Comet.ml nori pakeisti mūsų sąveiką su mašininiu mokymu

Verslui, norinčiam naudotis mašininiu mokymu (ML), reikia ne vien išmaniųjų įrenginių ir duomenų kaupimo. Savo esme ML sukasi aplink du pusrutulius: ML modeliai ir algoritmai iš vienos pusės, o atitinkamai kuruojami duomenų rinkiniai - iš kitos. Nors abiem kūrimui reikalinga kompetencija, ankstesniems tiesiog suteiktas didelis postūmis naudojant „Comet.ml“ - paslaugą, kuri buvo paleista anksčiau šį mėnesį su įrankiais, leidžiančiais duomenų mokslininkams ir kūrėjams sekti kodą ir efektyviau dalytis savo ML modeliais. Bendrovė sako atsakanti, ką, jos manymu, padidina efektyvesnių ir tinkamesnių ML priemonių poreikis. Ši paslauga yra augančios patogios paslaugos, kuria siekiama leisti daugiau žmonių naudotis, naudotis ir sužinoti apie ML, dalis.

„GitHub“ jungtis

Nepaisant to, kad jis jaunesnis nei vienas mėnuo, apibūdinti Comet.ml kaip „ML GitHub“ gali būti netinkama. Jei nepažįstate „GitHub“, tai yra saugyklų prieglobos paslauga, kurioje kūrėjai saugo ir dalijasi savo kodu. Projektuose, kuriuose keli kūrėjai dirba su ta pačia pagrindine baze, saugyklos, tokios kaip „GitHub“, vaidina svarbų kodą organizuodamos darbo eigas ir palaikydamos versijų valdymą. Nors kodų saugyklos koncepcija nėra nauja, „GitHub“ kūrimo bendruomenei atvėrė visiškai naują pasaulį, sukurdama vartotojo sąsają (UI), peržengiančią arkingas, į projektą orientuotas kodavimo galimybes ir pridedančią intuityvią vartotojo sąsają bei socialinius tinklus. įrankiai, kurie leidžia „GitHub“ kalbėtis su vartotojais ir net bendruomenėmis. Nesvarbu, ar norėjote, kad jūsų kodas būtų peržiūrėtas kitų kūrėjų, rastų naujų ir įdomių programų, ar jums tiesiog buvo įdomu, ką veikia geriausi pasaulio inžinieriai, „GitHub“ tapo viena populiariausių vietų pasidomėti tuo, ką veikia kūrėjų bendruomenė.

Su tokiu gyvenimo aprašymu norėjimas būti bet kokiu „GitHub“ atrodo nepaprastai ambicingas, tačiau „Comet.ml“ įkūrėjai yra įsitikinę. „Comet.ml“ veikia panašiai kaip populiari „GitHub“ paslauga. Tiesiog sukurkite nemokamą sąskaitą „Comet.ml“ svetainėje, išsirinkite norimą ML biblioteką („Comet.ml“ šiuo metu palaiko „Java“, „Pytorch“, „TensorFlow“ ir dar keletą populiariausių bibliotekų) ir galėsite atsikelti bei bėgimas pastatas ir testavimas ML modeliai beveik akimirksniu ir greičiausiai lengviau nei iki šiol spėjote. Taip yra todėl, kad „Comet.ml“ taip pat stebi visus pakeitimus, kuriuos komanda atlieka interneto saugykloje. Tai siūlo automatizuotą modelio optimizavimą ir netgi galite integruoti savo „Comet.ml“ darbą su „GitHub“ didesniems projektams.

„GitHub“ taip pat talpina ML modelius, tačiau „Comet.ml“ sukurtas atsižvelgiant į unikalius ML poreikius. Naudojant algoritmą, žinomą kaip Bajeso „Hiperparametrų optimizavimas“, paslauga pakeis jūsų modelius, pakeisdama jūsų eksperimentų hiperparametrus. Jei esate tikras duomenų geekas, tada išsamiau tai paaiškinkite bendrovės tinklalapyje. Modelių keitimas rankiniu būdu gali užtrukti neįtikėtinai ilgai. Jei šis algoritmas veikia taip pat gerai, kaip sako Comet.ml, tada jis tikrai galėtų atkreipti duomenų mokslo bendruomenės dėmesį. Kaip ir „GitHub“, viena sąskaita su viešai prieinamomis saugyklomis yra visiškai nemokama, o privačios saugyklos prasideda nuo 49 USD vienam vartotojui per mėnesį.

Kažko paprastesnio poreikis

Gideonas Mendels, „Comet.ml“ vienas iš įkūrėjų ir generalinis direktorius, yra kažkas iš ML veteranų. Jis dirbo tyrinėdamas Kolumbijos universitetą ir „Google“. Per visą savo karjerą jis stengėsi surasti veiksmingą būdą išbandyti ir dalytis ML modeliais.

„Anksčiau dirbau įmonėje, vadinamoje „GroupWize“ , o gamyboje turėjome apie 15 mašininio mokymosi modelių, - pasakojo Mendels. - Tiesiog neįmanoma buvo sekti visų jų pokyčių. Taigi, mes iš tikrųjų pradėjome kurti „Comet“ iš vidaus kaip a homebrew sprendimas mūsų skausmui “.

Vėliau Mendels ir kiti komandos nariai nusprendė sutelkti dėmesį į Comet.ml kūrimą. Mendels nuomone, „Comet.ml“ vertė nėra tik tai, kad galima saugoti ML modelius į debesis; tai palengvina eksperimentavimą su tuo kodu. Mendels taip pat greitai atmetė mintį, kad jo tarnyba bando konkuruoti su „GitHub“. Galų gale, jis integruojamas su paslauga ir vartotojai gali prisiregistruoti naudodamiesi savo „GitHub“ prisijungimo kredencialais. Mendelsui tai tikrai reiškia atsakymą į didėjančią duomenų demokratizacijos bangą, užtikrinant geresnį funkcionalumą.

„Tai susiję su didesniu aspektu, kaip daugelis įmonių pradeda daryti ML ir duomenų mokslą“, - teigė Mendels. „Naudodamiesi„ GitHub “galite saugoti kodą, bet su ML, kodas yra tik vienas galvosūkio gabalas. Kokie duomenys buvo naudojami, kad tilptų tame kode? “Mendels sako, kad automatinės keitimo funkcijos padės„ Comet.ml “atsiriboti nuo kitų.

Mašinų mokymosi žaidimų aikštelės

Comet.ml yra tik vienas iš kelių pasiūlymų, kuriais siekiama pakeisti mūsų bendravimo su ML būdą. „Microsoft“, kuri labai agresyviai elgėsi erdvėje, prieš kelerius metus išleido „Azure“ nešiojamuosius kompiuterius. Nors bendrovė pristato tai kaip daugiau kaip mokomąją priemonę nei Comet.ml, ji taip pat skirta leisti žaisti su ML modeliais debesyje.

Taip pat yra daugybė ML prekyviečių, siūlančių pilnus, paruoštus naudoti modelius tiek mažoms, tiek vidutinėms įmonėms (MVĮ) ir įmonėms. Algoritmija yra an dirbtinio intelekto (AI) rinka, kurioje, be kita ko, siūlomi ML modeliai, kuriuos galite nusipirkti ir naudoti savo programose naudodamiesi programų programavimo sąsajos (API) skambučiu. Neturite įgūdžių ar laiko sukurti sakinių analizės modelio? Tada naudokitės „Parsey McParseface“ už mažą 28, 54 USD kainą už 10 000 API skambučių. Mažiau kūrybingai pavadinti modeliai apie rinkoje yra veido atpažinimo algoritmų, geografinių duomenų spektrinių grupių ir teksto ištraukimo rinkiniai.

Jei nesate duomenų žinovas, tuomet galite galvoti, kad šios paslaugos netaikomos jums ir jūsų organizacijai. Bet įvairaus dydžio verslas skelbia precedento neturintį PG sprendimų palaikymą ir naudojimą, o ML yra svarbi to dalis. Šie įgyvendinimai apima plačią spektrą nuo plačių, plačių projektų iki tokių, kurie yra tokie tikslingi, kad nustebsite, kad ML yra recepto dalis.

Kaip tikslinio projekto pavyzdį, „WineStein“ yra skaitmeninės someljė paslauga, kuriai naudojami ML modeliai, norint sujungti vyną su įvairių rūšių maistu. Platesni įgyvendinimo pavyzdžiai finansinės technologijos (fintech) , sveikatos priežiūros technologijas ir netgi pokalbių svetaines, kuriose AI ir ML jau pakeitė tai, kaip kiekvienas verslas kreipiasi į klientų aptarnavimo ir pagalbos tarnybos operacijas. AI ir ML vartotojų bazė sparčiai auga ir nepaliks jokio verslo, todėl ateitis tampa šviesia vieta naujiems vartotojams, tokiems kaip Comet.ml.