Η Weights & Biases, η οποία μετράει το OpenAI ως πελάτη, κερδίζει 50 εκατομμύρια δολάρια

Μία από τις πιο παραγωγικές πλατφόρμες ανάπτυξης τεχνητής νοημοσύνης και μηχανικής μάθησης,

Βάρη & Προκαταλήψεις

εξασφάλισε μια νέα δόση μετρητών από τον πρώην CEO του GitHub, Nat Friedman και τον πρώην συνεργάτη του Y Combinator, Daniel Gross.

Ο Friedman και ο Gross, μαζί με τους υπάρχοντες επενδυτές Coatue, Insight Partners, Felicis, Bond, BloombergBeta και Sapphire, επένδυσαν 50 εκατομμύρια δολάρια στο Weights & Biases σε έναν στρατηγικό γύρο που αποτιμά την εταιρεία στα 1,25 δισεκατομμύρια δολάρια. Ανεβάζοντας το συνολικό ποσό της startup που συγκεντρώθηκε στα 250 εκατομμύρια δολάρια, η επένδυση έρχεται καθώς η Weights & Biases ετοιμάζεται να κυκλοφορήσει το Prompts, ένα νέο προϊόν που έχει σχεδιαστεί για να βοηθά τους χρήστες να παρακολουθούν και να αξιολογούν την απόδοση των μεγάλων γλωσσικών μοντέλων (LLM) σύμφωνα με το GPT-4 του OpenAI.

Η επένδυση των 50 εκατομμυρίων δολαρίων είναι πολύ μικρότερη από την προηγούμενη σειρά της Weights & Biases, τη Series C, η οποία έφτασε στα 135 εκατομμύρια δολάρια περίπου. Αλλά η Lavanya Shukla, αντιπρόεδρος ανάπτυξης της Weights & Biases, το περιέγραψε ως ευκαιριακό.

«Πιστεύουμε ότι η παροχή εργαλείων μηχανικής εκμάθησης στους εργαζομένους θα πρέπει να είναι επιτραπέζια για τους CTO και τις ομάδες τους», είπε στο TechCrunch σε μια συνέντευξη μέσω email. «Αντιμετωπίζοντας τις δοκιμές, την ασφάλεια και την αξιοπιστία, το Weights & Biases βρίσκεται σε ένα κρίσιμο σημείο κατά την ανάπτυξη ενός επιτυχημένου μοντέλου μηχανικής μάθησης».

Ο Lukas Biewald και ο Chris Van Pelt συνίδρυσαν το Weights & Biases το 2017, αφού πέρασαν χρόνια δουλεύοντας σε εργαλεία για μηχανικούς μηχανικής μάθησης και επιστήμονες δεδομένων. Οι δύο κυκλοφόρησαν στο παρελθόν το Figure Eight, παλαιότερα γνωστό ως CrowdFlower, για να στρατολογήσουν crowdworkers για να επισημάνουν τα δεδομένα εκπαίδευσης για αλγόριθμους μηχανικής μάθησης. (Το Figure Eight αποκτήθηκε από την Appen το 2019 για 175 εκατομμύρια δολάρια.)

«Οι δύο εντόπισαν ένα μεγαλύτερο πρόβλημα: ότι οι επαγγελματίες μηχανικής μάθησης δεν είχαν ένα εξαιρετικό σύστημα καταγραφής για τα πειράματά τους», είπε η Shukla. «Αυτή η εξαιρετικά πειραματική αλλά κρίσιμη επιστήμη καταγραφόταν σε υπολογιστικά φύλλα και υποβαθμισμένα στιγμιότυπα οθόνης».

Έτσι, ο Biewald και ο Van Pelt ένωσαν τις δυνάμεις τους με τον προγραμματιστή Shawn Lewis, απόφοιτο της Google, σε μια προσπάθεια να λύσουν αυτό το πρόβλημα. Κατά τη διάρκεια των επόμενων αρκετών ετών, δημιούργησαν το MVP για Weights & Biases: ροές εργασίας για την υποστήριξη του κύκλου ζωής ανάπτυξης μηχανικής μάθησης.

Το Weights & Biases καταλαμβάνει μια κατηγορία πλατφορμών γνωστών ως MLOps ή λειτουργίες μηχανικής μάθησης, οι οποίες επιτρέπουν στους επιστήμονες δεδομένων να δημιουργούν νέα μοντέλα μηχανικής μάθησης και να τα τρέχουν μέσω επαναλαμβανόμενων, αυτοματοποιημένων ροών εργασίας που τα αναπτύσσουν στην παραγωγή. Καθώς η ζήτηση για τεχνητή νοημοσύνη έχει αυξηθεί, τόσο αυξάνεται και η ζήτηση για πλατφόρμες MLOps. Η Allied Market Research εκτιμά ότι το τμήμα MLOps θα αξίζει 23,1 δισεκατομμύρια δολάρια μέχρι το 2023.

Νέες πλατφόρμες MLOps εμφανίζονται τακτικά. Για να αναφέρουμε μερικά, υπάρχουν οι Seldon, FedML, Qwak, Galileo, Striveworks, Arize, Comet και Tecton. Αυτό σημαίνει ότι αγνοούνται οι προσφορές από κατεστημένους φορείς όπως το Azure, το AWS και το Google Cloud.

Αλλά αυτό που διαφοροποιεί το Weights & Biases είναι η προσέγγισή του στα MLOps, ισχυρίζεται η Shukla.

Πρώτον, όλα τα προϊόντα της Weights & Biases σχεδιάστηκαν από κοινού με συνεργάτες και πελάτες σε μια προσπάθεια να διασφαλιστεί ότι ανταποκρίνονται στις ανάγκες αυτών των συνεργατών και πελατών, λέει ο Shukla. Δεύτερον, η πλατφόρμα δίνει έμφαση στα εργαλεία για την ανάκριση των συνόλων δεδομένων που χρησιμοποιούνται για την εκπαίδευση μοντέλων, επιτρέποντας στους πελάτες να ελέγχουν για ζητήματα που μπορεί να προκύψουν, όπως προκαταλήψεις και παρουσία προσωπικών πληροφοριών — ιδανικά πριν αυτά τα σύνολα δεδομένων τεθούν σε παραγωγή.

“Το Weights & Biases είναι η κορυφαία πλατφόρμα μηχανικής εκμάθησης που βοηθά τους προγραμματιστές να δημιουργήσουν καλύτερα μοντέλα γρηγορότερα”, δήλωσε ο Shukla. «Δημιουργούμε ελαφριά, διαλειτουργικά εργαλεία για γρήγορη παρακολούθηση πειραμάτων, έκδοση και επανάληψη σε σύνολα δεδομένων, αξιολόγηση απόδοσης μοντέλων, αναπαραγωγή μοντέλων, οπτικοποίηση αποτελεσμάτων και εντοπισμό παλινδρομήσεων και κοινή χρήση ευρημάτων με συναδέλφους. Αυτό επιτρέπει στους μηχανικούς μηχανικής μάθησης να επαναλαμβάνουν γρήγορα τους αγωγούς μηχανικής εκμάθησης με τη σιγουριά ότι τα σύνολα δεδομένων και τα μοντέλα τους παρακολουθούνται και εκδόσεις σε ένα αξιόπιστο σύστημα καταγραφής».

Όποια και αν είναι τα άλλα πλεονεκτήματα που έχει το Weights & Biases, η πρώτη κίνηση είναι σχεδόν σίγουρα ένα από αυτά.

Η λύση της πλατφόρμας είναι ενσωματωμένη σε πάνω από 20.000 αποθετήρια ανοιχτού κώδικα, ισχυρίζεται η Shukla και το Weights & Biases έχει αναφερθεί σε εκατοντάδες ακαδημαϊκές ερευνητικές εργασίες μηχανικής μάθησης. Είναι επίσης το σύνολο εργαλείων της επιλογής για υψηλού προφίλ, καλά χρηματοδοτούμενους κατασκευαστές μοντέλων τεχνητής νοημοσύνης, συμπεριλαμβανομένων των OpenAI, Aleph Alpha, Cohere, Anthropic και Hugging Face.

«Το OpenAI εκπαιδεύει όλα τα μοντέλα σε Weights & Biases. Με εκατοντάδες υπαλλήλους που εκτελούν χιλιάδες πειράματα, είναι σημαντικό το OpenAI να έχει έναν τρόπο να δοκιμάζει, να εντοπίζει προβλήματα και να διορθώνει γρήγορα τα μοντέλα τους», είπε ο Shukla. «Το OpenAI πρέπει επίσης να κάνει πολλές εκπαιδεύσεις σε μικρά υποσύνολα των δεδομένων του. Χάρη στο Weights & Biases, κατάφεραν να εκπαιδεύσουν το GPT-4 πιο γρήγορα.»

Πέρα από τη γενετική κοόρτη AI, το Weights & Biases έχει 700.000 χρήστες — από 100.000 το 2021 — και περισσότερους από 1.000 χρήστες που πληρώνουν. Η ομάδα της, εν τω μεταξύ, έχει αυξηθεί σε πάνω από 200 άτομα, τα περισσότερα με έδρα την έδρα της στο Σαν Φρανσίσκο.

Το Weights & Biases στοχεύει να διευρύνει περαιτέρω αυτή τη βάση πελατών με το Prompts, το υπονοούμενο νέο προϊόν του, το οποίο επιτρέπει στους χρήστες να ανακρίνουν τα αποτελέσματα ενός LLM και να προσαρμόζουν τα ίδια τα LLM.

«Τα LLM μπορεί να μειώσουν τον αριθμό των ατόμων που χρειάζεστε για να εκπαιδεύσετε μοντέλα, αλλά θα αυξήσουν τον αριθμό των ατόμων που χρειάζονται οι εταιρείες για να τελειοποιήσουν, να διασυνδέσουν και να δημιουργήσουν εφαρμογές με αυτά τα μοντέλα», είπε ο Shukla. «Ο στόχος του Prompts είναι επίσης να εξυπηρετήσει μια νέα κατηγορία χρηστών και να αλλάξει τον τρόπο με τον οποίο τα μεγάλα εργαστήρια κατασκευάζουν μοντέλα μηχανικής εκμάθησης. Εκτός από τους άμεσους μηχανικούς και τους τελειοποιητές, οι ερευνητές και οι εταιρείες που κατασκευάζουν μοναδικά εσωτερικά μοντέλα θα έχουν περισσότερα εργαλεία για να βελτιώσουν τα μοντέλα τους».

Όσο για το Weights & Biases, θα έχει έναν λόγο να συνεχίσει να δημιουργεί τη σουίτα MLOps.