Gantry se lance furtivement pour aider les scientifiques des données à garder les modèles d'IA à jour – TechCrunch

Gantry se lance furtivement pour aider les scientifiques des données à garder les modèles d’IA à jour – TechCrunch

La demande d’IA dans l’entreprise est insatiable, mais le défi réside dans la construction de l’infrastructure de support, son développement et sa maintenance. Une enquête IDC de 2020 a révélé qu’une pénurie de données pour former l’IA et des données de mauvaise qualité restent des obstacles majeurs à sa mise en œuvre, ainsi que des problèmes de sécurité des données, de gouvernance, de performances et de latence. En fait, un tiers des entreprises ayant répondu au sondage déclarent consacrer environ un tiers de leur temps de cycle de vie de l’IA à l’intégration et à la préparation des données par rapport aux efforts réels de science des données.

Josh Tobin, un ancien chercheur à OpenAI, a observé la tendance de première main tout en enseignant un cours d’apprentissage en profondeur à l’UC Berkeley en 2019 avec Vicki Cheung. Lui et Cheung ont vu l’histoire de l’IA atteindre un point d’inflexion : au cours des 10 dernières années, les entreprises ont investi dans l’IA pour suivre les tendances technologiques ou aider à l’analyse. Pourtant, malgré certains fournisseurs déclarant la «démocratisation de l’IA», il restait très difficile pour la plupart des entreprises de créer des produits alimentés par l’IA.

“Le principal défi dans la construction ou l’adoption d’une infrastructure pour l’apprentissage automatique est que le domaine évolue incroyablement rapidement. Par exemple, le traitement du langage naturel était considéré comme hors de portée des applications industrielles il y a quelques années à peine, mais devient rapidement monnaie courante aujourd’hui », a déclaré Tobin. “C’est pourquoi nous construisons une plate-forme d’amélioration continue de l’apprentissage automatique.”

Tobin et Cheung, qui dirigeaient auparavant l’infrastructure chez OpenAI et étaient ingénieur fondateur chez Duolingo, sont les co-fondateurs de Gantry, un service qui vise à aider les équipes de développement d’IA à décider quand recycler leurs systèmes d’IA et quelles données utiliser pendant le recyclage. Tobin affirme que Gantry, qui se connecte aux applications existantes, aux services d’étiquetage des données et au stockage des données, peut résumer et visualiser les données pendant les étapes de formation, d’évaluation et de déploiement.

Gantry a émergé aujourd’hui de la furtivité avec 28,3 millions de dollars, une combinaison d’un tour de série A de 23,9 millions de dollars et d’un tour de départ non divulgué de 4,4 millions de dollars. Amplify et Coatue ont co-dirigé la série A aux côtés d’investisseurs, dont le président et co-fondateur d’OpenAI Greg Brockman et Pieter Abbeel, le co-fondateur de la startup de robotique industrielle Covariant.

Crédits image : Portique

“Notre produit aide les ingénieurs en apprentissage automatique à utiliser les données qui transitent par leur produit en direct basé sur l’apprentissage automatique pour déterminer les performances réelles de l’application, trouver des moyens de l’améliorer et d’opérationnaliser ces améliorations”, a déclaré Tobin.

Les systèmes d’IA apprennent à faire des prédictions en ingérant des ensembles de données (par exemple, les modèles météorologiques historiques) et en apprenant les relations entre divers points de données (par exemple, la température a tendance à être plus élevée les jours ensoleillés) au sein de ces ensembles. Mais les systèmes d’IA ont tendance à être fragiles dans le monde réel car les données du monde réel ne sont presque jamais statiques, de sorte que l’ensemble de formation n’est pas représentatif du monde réel pendant longtemps. Par exemple, un système de prévision des stocks peut tomber en panne parce que la pandémie modifie le comportement d’achat. Le système de voiture autonome de Volvo était tristement célèbre pour les kangourous, car les sauts des kangourous rendaient difficile de juger à quel point ils étaient proches.

Tobin et Cheung pensent que la réponse à cette question est le système d’apprentissage « continu » de Gantry, une infrastructure capable d’adapter un système à un flux de données en constante évolution. Gantry est conçu pour servir de source unique de vérité pour les performances du système d’IA, a déclaré Tobin, permettant aux utilisateurs de découvrir les performances du système et les moyens de l’améliorer à l’aide d’outils de workflow pour définir les métriques et les tranches de données sur lesquelles les calculer.

« L’époque de la mauvaise expérience client en entreprise est révolue. Les clients s’attendent désormais à une expérience aussi transparente, cohérente et intuitive que ce qu’ils attendent des entreprises technologiques modernes. L’apprentissage automatique permet de fournir ces expériences à grande échelle. Cependant, les produits basés sur l’apprentissage automatique sont coûteux à construire et présentent un risque pour la marque et l’expérience client, car les modèles peuvent échouer de manière inattendue et nuisible lorsqu’ils interagissent avec les utilisateurs », a-t-il ajouté. “Gantry aide les entreprises à développer des expériences client transparentes basées sur l’apprentissage automatique avec moins de risques et à moindre coût en fournissant l’infrastructure et les contrôles nécessaires pour maintenir et itérer en toute sécurité les fonctionnalités de leurs produits basés sur l’apprentissage automatique.”

Gantry s’inscrit dans une catégorie émergente de logiciels connue sous le nom de MLOps (opérations d’apprentissage automatique), qui vise à rationaliser le cycle de vie du système d’IA en automatisant et en standardisant les workflows de développement. Poussée par l’adoption accélérée de l’IA, la société d’analyse Cognilytica prévoit que le marché mondial des solutions MLOps atteindra 4 milliards de dollars d’ici 2025, contre 350 millions de dollars en 2019.

Tobin reconnaît que d’autres outils, comme Arize, Arthur et Fiddler, accomplissent certaines des mêmes choses que Gantry. Mais il soutient qu’ils se concentrent sur un éventail plus large de problèmes d’IA, tandis que Gantry aborde – mais va au-delà – des aspects tels que l’observabilité, la surveillance et l’explicabilité. Par exemple, Gantry peut être utilisé pour détecter les biais dans les applications alimentées par l’IA, affirme Tobin, même lorsque les applications utilisent des données “non structurées” comme du texte et des images.

Tobin a refusé de révéler le nombre d’utilisateurs ou de clients de Gantry. Mais il dit que le financement sera en partie consacré à l’acquisition de clients, en plus d’élargir la taille de l’équipe de 22 personnes de Gantry.

“Nous pensons que les vents contraires potentiels dans la technologie sont plus que compensés par un fort vent arrière dans l’apprentissage automatique”, a ajouté Tobin, interrogé sur le climat économique actuel et ce que cela pourrait signifier pour Gantry. “De plus, à mesure que la ceinture se resserre et que les entreprises réfléchissent davantage à leurs dépenses, investir dans des outils pour aider à améliorer l’efficacité des équipes et les performances et la fiabilité des produits devient encore plus important.”

Leave a Comment

Your email address will not be published.