Apesar do rápido crescimento, apenas metade dos modelos de aprendizado de máquina é bem-sucedida na produção, exigindo melhorias para garantir o sucesso.
Dados os recentes avanços importantes no aprendizado de máquina, não é surpresa que o mercado de tecnologia tenha experimentado um crescimento notável nos últimos meses, com um aumento projetado de US$ 26 bilhões em 2023 para US$ 226 bilhões. em 2030.
Apesar desse progresso, apenas metade dos modelos de aprendizado de máquina atingem a produção com sucesso, e aqueles que o fazem, muitas vezes encontram problemas como exceder os limites de tempo e orçamento ou apresentar falhas significativas. Esses desafios ressaltam a necessidade de melhorias na maioria dos modelos de aprendizado de máquina.
Deepchecks, formado pelo programa acelerador Intel Ignite da Intel, visa corrigir esse problema. A empresa anunciou a disponibilidade de sua solução para validação contínua de aprendizado de máquina, tendo garantido US$ 14 milhões em financiamento inicial.
As organizações estão adotando cada vez mais o aprendizado de máquina e integrando-o em seus processos de produção, seguindo ciclos de desenvolvimento semelhantes aos de software. Embora o desenvolvimento de software clássico tenha estabelecido processos e ferramentas para entrega de projetos pontuais e de qualidade ao longo de várias décadas, o aprendizado de máquina apresenta complexidades adicionais devido a seus múltiplos componentes e falta de transparência.
Avanço da tecnologia de aprendizado de máquina
Para impulsionar o aprendizado de máquina, podem ser aplicadas metodologias de teste e validação do desenvolvimento de software. O Deepchecks visa auxiliar profissionais, desenvolvedores e outras partes interessadas, indo além das tradicionais operações de aprendizado de máquina (MLOps) e fornecendo visibilidade e confiança em todo o ciclo de vida do aprendizado de máquina, desde o desenvolvimento até a implantação e operação na produção.
“Faz pouco sentido implantar e monitorar software que não tenha sido testado completa e sistematicamente primeiro”, disse o cofundador e CEO da Deepchecks, Philip Tannor, em um comunicado à imprensa. “No entanto, é isso que acontece hoje com os aplicativos de aprendizado de máquina. O Deepchecks traz uma nova abordagem para MLOps, melhorando os modelos adicionando validação a cada etapa do ciclo de vida do aprendizado de máquina.”
O cofundador e CTO do Deepchecks, Shir Chorev, disse: “O Deepchecks apresenta uma estrutura MLOps orientada para a comunidade que permite que as pessoas, de cientistas de dados e desenvolvedores a executivos de nível C, tenham uma imagem clara de como os aplicativos de aprendizado de máquina se comportam, desde a pesquisa até a produção .”
Yuval Rozio, diretor da Alpha Wave Ventures, destacou a importância da garantia de qualidade no aprendizado de máquina.
“A garantia de qualidade [QA] é frequentemente atribuída a pessoas que estão no início de suas carreiras”, disse ele. “No aprendizado de máquina, no entanto, geralmente é a pessoa mais sênior e mais bem paga da sala que recebe a tarefa. Isso porque, ao contrário de outros domínios, o controle de qualidade ainda não foi sistematizado para aprendizado de máquina, portanto, continua sendo uma arte obscura. A Deepchecks está aqui para resolver isso, levando o aprendizado de máquina e os negócios adiante.”
Source: Jerusalem Post
