\n<\/p>\n
El auge de ChatGPT ha impulsado el aumento de la conciencia p\u00fablica sobre la IA, as\u00ed como el creciente discurso sobre la \u00e9tica de la IA. \u00bfC\u00f3mo se debe usar la IA? \u00bfCu\u00e1les son sus implicaciones para la sociedad, no s\u00f3lo para las empresas?<\/p>\n
El sesgo inherente dentro de las aplicaciones de IA (recuerde, no se trata solo de c\u00f3mo se construye el algoritmo y por qui\u00e9n, sino tambi\u00e9n de c\u00f3mo se construye el modelo en s\u00ed) significa que debemos andar con cuidado en este nuevo y valiente mundo de la IA.<\/p>\n
Despu\u00e9s de todo, ha habido ejemplos muy p\u00fablicos de sesgos pol\u00edticos y de g\u00e9nero exhibidos por las plataformas de IA. El director ejecutivo de OpenAI, Sam Altman, admiti\u00f3 el mes pasado que ChatGPT tiene \u00abdeficiencias en torno al sesgo\u00bb. Pero esos sesgos y fallas pueden tener efectos de gran alcance cuando se aplican a \u00e1reas como plataformas de seguros o descubrimiento de f\u00e1rmacos, donde las implicaciones de tomar decisiones equivocadas pueden ser enormes. <\/p>\n
MLOps (una combinaci\u00f3n de \u00abMachine learning\u00bb y DevOps) es un conjunto de pr\u00e1cticas que busca implementar y mantener modelos de aprendizaje autom\u00e1tico en producci\u00f3n de manera confiable y eficiente, y monitorear esos sesgos. En pocas palabras, las pr\u00e1cticas de MLOps son utilizadas por los ingenieros de Data Scientist, DevOps y Machine Learning para hacer la transici\u00f3n de un algoritmo de IA a modelos de producci\u00f3n de trabajo cotidiano. La idea aqu\u00ed es mejorar la automatizaci\u00f3n del modelo y, al mismo tiempo, vigilar los requisitos comerciales y regulatorios en torno al sesgo, as\u00ed como otros aspectos de la IA. Mejorar la eficiencia tambi\u00e9n tiene un impacto ambiental positivo.<\/p>\n
Seldon es una startup del Reino Unido que se especializa en este mundo enrarecido de herramientas de desarrollo para optimizar los modelos de aprendizaje autom\u00e1tico. Tiene competidores en la forma de Arise, Fiddler ($45,2 millones en financiamiento), Dataiku ($846,8 millones en financiamiento) y DataRobot ($1 mil millones en financiamiento). <\/p>\n
La plataforma de implementaci\u00f3n de aprendizaje autom\u00e1tico independiente de la nube de Seldon obtuvo una Serie A de 7,1 millones de libras esterlinas de AlbionVC y Cambridge Innovation Capital en 2020.<\/p>\n
Ahora ha recaudado una ronda de financiaci\u00f3n de la Serie B de 20 millones de d\u00f3lares dirigida por el nuevo inversor Bright Pixel (anteriormente Sonae IM). Tambi\u00e9n participaron los inversores existentes AlbionVC, Cambridge Innovation Capital y Amadeus Capital Partners. <\/p>\n
Los fundadores Alex Housley (CEO) Clive Cox (CTO) afirman haber logrado una tasa de crecimiento interanual del 400 % para los marcos de trabajo de c\u00f3digo abierto de Seldon desde su serie A en noviembre de 2020. Eso es importante, porque su red de c\u00f3digo abierto le permite distribuir sus soluciones propietarias lejos de manera m\u00e1s eficiente y rentable. <\/p>\n
\u201cSeldon se ha diferenciado al presentar una soluci\u00f3n \u00fanica que puede reducir la fricci\u00f3n para los usuarios que implementan y explican modelos ML en cualquier industria. Esto significa m\u00e1s productividad para sus clientes, un tiempo de valor m\u00e1s r\u00e1pido combinado con capacidades de gobierno, riesgo y cumplimiento\u201d, dijo Pedro Carreira, director de Bright Pixel en un comunicado.<\/p>\n
Los clientes actuales de Seldon incluyen PayPal, Johnson & Johnson, Audi y Experian, entre otros. <\/p>\n
En una entrevista, Alex Housley, fundador y director ejecutivo de Seldon, me dijo: \u201cLa IA est\u00e1 en todo, y Seldon est\u00e1 en una posici\u00f3n \u00fanica. \u201cYa tenemos una posici\u00f3n s\u00f3lida en nuestra distribuci\u00f3n de c\u00f3digo abierto, y lo que acabamos de validar es un nuevo concepto en MLOps centrados en datos, con una estrecha integraci\u00f3n en torno a los flujos de datos y la producci\u00f3n. En pocas palabras, puede mejorar un modelo de IA a trav\u00e9s de su algoritmo, pero eso tiene peque\u00f1as mejoras. Alternativamente, y este es nuestro enfoque, puede obtener mucho m\u00e1s rendimiento mejorando la producci\u00f3n de la calidad de los datos. Eso es lo que hemos estado trabajando con la Universidad de Cambridge, con un \u00e9xito significativo\u201d.<\/p>\n
Seg\u00fan la ‘Encuesta sobre el estado de la infraestructura de IA, 2023’ de Run:ai, en el 88 % de las empresas, m\u00e1s de la mitad de estos modelos nunca llegan a la producci\u00f3n. \u00bfPor qu\u00e9? Porque los proyectos se estancan o hay una duplicaci\u00f3n de esfuerzos en los silos comerciales.<\/p>\n
Seldon afirma que puede ayudar a los equipos a colaborar mejor para acelerar el tiempo de implementaci\u00f3n en un promedio del 84 %. Esto podr\u00eda ser importante, dado que hay mucha m\u00e1s regulaci\u00f3n sobre la IA (como a trav\u00e9s de la IA ACT de la UE y la EEOC de los EE. UU.). Seldon, y sus competidores, est\u00e1n compitiendo para ayudar a las empresas a seguir cumpliendo con esas regulaciones, pero mejorando estos modelos de IA internamente.<\/p>\n
La empresa ha colaborado estrechamente con Neil Lawrence, el profesor inaugural de aprendizaje autom\u00e1tico de DeepMind en la Universidad de Cambridge.<\/p>\n<\/p><\/div>\n