contra las pandemias
Las startups empresariales UIPath y Scale han llamado mucho la atención en los últimos años por parte de las empresas que buscan automatizar los flujos de trabajo, desde RPA (automatización robótica de procesos) hasta el etiquetado de datos.
Lo que se ha pasado por alto a raíz de tales herramientas específicas de flujo de trabajo ha sido la clase base de productos que las empresas están utilizando para construir el núcleo de sus flujos de trabajo de aprendizaje automático (ML) y el cambio de enfoque hacia la automatización de los aspectos de implementación y gobernanza de la Flujo de trabajo de aprendizaje automático.
Ahí es donde entra en juego MLOps, y su popularidad se ha visto impulsada por el auge de las principales plataformas de flujo de trabajo de ML, como la basada en Boston. robot de datos. La compañía ha recaudado más de $ 430 millones y alcanzó una valoración de $ 1 mil millones el otoño pasado para satisfacer esta necesidad de los clientes empresariales. La visión de DataRobot ha sido simple: permitir que una variedad de usuarios dentro de las empresas, desde usuarios comerciales y de TI hasta científicos de datos, recopile datos y construya, pruebe e implemente modelos ML rápidamente.
Fundada en 2012, la compañía ha acumulado silenciosamente una base de clientes que cuenta con más de un tercio de los 50 de Fortune, con un crecimiento anual de tres dígitos desde 2015. Las cuatro principales industrias de DataRobot incluyen finanzas, comercio minorista, atención médica y seguros; sus clientes han implementado más de 1700 millones de modelos a través de la plataforma de DataRobot. La empresa no está sola, con competidores como H20.aique recaudó una Serie D de 72,5 millones de dólares liderada por Goldman Sachs en agosto pasado, ofreciendo una plataforma similar.
¿Por qué la emoción? A medida que la inteligencia artificial ingresó a la empresa, el primer paso fue pasar de los datos a un modelo de ML funcional, que comenzó con científicos de datos que hacían esto manualmente, pero hoy en día está cada vez más automatizado y se conoce como “auto ML”. Una plataforma de aprendizaje automático automático como la de DataRobot puede permitir que un usuario empresarial seleccione automáticamente características en función de sus datos y genere automáticamente una serie de modelos para ver cuáles funcionan mejor.
A medida que el aprendizaje automático automático se hizo más popular, mejorar la fase de implementación del flujo de trabajo de aprendizaje automático se ha vuelto fundamental para la confiabilidad y el rendimiento, y así entra en MLOps. Es bastante similar a la forma en que DevOps ha mejorado la implementación del código fuente para las aplicaciones. Empresas como DataRobot y H20.ai, junto con otras empresas emergentes y los principales proveedores de la nube, están intensificando sus esfuerzos para brindar soluciones MLOps a los clientes.
Nos sentamos con el equipo de DataRobot para comprender cómo su plataforma ha estado ayudando a las empresas a crear flujos de trabajo de ML automático, de qué se trata MLOps y qué ha llevado a los clientes a adoptar prácticas de MLOps ahora.
El auge de MLOps
Source link