۵ شرکت نوپای هوش مصنوعی پیشرو که منجر به MLops می‌شوند

منتشر شده در infoworld به تاریخ ۲۱ ژ‌وئن ۲۰۲۱
لینک منبع: AI startups leading MLops۵

از آماده‌سازی داده‌ها و آموزش تا توسعه مدل و فراتر از آن، این شرکت‌ها پلتفرم‌های پیشرفته را برای مدیریت کل چرخه عمر یادگیری ماشین ارائه می‌دهند.

همراه با تقاضای عظیم و رو به افزایش برای کاربردهای هوش مصنوعی، یک اشتیاق مکمل برای زیرساخت و پشتیبانی از نرم‌افزاری وجود دارد که کاربردهای هوش مصنوعی را ممکن می‌سازد. از آماده‌سازی داده‌ها و آموزش تا استقرار و فراتر از آن، تعدادی از شرکت‌های نوپا وارد صحنه شده‌اند تا شما را در دنیای در حال پیدایشMLops راهنمایی کنند. در اینجا نگاهی به برخی از نمونه‌های جالب‌تر می‌اندازیم که ابتکارات هوش مصنوعی شما را موفق‌تر خواهند کرد.

شرکت Weights & Biases

شرکت Weights & Biases در حال تبدیل شدن به یک حضور سنگین در فضای یادگیری ماشین، به ویژه در میان دانشمندان داده است که می خواهند یک سرویس ردیابی آزمایش جامع و خوب طراحی شود.

در ابتدا، W&B دارای ترکیب خارج از جعبه با تقریبا هر کتابخانه یادگیری ماشینی محبوب است (علاوه‌بر این، اضافه کردن معیارهای سفارشی به اندازه کافی آسان است.)

دوم، شما می‌توانید تا جایی که نیاز دارید از W&B استفاده کنید-به عنوان یک نسخه توربو شارژ شده از tensorboard، یا همچنین به عنوان روشی برای کنترل و گزارش تنظیم بیش از حد پارامتر، یا همچنین به عنوان یک مرکز همکاری که در آن همه افراد در تیم علوم داده شما می‌توانند نتایج را ببینند یا آزمایشات انجام‌شده توسط دیگر اعضای تیم را تکرار کنند. برای شرکت، حتی می توان ازW&B به عنوان پلتفرم حاکمیت و منشا استفاده کرد، که یک دنباله حسابرسی را فراهم می‌کند که در آن ورودی‌ها، انتقال‌ها، و آزمایش‌ها برای ساخت یک مدل هنگامی که مدل از توسعه به تولید می‌رود، مورد استفاده قرار می‌گیرند.

دانشمندان داده شما قطعا در حال حاضر در مورد W&B می‌دانند، و اگر از آن در شرکت استفاده نمی‌کنند، قطعا می‌خواهند که این کار را بکنند. اگر OpenAI، GitHub، Salesforce و Nvidia از W&B استفاده می‌کنند، پس چرا این کار را نمی‌کنید؟

شرکت Seldon

سلدون یک شرکت دیگر با یک پیشنهاد هسته‌ای باز است که ویژگی‌های سرمایه‌گذاری بیشتری را در راس قرار می‌دهد. جز باز شده محتوا، هسته سلدون(Seldon Core) است، یک روش مبتنی برابر برای گسترش مدل‌ها با ویژگی‌های پیشرفته مانند زنجیره‌های دلخواهی از مدل‌ها برای استنتاج، استقرار قناری، تستA/B، و باندهای چند مسلحانه، و پشتیبانی برای چارچوب‌هایی مانند TensorFlow, Scikit learn, and XGBoost خارج از جعبه. سلدون همچنین کتابخانه منبع باز Alibi را برای بررسی و توضیح مدل یادگیری ماشین ارائه می‌دهد، که شامل انواع روش‌های برای به دست آوردن بینش در مورد چگونگی شکل‌گیری پیش‌بینی‌های مدل است.

یک ویژگی جالب از (سلدون کور) این است که به طور باور نکردنی انعطاف‌پذیر است از این نظر که چگونه با دسته فن‌آوری شما هماهنگ باشد. شما می‌توانید به تنهایی از (سلدون کور) استفاده کنید، یا آن را در یک استقرار Kubeflow قرار دهید. شما می‌توانید مدل‌هایی را گسترش دهید که از طریق MLFlow ایجاد شده‌اند، یا می‌توانید از سرور استنتاج تریتون Nvidia استفاده کنید، که منجر به روش‌های مختلفی می‌شود که می‌توانید از (سلدون) برای به دست آوردن بیش‌ترین بهره استفاده کنید.

برای سرمایه‌گذاری، (سلدون دیپلوی) وجود دارد، که مجموعه جامعی از ابزارها را برای نظارت بر مدل‌ها، از جمله داشبوردها، جریان‌های کاری حسابرسی شده، و نظارت بر عملکرد فراهم می‌کند. این پیشنهاد دانشمندان داده، SREs و همچنین مدیران و حسابرسان را هدف قرار می‌دهد. شما کاملاً متعجب نخواهید شد که دریابید که تمرکز سلدون بر روی حسابرسی و توضیحات باعث شده‌است که این شرکت مبتنی بر انگلستان مورد استقبال بانک‌ها قرار گیرد و بارکلیز و کپیتال وان از خدمات خود استفاده کنند.

در حالی که رقبای متعددی در فضای استقرار مدل وجود دارند، سلدون یک مجموعه جامع از ویژگی‌ها و تمرکز بسیار مهم بر استقرار Kubernetes در ارائه اصلی خود، همراه با اضافات سازمانی مفید برای شرکت‌هایی که خواستار یک راه‌حل پایان به پایان بیشتر هستند، فراهم می‌کند.

شرکت پینکون / زیلیز

در حال حاضر جستجوی وکتور به شدت داغ است. به لطف پیشرفت‌های اخیر در یادگیری ماشین در حوزه‌های مختلف مانند متن، تصاویر و صوت، جستجوی برداری می‌تواند تاثیر متحول‌کننده بر جستجو داشته باشد. به عنوان مثال، جستجو برای «کلینکس» می‌تواند انتخاب یک خرده‌فروش از بافت‌ها را بدون نیاز به هر گونه قوانین سفارشی از جایگذاری‌های مترادف برگرداند، زیرا مدل زبانی مورد استفاده برای ایجاد یک تعبیه‌برداری، جستجو را در همان ناحیه فضای برداری قرار خواهد داد. و از همین فرآیند دقیق می‌توان برای یافتن صداها یا انجام تشخیص چهره استفاده کرد.

اگرچه نرم‌افزار موتور جستجوی فعلی اغلب برای انجام جستجوی برداری بهینه نشده است، کار در الاستیک و آپاچی لوسن ادامه می‌یابد و تعداد زیادی از گزینه‌های منبع باز قابلیت جستجوی برداری را با سرعت و مقیاس بالا ارائه می‌دهند (به عنوان مثال NMSLib ، FAISS، Annoy.)

علاوه بر این، بسیاری از شرکت‌های نوپا ظهور کرده‌اند تا برخی از بارهای راه‌اندازی و نگهداری موتورهای جستجو بردار را از بخش ضعف اپراتورهای شما بردارند.

شرکت‌های پینکون و زیلیز دو شرکت نوبنیان هستند که جستجوی برداری را برای این شرکت فراهم می‌کنند.

پینکون یک پیشنهاد SaaS خالص است، که در آن شما جایگذاری‌های تولید شده توسط مدل‌های یادگیری ماشینی خود را در سرورهای آنها آپلود می‌کنید و از طریق API آن‌ها درخواست ارسال می‌کنید. تمام جنبه‌های میزبانی از جمله امنیت، مقیاس‌بندی، سرعت و دیگر نگرانی‌های عملیاتی توسط تیم پینکون کنترل می‌شود، به این معنی که شما می‌توانید با یک موتور جستجوی مشابه در عرض چند ساعت اجرا شوید.

اگرچه Zilliz به زودی یک راه‌حل ابری مدیریت‌شده دارد، به شکل Zillow Cloud ، این شرکت از رویکرد هسته باز با یک کتابخانه منبع باز به نام Milvus استفاده می‌کند. پوست‌های میلواکی معمولا از کتابخانه‌هایی مانند NMSLib و FAISS استفاده می‌کنند، که یک گسترش ساده از موتور جستجوی برداری با یک API رسا و آسان برای استفاده فراهم می‌کند که توسعه‌دهندگان می‌توانند برای ساخت و حفظ شاخص‌های برداری خود از آن استفاده کنند.

شرکت Grid.ai

شرکت Grid.ai عقاید افراد پشت PyTorch Lightning است، یک چارچوب سطح بالای محبوب که بر روی PTorch ساخته شده‌است که بخش زیادی از بویلر استاندارد PTorch را خلاصه می‌کند و آموزش بر روی یک یا ۱۰۰۰ GPU را با چند کلید پارامتر آسان می‌کند. شرکت Grid.ai ساده‌سازی را انجام می‌دهد که PyTorch Lightning با خود به ارمغان می‌آورد و با آن اجرا می‌شود، که به دانشمندان داده اجازه می‌دهد تا مدل‌های خود را با استفاده از منابع GPU گذرا ، به طوری که به طور یکپارچه به اجرای محلی کد بپردازند، آموزش دهند

آیا می‌خواهید یک پیمایش ابرپارامتری را در یک زمان بر روی ۲۰۰GPU اجرا کنید؟

شرکت Grid.ai به شما اجازه می‌دهد تا این کار را انجام دهید، و تمام تامین (و حذف) منابع زیرساخت پشت صحنه را مدیریت کنید، و اطمینان حاصل کنید که مجموعه داده‌های شما برای استفاده در مقیاس بهینه شده‌اند، و گزارش‌های اندازه‌گیری ارائه می‌کنند، که همه آن‌ها با یک رابط کاربری وب آسان دسته‌بندی شده‌اند. همچنین می‌توانید از Grid.ai برای ایجاد نمونه‌هایی برای توسعه تعاملی، چه در کنسول و چه متصل به یک نوت‌بوک Jupyter استفاده کنید.

تلاش‌های Grid.ai برای ساده‌سازی آموزش مدل در مقیاس، برای شرکت‌هایی که به طور منظم نیاز به اجرای آموزش دارند و ۱۰۰ یا بیشتر GPU را در یک زمان اشغال می‌کنند، مفید خواهد بود، اما باید دید که چه تعداد از آن مشتریان در آنجا هستند. با این حال، اگر شما به یک خط لوله آموزشی کارآمد برای دانشمندان داده خود نیاز دارید که هزینه‌های ابر را به حداقل برساند، قطعا باید به Grid.ai یک بررسی دقیق بدهید.

شرکت DataRobot

شرکت DataRobot دوست دارد چرخه عمر هوش مصنوعی شرکت شما را از آماده‌سازی داده‌ها گرفته تا استقرار تولید در اختیار داشته باشد، و شرکت یک زمینه خوب برای آن می‌سازد. آماده‌سازی داده DataRobot از نظر رابط کاربری وب دارای همه ناقوس‌ها و سوت‌ها است که شما انتظار دارید داده‌ها را مثل آب خوردن و به سادگی غنی کنید، به علاوه شامل امکاناتی برای کمک به کاربران (اعم از مبتدی یا متخصص) با پروفایلینگ خودکار، دسته‌بندی و پاک کردن داده‌ها قبل از اینکه وارد یک مدل شود می‌باشد.

شرکت DataRobot یک امکانات یادگیری ماشین خودکار دارد که یک مهار از مدل‌ها را در برابر اهداف برای شما آموزش می‌دهد، که به شما اجازه می‌دهد بهترین مدل تولید شده با بهترین عملکرد یا یکی از مدل‌های آپلود شده خودتان را در پلتفرم انتخاب کنید. وقتی بحث استقرار مطرح می‌شود، ماژول MLops یکپارچه پلتفرم همه چیز را از بالا به پایین حرکت داده در طول زمان دنبال می‌کند، بنابراین شما همیشه می‌توانید عملکرد مدل‌های خود را در یک نگاه ببینید. همچنین یک ویژگی به نام قابلیت هوش مصنوعی وجود دارد که به شما اجازه می‌دهد تا گاردریل‌های اضافی را در مدل‌های خود قرار دهید، در صورتی که اتفاقات احتمالی کم در زمان پیش‌بینی رخ دهند، و البته این موارد را می توان از طریق ماژول MLops نیز ردیابی کرد.

شرکت DataRobot با کمی تفاوت با دیگر شرکت‌های نوپا در این لیست، بر روی فلز لخت در مراکز داده شما و دسته‌های هادوپ نصب خواهد شد و همچنین در سرویس‌های ابری خصوصی و مدیریت شده‌ مستقر می‌شوند، که نشان می‌دهد برای رقابت در تمام زمینه‌ها در پلتفرم هوش مصنوعی شرکت پیش رو، ارائه خدمات به مشتریان از راه‌اندازی سریع به شرکت تاسیس شدهFortune 500 ، مصمم است.

شرکت MLops در حال حاضر یکی از گرم‌ترین مناطق هوش مصنوعی است- و نیاز به شتاب‌دهنده‌ها، پلتفرم‌ها و مدیریت و نظارت تنها با ورود شرکت‌های بیشتری به فضای هوش مصنوعی افزایش می‌یابد. اگر شما در حال پیوستن به شتاب طلای هوش مصنوعی هستید، می‌توانید به این پنج استار‌آپ مراجعه کنید تا انتخاب‌ها و محورهای خود را تامین کنید!

این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.