Internet Explorer wird von unserer Website nicht unterstützt. Um die Sicherheit Ihres Browsing-Erlebnisses zu erhöhen, verwenden Sie bitte Chrome, Safari, Firefox oder Edge.
Infrastruktursoftware
Dharmesh Thakker, Danel Dayan, Jason Mendel | 28. September 2021
Sehen heißt glauben – unsere Investment in Arize und warum Beobachtbarkeit durch maschinelles Lernen der Schlüssel zur Erschließung der Leistungsfähigkeit von KI ist

Seit mehreren Jahren wird viel Wert auf den Einsatz von künstlicher Intelligenz (KI) oder maschinellem Lernen (ML) gelegt, um eine Vielzahl von Softwareanwendungen zu betreiben, die von allen Arten von Arbeitnehmern in allen Arten von Branchen verwendet werden – von Softwareentwicklern in Technologieunternehmen bis hin zu Ärzten über Bauleiter bis hin zu Vertriebsmitarbeitern. Tatsächlich hat eine aktuelle Gartner-Umfrage gezeigt, dass 92 % der befragten Unternehmen planen, KI in den nächsten drei Jahren in bedeutenden Projekten einzusetzen.

Das Erstellen nützlicher KI-Technologie ist jedoch aus einer Reihe von Gründen nicht so einfach wie das Erstellen herkömmlicher Software, einschließlich der enormen Datenanforderungen, die zum Erstellen robuster Modelle erforderlich sind. Eine neue Generation von Startups versucht also, diese Entwicklungslücke durch ein neues Framework namens „Machine Learning Operations“, kurz MLOps, zu schließen. Heute freuen wir uns, unsere Investition in eines dieser Startups, Arize AI*, bekannt zu geben.

Arize, dessen Technologie sich auf die Beobachtbarkeit von Modellen konzentriert, geht das große Problem an, wie Unternehmen die Leistung von ML-Modellen kontinuierlich überwachen und verbessern können – was, wenn es richtig gemacht wird, dazu beitragen kann, maschinelles Lernen in größerem Umfang branchenübergreifend zu beschleunigen und einzusetzen.

Die breite Kategorie der MLOps-Technologie leitet sich von zentralen DevOps-Prinzipien ab; MLOps gewährleistet wiederholbare, wiederverwendbare und konsistente Praktiken im gesamten ML-Entwicklungsworkflow, bei dem jeder Schritt der Modellerstellung und -bereitstellung in seine Komponenten zerlegt wird, damit die Upstream-Daten richtig und effektiv genutzt werden.

Es gab eine Flut von Investitionen in die Datenvorbereitungs-, Modellerstellungs- und Modellbereitstellungsteile der ML-Pipeline, und wir haben in diesen Bereichen enorme Erfolge von Unternehmen wie Databricks*, Dataiku*, Paperspace*, Scale gesehen KI und DataRobot sowie Open-Source-Projekte wie PyTorch und TensorFlow, die entstanden sind, um diese Vorproduktionsteile des ML-Workflows anzugehen.

Das Erstellen und Versenden von Modellen ist jedoch nur der Anfang der KI-Reise. Sobald Modelle in der Produktion bereitgestellt werden, plagt ein häufiges Problem jedes ML-Team: Überwachung. Insbesondere ML-Praktikern fehlten in der Vergangenheit die notwendigen Observability-Tools, um den Zustand und die Leistung von KI-Systemen zu überwachen, die, wenn sie sich selbst überlassen werden, einer Vielzahl potenzieller Probleme ausgesetzt sind, die zu kostspieligen Modellausfällen und fehlerhaften Modellvorhersagen führen können.

Covid-19 hat die Notwendigkeit einer besseren ML-Beobachtbarkeit weiter deutlich gemacht, da Modelle, die auf normales Verhalten vor Covid trainiert wurden, in der Welt nach der Pandemie, in der sich das Konzept von „normal“ plötzlich geändert hat, nicht funktionieren. Streaming-Media-Unternehmen haben beispielsweise aufgrund eines schnellen Zustroms neuer Benutzer Ungenauigkeiten im Empfehlungsmodell festgestellt („wenn Sie sich das angesehen haben, könnte Ihnen das gefallen“). Viele Einzelhändler können das Bestellvolumen aufgrund von Covid-induzierten Bestellspitzen, beispielsweise für Händedesinfektionsmittel oder Konserven, nicht genau vorhersagen. All dies unterstreicht, wie wichtig es für Unternehmen ist, über die richtigen ML-Observability-Tools zu verfügen, um zu verstehen, wann und wie sich Modelleingaben ändern, und um Probleme zu erkennen und zu lösen, bevor sie sich auf Kunden auswirken.

Darüber hinaus gibt es ohne ML-Beobachtbarkeit eine grundlegende Diskrepanz zwischen der Leistung des Modells und den Data-Science- und ML-Engineering-Teams, die für die Integrität des Modells im Laufe der Zeit verantwortlich sind. Aus unseren Gesprächen mit mehreren Praktikern aus G2000- und Tech-Forward-Organisationen haben wir gesehen, dass ML-Beobachtbarkeit eine große Priorität ist, die gestern gelöst werden musste, und von größter Bedeutung für die Operationalisierung aller Modelle in der Produktion ist.

Zu diesem Zweck freuen wir uns, Partner von Arize zu sein, dessen Observability-Plattform Echtzeitüberwachung und Erklärbarkeit bietet, um Benutzern zu helfen, zu verstehen, wie ihre ML-Modelle in der Produktion funktionieren – und dann bei Leistungsproblemen sofort Maßnahmen zu ergreifen. Durch die Verbindung von Datensätzen über Trainings-, Validierungs- und Produktionsumgebungen hinweg ermöglicht Arize ML-Teams, schnell zu erkennen, wann und wo Probleme auftreten; Beheben Sie gründlich die Ursache für alle auftretenden Probleme. und letztendlich die Leistung des Modells verbessern.

Unternehmen wie Sumo Logic*, Splunk*, Datadog*, New Relic, Elastic und Dynatrace haben zusammen mehr als 100 Milliarden US-Dollar an Marktkapitalisierung pro Capital IQ angehäuft, indem sie die Herausforderungen der Observability gelöst haben, die in der traditionellen Softwareentwicklungs-Toolchain bestehen. Die ML-Beobachtbarkeit ist zwar genauso wichtig wie diese Art der traditionellen IT-Beobachtbarkeit, aber angesichts der gegenseitigen Abhängigkeit von Daten, Systemen, Funktionen und Code, die sich alle auf die Leistung des Modells auswirken, noch komplexer. Wir glauben, dass es eine große Marktchance für ML-Observability-Tools gibt, um ein tiefes Verständnis der Modellleistung zu vermitteln, da Unternehmen weiterhin erhebliche Ressourcen in die Operationalisierung von KI investieren.

Arize wird von erfahrenen Praktikern geleitet, darunter Mitbegründer/CEO Jason Lopatecki und Mitbegründer/Chief Product Officer Aparna Dhinakaran, die aus erster Hand Erfahrung im Umgang mit den Schwachstellen bei der Bereitstellung von ML-Modellen in der Produktion haben, sodass sie die Erstellung eines ein hochtechnisches Produkt und eine sofort einsatzbereite Benutzerfreundlichkeit. Arizes Gründungs- und Entwicklungsteams haben sich bei Technologiegiganten wie Uber, Google, Apple, Slack, Adobe und PagerDuty bewährt.

Wir freuen uns über die Partnerschaft mit Arize, da das Unternehmen Überwachung und Beobachtbarkeit in das maschinelle Lernen einbringt und Unternehmen hilft, mehr Wert aus ihren KI-Investitionen zu ziehen. Wir freuen uns auf dieses nächste Wachstumskapitel.

Die hierin enthaltenen Informationen beruhen ausschließlich auf der Meinung von Morad Elhafed und sind nicht als Anlageberatung zu verstehen. Dieses Material wird zu Informationszwecken zur Verfügung gestellt und stellt weder eine Rechts-, Steuer- oder Anlageberatung noch ein Angebot zum Verkauf oder eine Aufforderung zum Kauf einer Beteiligung an einem von Battery Ventures oder einem anderen von Battery verwalteten Fonds oder Anlageinstrument dar und darf in keiner Weise als solche angesehen werden. 

Die Informationen und Daten beziehen sich auf den Zeitpunkt der Veröffentlichung, sofern nicht anders angegeben.

Inhalte, die aus Drittquellen stammen, werden zwar als zuverlässig erachtet, wurden jedoch nicht von unabhängiger Seite auf ihre Richtigkeit oder Vollständigkeit hin überprüft und können nicht garantiert werden. Battery Ventures ist nicht verpflichtet, den Inhalt dieses Beitrags zu aktualisieren, zu ändern oder zu ergänzen oder Leser*innen zu benachrichtigen, falls sich darin enthaltene Informationen, Meinungen, Prognosen, Vorhersagen oder Schätzungen ändern oder später ungenau werden.

Die obigen Informationen können Prognosen oder andere zukunftsgerichtete Aussagen zu zukünftigen Ereignissen oder Erwartungen enthalten. Vorhersagen, Meinungen und andere Informationen, die in diesem Video besprochen werden, können sich ständig und ohne Vorankündigung ändern und sind nach dem angegebenen Datum möglicherweise nicht mehr zutreffend. Battery Ventures übernimmt keine Verpflichtung und beabsichtigt auch nicht, diese zukunftsgerichteten Aussagen zu aktualisieren.

*Bezeichnet ein Battery-Portfoliounternehmen. Für eine vollständige Liste aller Battery-Investments klicken Sie bitte hier.

Zurück zum Blog
Ähnliche ARTIKEL