Израильский стартап Qwak, который предоставляет предприятиям комплексную платформу MLOps для создания и развертывания моделей в масштабе, сегодня объявил о новом раунде финансирования в размере 12 миллионов долларов. Компания планирует использовать капитал для дальнейшего развития своего продукта и, в конечном итоге, для создания «облака машинного обучения» для предприятий.
Хотя машинное обучение (ML) уже давно является предметом обсуждения, в 2022 году оно стало мейнстримом с запуском приложений для генеративного ИИ, таких как Dall-E, MidJourney и ChatGPT. Сегодня предприятия активно стремятся создавать модели машинного обучения, чтобы раскрыть ценность различных функций, будь то поддержка клиентов в режиме реального времени, обнаружение мошенничества или определение стратегии ценообразования.
>>Следите за новостями VentureBeat о генеративном искусственном интеллекте<
Однако когда дело доходит до создания высокопроизводительных моделей и их интеграции в продукты, все становится сложнее. Команды специалистов по данным должны иметь дело с сильно фрагментированной средой, где им необходимо интегрироваться с различными заинтересованными сторонами, такими как DevOps и инженеры данных, и использовать специализированные инструменты для создания простого конвейера моделей. Это требует значительного времени и ресурсов — до такой степени, что многие проекты даже не доходят до производства. А для тех немногих моделей, которые дошли до стадии производства, развертывание может занять много времени, после чего возникает неотложная необходимость постоянного контроля их качества и эффективности.
Алон Лев, ранее занимавший должность вице-президента по данным в Payoneer, видел аналогичные проблемы и обнаружил, что только самые крупные и передовые компании имеют ресурсы для создания собственных внутренних платформ машинного обучения. Остальная часть отрасли изо всех сил пыталась эффективно превратить идеи в модели машинного обучения. Это побудило его и других соучредителей из AWS, ironSource и Wix запустить Qwak как унифицированную платформу MLOps.
Как это работает?
Как объяснил Лев, Qwak объединяет все части жизненного цикла MLOps в одном месте, позволяя команде специалистов по обработке и анализу данных работать независимо, начиная с этапа построения моделей, сравнения производительности и анализа изменений и заканчивая переносом их в производственную среду и управлением мониторингом. усилия.
Платформа полностью управляема (размещена либо в облаке Qwak, либо в облаке клиента), что означает, что группам специалистов по обработке и анализу данных не нужно устанавливать пакеты или поддерживать инфраструктуру, а продукт берет на себя всю операционную инфраструктуру.
«В конце концов, Qwak позволяет командам специалистов по обработке и анализу данных работать более эффективно и значительно сократить время разработки модели. Вместо многих месяцев весь процесс можно сократить до нескольких часов, что позволит командам выполнять итерации быстрее и улучшит качество тестирования моделей машинного обучения и их поведения», — отметил Лев.
С момента запуска в декабре 2020 года Qwak утверждает, что продемонстрировала 10-кратный рост по сравнению с прошлым годом: десятки предприятий подписались на ее платформу, включая NetApp, Lightricks, Yotpo, JLL, Guesty и OpenWeb.
Соревнование в MLOps
Пространство MLOps значительно расширилось благодаря многочисленным инструментам с открытым исходным кодом и поставщикам, стремящимся помочь предприятиям создавать и развертывать модели производственного уровня, включая Deci, Domino Data Labs и H2O AI.
Qwak, со своей стороны, утверждает, что отличается от этих игроков, предлагая все компоненты и объединяя их вместе.
«Хотя существует множество [vendors] которые охватывают различные компоненты Qwak, включая хранилище функций, реестр моделей, обслуживание, мониторинг и оркестраторы конвейера машинного обучения, реальная сила заключается в создании единой платформы, в которой все эти части легко интегрированы. Делая это, мы обеспечиваем оптимизированный опыт для специалистов по данным, устраняя трения, связанные с подключением нескольких инструментов каждый раз, когда необходимо построить или обновить модель», — отметил Лев.
Это также улучшает видимость и облегчает обмен компонентами машинного обучения между членами команды, улучшая совместную работу и повышая производительность, добавил он.
В этом раунде, который возглавила компания Bessemer Venture Partners, компания продолжит разработку этого универсального предложения и будет двигаться к своему долгосрочному видению создания комплексного облака для машинного обучения. Компания также планирует расширить свою команду на рынках США и Европы.
Миссия VentureBeat должна стать цифровой городской площадью, на которой лица, принимающие технические решения, смогут получить знания о трансформирующих корпоративных технологиях и заключать сделки. Откройте для себя наши брифинги.
