Comet.ml veut changer notre façon d'interagir avec l'apprentissage automatique

Une entreprise qui cherche à utiliser le machine learning (ML) a besoin de plus que d’appareils intelligents et de rames de données. À la base, ML s'articule autour de deux hémisphères: les modèles et les algorithmes ML d'un côté et les ensembles de données correctement organisés de l'autre. Bien que les deux requièrent une expertise à créer, le premier a récemment reçu un coup de pouce significatif via Comet.ml, un service lancé plus tôt ce mois-ci avec des outils permettant aux scientifiques et aux développeurs de données de suivre le code et de partager leurs modèles ML plus efficacement. La société affirme répondre à ce qu'elle considère comme un besoin accru d'outils de blanchiment d'argent plus efficaces et utilisables. Ce service fait partie d’un domaine en pleine expansion de services pratiques visant à permettre à davantage de personnes d’accéder à, d’utiliser et d’apprendre sur le BC.

La connexion GitHub

Bien que âgé de moins d’un mois, décrire Comet.ml comme "le GitHub de ML" n’est peut-être pas inapproprié. Si vous n'êtes pas familier avec GitHub, c'est un service d'hébergement de référentiel dans lequel les développeurs stockent et partagent leur code. Dans les projets avec plusieurs développeurs travaillant sur la même base de code, les référentiels tels que GitHub jouent un code critique pour l'organisation des flux de travail et le maintien du contrôle de version. Bien que le concept de référentiel de code ne soit pas nouveau, GitHub a ouvert un tout nouveau monde à la communauté des développeurs en créant une interface utilisateur qui allait au-delà des capacités de codage arcanes et orientées projet et en ajoutant une interface intuitive ainsi qu'une interface sociale. des outils permettant à GitHub de parler aux utilisateurs et même aux communautés. Que vous souhaitiez que votre code soit revu par d'autres développeurs, que vous trouviez de nouvelles applications intéressantes ou que vous vouliez savoir exactement sur quoi les meilleurs ingénieurs du monde travaillaient, GitHub est devenu l'un des endroits les plus populaires pour se mettre au courant des réalisations de la communauté du développement.

Avec ce genre de résumé, vouloir être le GitHub de tout semble extrêmement ambitieux, mais les fondateurs de Comet.ml sont confiants. Comet.ml fonctionne de la même manière que le populaire service GitHub. Créez simplement un compte gratuit sur le site Web Comet.ml, choisissez votre bibliothèque ML préférée (Comet.ml prend actuellement en charge Java, Pytorch, TensorFlow et plusieurs autres bibliothèques parmi les plus populaires), et vous pourrez fonctionnement la construction et essai Les modèles ML presque instantanément, et probablement plus facilement que ce que vous avez été capable de faire jusqu'à présent. En effet, Comet.ml suit également toutes les modifications apportées par une équipe à un référentiel sur le site Web. Il offre une optimisation automatisée des modèles et vous pouvez même intégrer votre travail Comet.ml avec GitHub pour des projets plus importants.

GitHub héberge également des modèles ML mais Comet.ml est conçu pour répondre aux besoins uniques de ML. Grâce à un type d'algorithme appelé «optimisation hyperparamètre bayésienne», le service peaufinera vos modèles en modifiant les hyperparamètres de vos expériences. Si vous êtes un vrai geek des données, vous trouverez une explication plus détaillée à ce sujet sur le site Web de la société. L'amélioration manuelle des modèles peut prendre un temps incroyablement long. Si cet algorithme fonctionne aussi bien que Comet.ml le dit, il pourrait certainement attirer l'attention de la communauté des données. Tout comme GitHub, un compte avec des référentiels accessibles au public est entièrement gratuit, avec des référentiels privés commençant à 49 $ par utilisateur et par mois.

Le besoin de quelque chose de plus simple

Gideon Mendels, co-fondateur et PDG de Comet.ml, est quelque chose d'un ancien combattant du ML. Il a travaillé dans la recherche pour la Columbia University et pour Google. Tout au long de sa carrière, il a eu du mal à trouver un moyen efficace de tester et de partager les modèles ML.

"Je travaillais auparavant dans une entreprise appelée GroupWize , et nous avions environ 15 modèles d’apprentissage automatique en production ", a déclaré Mendels." Il était tout simplement impossible de garder une trace de tous leurs changements. Nous avons donc commencé à construire Comet en interne en tant que homebrew solution pour notre douleur ".

À partir de là, Mendels et d’autres membres de l’équipe ont décidé de se concentrer uniquement sur Comet.ml. Pour Mendels, la valeur de Comet.ml n'est pas simplement le fait que les modèles ML peuvent être stockés dans le nuage; il s'agit de faciliter l'expérimentation avec ce code. Mendels n'a pas tardé à écarter l'idée que son service essayait de concurrencer GitHub. Après tout, il s’intègre au service et les utilisateurs peuvent s’inscrire avec leurs identifiants de connexion GitHub. Pour Mendels, il s’agit vraiment de répondre à une vague croissante de démocratisation des données avec de meilleures fonctionnalités.

"Cela nous amène à comprendre comment de nombreuses entreprises commencent à utiliser le ML et la science des données", a déclaré Mendels. "Avec GitHub, vous pouvez stocker du code, mais avec ML, code n'est qu'une pièce du puzzle. Quelles données ont été utilisées pour tenir dans ce code? "Mendels a déclaré que les fonctionnalités de modification automatique aideraient Comet.ml à se démarquer par ses propres moyens.

Apprentissage automatique

Comet.ml n'est que l'une des nombreuses offres visant à changer la façon dont nous interagissons avec ML. Microsoft, qui a été très agressif dans le domaine, a lancé Azure Notebooks il y a quelques années. Bien que la société le présente davantage comme un outil pédagogique que Comet.ml, il est également conçu pour vous permettre de jouer avec les modèles ML dans le cloud.

Il existe également toute une vague de marchés de ML offrant des modèles complets et prêts à l'emploi pour les petites et moyennes entreprises (PME) et les entreprises. Algorithmia est un marché de l'intelligence artificielle (IA) offrant, entre autres, des modèles ML que vous pouvez acheter et utiliser dans vos propres applications via un appel API (interface de programmation d'application). Vous n'avez ni les compétences ni le temps nécessaires pour créer un modèle d'analyse syntaxique des phrases? Utilisez ensuite Parsey McParseface au prix modique de 28, 54 USD pour 10 000 appels d’API. Modèles nommés de manière moins créative sur le marché inclut ceux pour les algorithmes de reconnaissance faciale, la classification spectrale pour les données géographiques et l'extraction de texte.

Si vous n'êtes pas informaticien, vous pensez peut-être que ces services ne s'appliquent pas à vous et à votre organisation. Mais les entreprises de toutes tailles annoncent une prise en charge et une utilisation sans précédent des solutions d’IA, et ML en est un élément important. Ces implémentations couvrent toute la gamme allant de projets vastes et étendus à des projets tellement ciblés que vous êtes surpris de constater que ML fait partie de la recette.

WineStein est un service numérique de sommelier qui utilise des modèles ML pour jumeler le vin avec différents types d'aliments. Exemples d'implémentation plus larges technologie financière (fintech) , technologies de la santé et même des chatbots où AI et ML ont déjà changé la façon dont chaque entreprise aborde le service à la clientèle et les opérations de support technique. La base d'utilisateurs d'IA et de ML croît rapidement et ne laissera aucune activité à l'écart, ce qui fait de l'avenir un lieu prometteur pour les débutants tels que Comet.ml.