\n<\/p>\n
Una de las plataformas de desarrollo de inteligencia artificial y aprendizaje autom\u00e1tico m\u00e1s prol\u00edficas, Weights & Biases, ha asegurado un nuevo tramo de efectivo del ex director ejecutivo de GitHub, Nat Friedman, y el ex socio de Y Combinator, Daniel Gross.<\/p>\n
Friedman y Gross, junto con los inversores existentes Coatue, Insight Partners, Felicis, Bond, BloombergBeta y Sapphire, han invertido 50 millones de d\u00f3lares en Weights & Biases en una ronda estrat\u00e9gica que valora a la empresa en 1250 millones de d\u00f3lares. La inversi\u00f3n, que eleva el total recaudado de la startup a $ 250 millones, se produce cuando Weights & Biases se prepara para lanzar Prompts, un nuevo producto dise\u00f1ado para ayudar a los usuarios a monitorear y evaluar el rendimiento de modelos de lenguaje extenso (LLM) en la l\u00ednea de GPT-4 de OpenAI.<\/p>\n
La inversi\u00f3n de 50 millones de d\u00f3lares es mucho menor que la inversi\u00f3n anterior de Weights & Biases, su Serie C, que lleg\u00f3 a alrededor de 135 millones de d\u00f3lares. Pero Lavanya Shukla, vicepresidente de crecimiento de Weights & Biases, lo describi\u00f3 como oportunista.<\/p>\n
\u201cCreemos que dar a los empleados herramientas de aprendizaje autom\u00e1tico deber\u00eda ser una apuesta segura para los CTO y sus equipos\u201d, dijo a TechCrunch en una entrevista por correo electr\u00f3nico. \u201cAl abordar las pruebas, la seguridad y la confiabilidad, Weights & Biases se encuentra en un punto cr\u00edtico a lo largo del desarrollo de un modelo exitoso de aprendizaje autom\u00e1tico\u201d.<\/p>\n
Lukas Biewald y Chris Van Pelt cofundaron Weights & Biases en 2017, despu\u00e9s de pasar a\u00f1os trabajando en herramientas para ingenieros de aprendizaje autom\u00e1tico y cient\u00edficos de datos. Los dos lanzaron anteriormente Figure Eight, anteriormente conocido como CrowdFlower, para reclutar trabajadores colaborativos para etiquetar datos de entrenamiento para algoritmos de aprendizaje autom\u00e1tico. (La Figura Ocho fue adquirida por Appen en 2019 por $ 175 millones).<\/p>\n
\u201cLos dos identificaron un problema mayor: que los profesionales del aprendizaje autom\u00e1tico no ten\u00edan un gran sistema de registro para sus experimentos\u201d, dijo Shukla. \u201cEsta ciencia altamente experimental pero crucial se registraba en hojas de c\u00e1lculo y capturas de pantalla degradadas\u201d.<\/p>\n
Entonces Biewald y Van Pelt unieron fuerzas con un tercer cofundador, un ex alumno de Google y desarrollador Shawn Lewis, en un intento de resolver ese problema. En el transcurso de los siguientes a\u00f1os, crearon el MVP para Pesos y sesgos: flujos de trabajo para respaldar el ciclo de vida de desarrollo de aprendizaje autom\u00e1tico.<\/p>\n
Weights & Biases ocupa una categor\u00eda de plataformas conocidas como MLOps u operaciones de aprendizaje autom\u00e1tico, que permiten a los cient\u00edficos de datos crear nuevos modelos de aprendizaje autom\u00e1tico y ejecutarlos a trav\u00e9s de flujos de trabajo automatizados y repetibles que los implementan en producci\u00f3n. A medida que ha crecido la demanda de IA, tambi\u00e9n lo ha hecho la demanda de plataformas MLOps. Allied Market Research estima que el segmento MLOps tendr\u00e1 un valor de $ 23.1 mil millones para 2023.<\/p>\n
Las nuevas plataformas MLOps emergen regularmente. Por nombrar algunos, est\u00e1n Seldon, FedML, Qwak, Galileo, Striveworks, Arize, Comet y Tecton. Eso es ignorar las ofertas de titulares como Azure, AWS y Google Cloud.<\/p>\n
Pero lo que diferencia a Weights & Biases es su enfoque de MLOps, afirma Shukla.<\/p>\n
Primero, todos los productos de Weights & Biases fueron dise\u00f1ados conjuntamente con socios y clientes en un esfuerzo por garantizar que satisfagan las necesidades de esos socios y clientes, dice Shukla. En segundo lugar, la plataforma pone \u00e9nfasis en las herramientas para interrogar los conjuntos de datos utilizados para entrenar modelos, lo que permite a los clientes verificar los problemas que puedan surgir, como sesgos y la presencia de informaci\u00f3n de identificaci\u00f3n personal, idealmente antes de que esos conjuntos de datos entren en producci\u00f3n.<\/p>\n
Plataforma de monitoreo de pesos y sesgos para operaciones de aprendizaje autom\u00e1tico. Cr\u00e9ditos de imagen:<\/strong> Pesos y sesgos<\/p>\n<\/div>\n \u201cWeights & Biases es la plataforma de aprendizaje autom\u00e1tico l\u00edder para ayudar a los desarrolladores a construir mejores modelos m\u00e1s r\u00e1pido\u201d, dijo Shukla. \u201cCreamos herramientas livianas e interoperables para rastrear r\u00e1pidamente experimentos, crear versiones e iterar conjuntos de datos, evaluar el rendimiento del modelo, reproducir modelos, visualizar resultados y detectar regresiones, y compartir hallazgos con colegas. Esto permite a los ingenieros de aprendizaje autom\u00e1tico iterar r\u00e1pidamente en sus canalizaciones de aprendizaje autom\u00e1tico con la confianza de que sus conjuntos de datos y modelos se rastrean y controlan en un sistema de registro confiable\u201d.<\/p>\n Cualesquiera que sean las otras ventajas que tiene Pesos y sesgos, es casi seguro que el primero en actuar es una de ellas.<\/p>\n La soluci\u00f3n de la plataforma est\u00e1 integrada en m\u00e1s de 20\u00a0000 repositorios de c\u00f3digo abierto, afirma Shukla, y Weights & Biases ha sido citado en cientos de art\u00edculos acad\u00e9micos de investigaci\u00f3n sobre aprendizaje autom\u00e1tico. Tambi\u00e9n es el conjunto de herramientas elegido por los constructores de modelos de IA generativos bien financiados y de alto perfil, incluidos OpenAI, Aleph Alpha, Cohere, Anthropic y Hugging Face.<\/p>\n \u201cOpenAI entrena todos los modelos en pesos y sesgos. Con cientos de empleados ejecutando miles de experimentos, es fundamental que OpenAI tenga una forma de probar, identificar problemas y depurar sus modelos r\u00e1pidamente\u201d, dijo Shukla. \u201cOpenAI tambi\u00e9n tiene que hacer muchas ejecuciones de entrenamiento en peque\u00f1os subconjuntos de sus datos. Gracias a Weights & Biases, pudieron entrenar GPT-4 m\u00e1s r\u00e1pido\u201d.<\/p>\n M\u00e1s all\u00e1 de la cohorte de IA generativa, Weights & Biases tiene 700 000 usuarios (frente a los 100 000 de 2021) y m\u00e1s de 1000 usuarios de pago. Mientras tanto, su equipo ha crecido a m\u00e1s de 200 personas, la mayor\u00eda con sede en su sede en San Francisco.<\/p>\n Weights & Biases tiene como objetivo hacer crecer a\u00fan m\u00e1s esa base de clientes con Prompts, su nuevo producto aludido, que permite a los usuarios consultar los resultados de un LLM y ajustar los propios LLM.<\/p>\n \u201cLos LLM pueden reducir la cantidad de personas que necesita para entrenar modelos, pero aumentar\u00e1n la cantidad de personas que las empresas necesitan para ajustar, interactuar y crear aplicaciones con esos modelos\u201d, dijo Shukla. \u201cEl objetivo de Prompts tambi\u00e9n es servir a una nueva clase de usuarios y cambiar la forma en que los grandes laboratorios crean modelos de aprendizaje autom\u00e1tico. Adem\u00e1s de los ingenieros y afinadores r\u00e1pidos, los investigadores y las empresas que construyen modelos internos \u00fanicos tendr\u00e1n m\u00e1s herramientas para mejorar sus modelos\u201d.<\/p>\n En cuanto a Weights & Biases, tendr\u00e1 una raz\u00f3n para continuar desarrollando su suite MLOps.<\/p>\n<\/p><\/div>\n