Comet.ml möchte die Art und Weise ändern, wie wir mit maschinellem Lernen interagieren

Ein Unternehmen, das maschinelles Lernen (ML) einsetzen möchte, benötigt mehr als nur intelligente Geräte und Unmengen von Daten. Im Kern dreht sich ML um zwei Hemisphären: ML-Modelle und -Algorithmen auf der einen Seite und entsprechend kuratierte Datensätze auf der anderen Seite. Während für beide die Erstellung von Know-how erforderlich ist, hat erstere durch Comet.ml, einen Dienst, der Anfang dieses Monats mit Tools gestartet wurde, mit denen Datenwissenschaftler und -entwickler Code verfolgen und ihre ML-Modelle effizienter freigeben können, einen deutlichen Schub erhalten. Das Unternehmen antwortet auf das, was es als erhöhten Bedarf an effektiveren und benutzerfreundlicheren ML-Tools ansieht. Der Dienst ist Teil eines wachsenden Feldes praktischer Dienste, mit denen mehr Menschen auf ML zugreifen, sie nutzen und mehr über sie erfahren möchten.

Die GitHub-Verbindung

Obwohl Comet.ml weniger als einen Monat alt ist, ist es möglicherweise nicht unangemessen, es als "GitHub of ML" zu bezeichnen. Wenn Sie mit GitHub nicht vertraut sind, handelt es sich um einen Repository-Hosting-Service, bei dem Entwickler ihren Code speichern und freigeben. In Projekten mit mehreren Entwicklern, die an derselben Codebasis arbeiten, spielen Repositorys wie GitHub eine wichtige Rolle bei der Organisation von Workflows und der Versionskontrolle. Während das Konzept eines Code-Repositorys nicht neu ist, eröffnete GitHub der Entwickler-Community eine völlig neue Welt, indem eine Benutzeroberfläche (User Interface, UI) geschaffen wurde, die über die geheimen, projektorientierten Codierungsfunktionen hinausging und eine intuitive Benutzeroberfläche sowie soziale Funktionen hinzufügte Tools, mit denen GitHub mit Benutzern und sogar Communitys kommunizieren kann. Egal, ob Sie möchten, dass Ihr Code von anderen Entwicklern überprüft wird, neue und interessante Anwendungen gefunden werden oder einfach nur neugierig sind, woran die weltweit führenden Ingenieure gearbeitet haben, GitHub ist einer der beliebtesten Orte, um sich über die Aktivitäten der Entwicklergemeinschaft zu informieren.

Mit dieser Art von Lebenslauf scheint der Wunsch, der GitHub von allem zu sein, äußerst ehrgeizig zu sein, aber die Gründer von Comet.ml sind zuversichtlich. Comet.ml funktioniert ähnlich wie der beliebte GitHub-Dienst. Erstellen Sie einfach ein kostenloses Konto auf der Comet.ml-Website, wählen Sie Ihre bevorzugte ML-Bibliothek aus (Comet.ml unterstützt derzeit Java, Pytorch, TensorFlow und einige weitere der beliebtesten Bibliotheken) Laufen Gebäude und testen ML-Modelle sind fast sofort verfügbar - und wahrscheinlich einfacher, als Sie es bisher geschafft haben. Dies liegt daran, dass Comet.ml auch alle Änderungen protokolliert, die ein Team an einem Repository auf der Website vornimmt. Es bietet automatisierte Modelloptimierung und Sie können sogar Ihre Comet.ml-Arbeit mit GitHub für größere Projekte integrieren.

GitHub hostet auch ML-Modelle, aber Comet.ml wurde unter Berücksichtigung der einzigartigen Bedürfnisse von ML entwickelt. Durch eine Art von Algorithmus, der als Bayes'sche "Hyperparameter-Optimierung" bezeichnet wird, optimiert der Service Ihre Modelle, indem er die Hyperparameter Ihrer Experimente ändert. Wenn Sie ein echter Datenfreak sind, finden Sie eine ausführlichere Erklärung auf der Website des Unternehmens. Das manuelle Ändern von Modellen kann unglaublich lange dauern. Wenn dieser Algorithmus so gut funktioniert wie Comet.ml, könnte er definitiv die Aufmerksamkeit der Data-Science-Community auf sich ziehen. Genau wie bei GitHub ist ein Konto mit öffentlich verfügbaren Repositories völlig kostenlos. Private Repositories kosten ab 49 US-Dollar pro Benutzer und Monat.

Das Bedürfnis nach etwas Einfacherem

Gideon Mendels, Mitbegründer und CEO von Comet.ml, ist so etwas wie ein ML-Veteran. Er hat an der Columbia University und bei Google geforscht. Im Laufe seiner Karriere hatte er Mühe, einen effektiven Weg zu finden, um ML-Modelle zu testen und weiterzugeben.

"Ich habe vorher bei einer Firma namens gearbeitet GroupWize und wir hatten ungefähr 15 Modelle für maschinelles Lernen in der Produktion ", sagte Mendels." Es war einfach unmöglich, alle Änderungen in ihnen zu verfolgen. Also haben wir angefangen, Comet intern als zu bauen Homebrew Lösung für unseren Schmerz."

Von dort aus beschlossen Mendels und andere Teammitglieder, sich darauf zu konzentrieren, Comet.ml selbst aufzubauen. Für Mendels ist der Wert von Comet.ml nicht nur die Tatsache, dass ML-Modelle gespeichert werden können im die Wolke; Es geht darum, das Experimentieren mit diesem Code zu vereinfachen. Mendels wies auch schnell die Vorstellung zurück, dass sein Dienst versucht, mit GitHub zu konkurrieren. Schließlich wird es in den Dienst integriert, und Benutzer können sich mit ihren GitHub-Anmeldeinformationen anmelden. Für Mendels geht es wirklich darum, auf eine wachsende Welle der Datendemokratisierung mit besserer Funktionalität zu antworten.

"Es hängt damit zusammen, wie viele Unternehmen damit beginnen, ML und Datenwissenschaften zu betreiben", sagte Mendels. "Mit GitHub können Sie Code speichern, aber mit ML, Code ist nur ein Teil des Puzzles. Welche Daten wurden verwendet, um in diesen Code zu passen? "Mendels sagt, dass die automatisierten Optimierungsfunktionen dazu beitragen werden, dass Comet.ml sich von selbst abhebt.

Maschinelles Lernen Spielplätze

Comet.ml ist nur eines von mehreren Angeboten, die darauf abzielen, die Art und Weise zu ändern, wie wir mit ML interagieren. Microsoft hat vor einigen Jahren Azure Notebooks auf den Markt gebracht. Obwohl das Unternehmen es eher als Lehrmittel als als als Comet.ml vorstellt, ist es auch so konzipiert, dass Sie mit ML-Modellen in der Cloud herumspielen können.

Es gibt auch eine ganze Reihe von ML-Marktplätzen, die komplette, einsatzbereite Modelle sowohl für kleine bis mittelständische Unternehmen (SMBs) als auch für Unternehmen anbieten. Algorithmus ist ein Künstliche Intelligenz (KI) Marktplatz, der unter anderem ML-Modelle anbietet, die Sie über einen API-Aufruf (Application Programming Interface) kaufen und in Ihren eigenen Apps verwenden können. Sie haben weder die Fähigkeit noch die Zeit, ein Satzanalysemodell zu erstellen? Dann nutzen Sie Parsey McParseface zum günstigen Preis von 28, 54 USD für 10.000 API-Aufrufe. Modelle mit weniger kreativen Namen auf Der Markt umfasst solche für Gesichtserkennungsalgorithmen, Spektralcluster für geografische Daten und Textextraktion.

Wenn Sie kein Datenwissenschaftler sind, denken Sie möglicherweise, dass diese Dienste nicht für Sie und Ihre Organisation gelten. Unternehmen jeder Größe kündigen jedoch eine beispiellose Unterstützung und Nutzung von KI-Lösungen an, und ML spielt dabei eine wichtige Rolle. Diese Implementierungen reichen von umfassenden Projekten bis hin zu solchen, die so zielgerichtet sind, dass Sie überrascht sind, dass ML Teil des Rezepts ist.

Als Beispiel für ein gezieltes Projekt ist WineStein ein digitaler Sommelier-Service, der ML-Modelle verwendet, um Wein mit verschiedenen Arten von Lebensmitteln zu kombinieren. Umfangreichere Implementierungsbeispiele Finanztechnologie (Fintech) , Gesundheitstechnologie und sogar Chatbots, bei denen KI und ML bereits die Art und Weise geändert haben, wie die meisten Unternehmen mit dem Kundenservice und dem Helpdesk umgehen. Die Anwenderbasis für KI und ML wächst schnell und lässt kein Geschäft unberührt. Dies macht die Zukunft zu einem vielversprechenden Ort für aufstrebende Unternehmen wie Comet.ml.