انضم إلى كبار المديرين التنفيذيين في سان فرانسيسكو يومي 11 و 12 يوليو ، لمعرفة كيف يدمج القادة استثمارات الذكاء الاصطناعي ويحسنونها لتحقيق النجاح. يتعلم أكثر
أعلنت شركة عمليات التعلم الآلي (MLOps) Deepchecks اليوم عن إطلاق نظامها الأساسي مفتوح المصدر للتحقق المستمر من نماذج التعلم الآلي (ML). يهدف هذا العرض الجديد إلى إنشاء معيار أمان ML وإمكانية التنبؤ ، وسد الفجوة بين البحث والإنتاج.
بالإضافة إلى ذلك ، حصلت الشركة على 14 مليون دولار من التمويل الأولي ، مع قيادة Alpha Wave Ventures جولة الاستثمار بمشاركة Hetz Ventures و Grove Ventures.
نظرًا لأن التعلم الآلي ينتقل من المشاريع البحثية الطويلة إلى دورات التطوير الشبيهة بالبرمجيات ، فإن الصناعة تتطلب عمليات وأدوات قوية لضمان عمليات نشر عالية الجودة وفي الوقت المناسب. على عكس تطوير البرامج التقليدية ، تشكل الطبيعة المعقدة وغير الشفافة لـ ML تحديات أمام تنفيذها الآمن والمتوقع.
يؤكد Deepchecks أنه يعالج هذه التحديات من خلال الاستفادة من الدروس المستفادة من تطوير البرمجيات. يُمكّن العرض الجديد للشركة المطورين من تحقيق الوضوح والثقة طوال دورة حياة ML بأكملها ، بما في ذلك عمليات التطوير والنشر والإنتاج.
حدث
تحويل 2023
انضم إلينا في سان فرانسيسكو يومي 11 و 12 يوليو ، حيث سيشارك كبار المسؤولين التنفيذيين في كيفية دمج استثمارات الذكاء الاصطناعي وتحسينها لتحقيق النجاح وتجنب المزالق الشائعة.
سجل الان
قال شير تشوريف ، الشريك المؤسس لشركة Deepchecks ورئيس قسم التكنولوجيا في VentureBeat: “يتمثل التحدي الكبير في نشر أنظمة الذكاء الاصطناعي في التأكد من أنها تقوم بما يفترض أن تفعله ، دون أن تكون ضارة أو متحيزة أو غير صحيحة”. هذا صعب بشكل خاص بسبب الطبيعة الديناميكية للبيانات والذكاء الاصطناعي ، وبما أن الذكاء الاصطناعي ليس لديه أي حس عام متأصل “.
تحويل النماذج إلى الإنتاج
أكدت شوريف التزام شركتها بتزويد الممارسين بأدوات سهلة الاستخدام لبناء وتخصيص الاختبارات الحاسمة التي تحدد المشكلات وتمنعها ، مثل اختبار الانحدار. يمكن إنشاء هذه الاختبارات وتطبيقها بطريقة فعالة وقابلة لإعادة الاستخدام.
وهي تعتقد أن هذه المساعدة تساعد الشركات في التغلب على عقبة كبيرة: انتقال النماذج الموثوقة إلى الإنتاج.
وأضافت: “تطبق Deepchecks مبادئ الاختبار المستمر والتحقق من صحة من تطوير البرمجيات إلى ML ، مما يجعل عملية التطوير أكثر كفاءة ومرونة”. “يتيح ذلك للممارسين تحمل المسؤولية عن أداء نماذجهم ، واستقرار الأنظمة التي يطورونها ، وإعادة استخدام اختبارات التحقق بسهولة طوال دورة حياة ML وعبر المهام التنظيمية المختلفة ، مما يقلل الوقت الذي يقضيه في المهام غير الحرجة.”
توفر الأداة الجديدة أيضًا ميزات المراقبة وتحليل السبب الجذري لبيئات الإنتاج. تدعي الشركة أن المنصة قد حصلت على أكثر من 500000 عملية تنزيل ويتم استخدامها بالفعل من قبل شركات مشهورة بما في ذلك AWS و Booking و Wix ، وكذلك في قطاعات منظمة للغاية مثل التمويل والرعاية الصحية.
قال Deepchecks أن إصدار المؤسسة الخاص به يقدم ميزات تعاون وأمان متقدمة.
تعزيز اختبار نموذج الذكاء الاصطناعي من خلال التحقق من الصحة والمراقبة
قال تشوريف إنه على الرغم من النمو السريع المتوقع لسوق ML – من المقدر أن يصل إلى 225.91 مليار دولار بحلول عام 2030 – إلا أن نصف نماذج ML فقط نجحت في الإنتاج. غالبًا ما تواجه هذه النماذج قيودًا في الوقت والميزانية أو تعاني من إخفاقات كبيرة.
وقالت إنها تعتقد أن هذا يؤكد على ضرورة تحسين الأساليب لتعزيز موثوقية التطبيقات والقدرة على التنبؤ.
قال تشوريف: “يختلف تنفيذ الاختبار والتحقق من صحة التعلم في تعلم الآلة بسبب التحديات الكامنة (العديد من الأجزاء المتحركة ، ولا توجد بدائل واضحة” لتغطية الكود “والفشل الصامت المتكرر). “لذلك ، نهدف إلى توفير حل محدد جيدًا يعمل على أتمتة تشغيل الاختبار ، ويدعم قابلية التكرار وإعادة الاستخدام الفعالة داخل المؤسسة ويساعد في التعاون والمشاركة من خلال لوحات المعلومات والتقارير الواضحة.”
التحقق من عمل أنظمة الذكاء الاصطناعي على النحو المنشود
وقالت إن عرض الشركة الجديد يعود بالفائدة على الممارسين والمطورين وأصحاب المصلحة. إنه يعزز الشفافية والثقة مع تحسين كفاءة تنفيذ هذه التدابير.
شارك Chorev في تأسيس Deepchecks مع الرئيس التنفيذي فيليب تانور قبل ثلاث سنوات. كلاهما تم الاعتراف بهما في قائمة فوربس لأقل من 30 عامًا. تشمل خلفياتهم الخبرة في برنامج Talpiot التابع لجيش الدفاع الإسرائيلي ووحدة المخابرات 8200 النخبة ، حيث اكتسبوا خبرة في ML.
وأضاف تشوريف: “لقد حددنا عقبة كبيرة أمام تبني الذكاء الاصطناعي على نطاق أوسع وأكثر أمانًا: الحاجة إلى التحقق الفعال من أن أنظمة الذكاء الاصطناعي تعمل على النحو المنشود ولا تخرج عن المسار”. “بشكل أساسي ، كنا نبحث عن حل مثل Deepchecks ولكن لم نتمكن من العثور على حل. إدراكًا لاحتياجات السوق والتحديات التكنولوجية للتغلب عليها ، تعاونا معًا لتطوير حل بأنفسنا “.
مستقبل من الفرص في التحقق من صحة التعلم الآلي و MLOps
تساعد الشركة المنظمات في تنفيذ وتنفيذ عمليات الاختبار الشامل والتكامل المستمر (CI). يسهل التعاون من خلال تمكين مشاركة نتائج التحقق مع أصحاب المصلحة والتكرار الفعال مع المراجعين.
قال تشوريف إن هذا النهج المبسط يضمن عملية تحقق فعالة وفعالة.
وأوضحت: “عند التوسع ، يكون لديك خبراء ماهرون ومكلفون يشاركون في التحقق من ML ، على عكس ضمان الجودة التقليدي ، والذي غالبًا ما يكون دورًا مبتدئًا”. “هذا هو المكان الذي يأتي فيه Deepchecks ، مما يسمح للمؤسسات بدمجها تلقائيًا في عملياتها وتقليل الوقت الذي يقضيه في عمليات التحقق اليدوية.”
وقالت إن إصدار المؤسسة يتيح اختبار النماذج المتعددة والتحقق منها ومراقبتها في وقت واحد. يوفر Deepchecks أيضًا لوحات معلومات ذات صلة ويتيح إدارة المستخدم المتقدمة وميزات الأذونات.
المصدر المفتوح أساسي
قال تشوريف إن طبيعة المصدر المفتوح لأدوات الشركة لعبت دورًا كبيرًا في اكتساب قوة جذب عبر صناعة التكنولوجيا ، حتى بين الشركات الكبيرة.
قال تشوريف: “تقليديا ، ذهبت تلك الشركات إلى أنظمة مغلقة (SAS) ، لكن الأمور تتغير الآن”. “في منطقتنا ، تعد الحلول مفتوحة المصدر رائعة لخصوصية البيانات وأمانها لأنه يمكنك استخدامها محليًا وليس عليك إرسال بياناتك خارج مؤسستك.”
وأضافت أن نهج الشركة وهيكلها مكَّناهم ومستخدميهم من توسيع الدعم بسهولة لأنواع مختلفة من البيانات وعمليات الدمج وإضافة التحقق من صحة المراحل والعمليات المختلفة في دورة حياة الذكاء الاصطناعي.
قال تشوريف: “هذا يضمن اكتشاف المشكلات بكفاءة وفي وقت مبكر”.
مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.
