Weights and Biases recientemente recaudó 45 millones de dólares desde Insight Partners. Estoy totalmente impresionado de lo rápido que hemos crecido y quería tomarme un momento para apuntar por qué Shawn, Chris y yo decidimos arrancar esta compañía, y hacia dónde iremos desde aquí.

En Weights and Biases nuestra misión es simple: construir herramientas magníficas para los practicantes del Aprendizaje de Máquinas (ML). Podemos hacer esto excepcionalmente bien porque 1) una vez nosotros mismos fuimos practicantes de ML, 2) hemos estado construyendo herramientas para los practicantes de ML durante los últimos veinte años y 3) constantemente estamos oyendo las necesidades de los practicantes de ML de forma cuidadosa.

Aspiramos a construir herramientas confiables, con integraciones simples, pero sin nada mágico. Queremos construir herramientas que mejoren notablemente el día a día de los practicantes, mientras que, a la vez, ayuden a los equipos a mejorar la colaboración y la transparencia.

Antes de continuar, si aún no has probado nuestras herramientas de seguimiento de experimentos o de búsqueda de hiperparámetros, ¡deberías hacerlo! Con menos de cinco líneas de código de integración puedes rastrear, visualizar y compartir todos tus experimentos de ML. Puedes probar un tablero de control de muestra para observar cómo se ve, o encontrar montones de ejemplos en nuestra galería.

Por qué amamos construir productos para los practicantes de ML

Oímos muchas afirmaciones idealistas acerca de lo que puede hacer ML. Puede que no creas en todas estas afirmaciones acerca de los vehículos autónomos, pero no puedes negar que el trabajo de Blueriver para reducir el uso de pesticidas con visión por computadoras o los avances recientes de Deep Mind en el plegamiento de proteínas, muestran que los algoritmos de ML tienen el potencial para enriquecer nuestras vidas, para ayudar con la sustentabilidad del entorno y para curar enfermedades.

Una de las mayores razones por las que soy optimistas respecto al aprendizaje de máquinas es que he trabajado con la comunidad de ML durante las últimas dos décadas y, por lo general, son un grupo de personas increíblemente reflexivas e idealistas – emocionadas acerca de construir cosas para ayudar a la humanidad e impactar al mundo de forma positiva.

Las herramientas realmente buenas para los practicantes de ML pueden acelerar la creación de modelos útiles para el aprendizaje de máquinas, y ayudan a asegurar que el aprendizaje de máquinas sea una fuerza positiva.

Sesión de comentarios acerca del producto con Peter Welinder en OpenAI

Por qué las herramientas del aprendizaje de máquinas son tan importantes ahora mismo

El aprendizaje de máquinas a pasado de ser un tema mayormente en el ámbito de la investigación, a una tecnología con la que interactuamos diariamente, que involucra a casi todas las industrias del planeta, en menos de una década. Las herramientas y los procesos de trabajo orientados a la producción no están a la altura. El software ha tenido que refinar los procesos de trabajo y las herramientas de los desarrolladores por más de cincuenta años, principalmente para la estabilidad, y aún así seguimos encontrando errores todos los días.

El aprendizaje de máquinas, especialmente el aprendizaje profundo, se ve como un software en el sentido en el que se ejecuta sobre una computadora, pero rompe muchas de las suposiciones que hemos utilizado en el mundo del software. A diferencia del software tradicional, los modelos de aprendizaje de máquinas no tienen una lógica que se pueda explicar fácilmente. A diferencia del software tradicional, los modelos de aprendizaje de máquinas son enormes y no se hacen comparaciones respecto a la diferencias entre los archivos (diff) de forma incremental, así que los controles de versiones tradicionales no funcionan bien. A diferencia del software tradicional, los modelos de aprendizaje de máquinas se construyen mejor sobre chips, GPUs, y ahora TPUs exóticos, reduciendo a todas las abstracciones de la pila del software – hardware, sistema operativo, aplicación de biblioteca – a su nivel más bajo. La lista continúa.

En la práctica, lo que esto significa es que la mayoría de los practicantes del aprendizaje de máquinas, y los equipos que intentan construir sistemas de producción seguros, confiables y auditables, terminan construyendo sus propias herramientas a medida para cosas que ya fueron resueltas por aplicaciones de software hace varias décadas atrás. Por ejemplo, no podría existir una compañía en el planeta que distribuyera su software en producción sin tener alguna clase de control de versiones. Pero la mayoría de los equipos de aprendizaje de máquinas de Fortune 500 no están usando control de versiones de forma sistemática, lo cual hace que sea sorprendentemente complicado trazar sobre qué datos fue entrenado un modelo o inclusive cuál era el modelo que estaba corriendo en producción en un momento dado.

Esto es más que inconveniente para los constructores de los modelos. En definitiva, cuando los modelos no son rastreados de forma sistemática, es imposible decir que los mismos sean seguros.

Por qué las herramientas de Weights and Biases son únicas

Pienso que podemos resolver estos problemas realmente bien.

El primer grupo de compañías en MLOps se enfocó en una venta vertical, convenciendo a los responsables de ingeniería de que podrían resolver sus problemas de reproducibilidad y fiabilidad con una plataforma integral. Siempre y cuando todo el equipo se convenciera de la plataforma y del proceso, eran posibles muchas mejoras.

Pero los grandes practicantes del aprendizaje de máquina se sienten restringidos con una plataforma integral. Las mejores practicas del aprendizaje de máquinas cambian rápidamente y ninguna compañía puede resolver todos los problemas. Las compañías más exitosas de las últimas décadas, respecto al enfoque en los desarrolladores de software, como Github y Data Dog, no funcionan de esta forma. Ellas resuelven un problema específico y se enfocan en ofrecer una gran experiencia a los desarrolladores, no a los ejecutivos. Al final del día, el motivo de preocupación más grande del ejecutivo de software es mantener felices a sus desarrolladores. En el aprendizaje de máquinas, esto es aún más que verdadero. Si tu compañía no utiliza las herramientas que aman los practicantes del aprendizaje de máquinas, no vas a tener oportunidades de tener a un gran equipo de ML. Esto es por lo que pienso que una venta vertical no va a funcionar en MLOps y, a la larga, estas compañías no van a tener éxito.

Para mí, al próximo grupo de compañías en MLOps se las ve como a productos construidos por equipos de desarrolladores, para equipos de desarrolladores. Ellos asumen un entendimiento detallado de cómo funcionan el hardware y el software de bajo nivel.

Cuando más orgulloso me siento de nuestra herramienta es cuando veo cómo estamos apoyando y sistematizando los patrones de colaboraciones informales ya emergiendo en los equipos de ML – un ejemplo de esto queda expuesto en La Ciencia de la Depuración con los Reportes de W&B, donde Sarah Jane muestra en detalle cómo Latent Space utiliza nuestra herramientas para construir mejores modelos.

Hacia dónde vamos desde aquí

Ahora mismo, hay una necesidad ferviente de mejores herramientas. Nuestro financiamiento nos permite atender estas necesidades tan rápidamente como podamos, mientras construimos software de alta calidad.

Weights and Biases empezó como una herramienta de seguimiento de los experimentos, y estamos realmente orgullosos de la cantidad de personas que han confiado en ella. Al mismo tiempo, nuestros usuarios están pidiéndonos constantemente que resolvamos otros puntos críticos de sus trabajos diarios.

Queremos abordar a tantos problemas relacionados al proceso de trabajo de los practicantes de ML como podamos. El último año lanzamos los barridos, una herramienta liviana para la optimización de los hiperparámetros, y presentamos a los artefactos, un sistema de versionado que puede ser usado para hacer el seguimiento de los modelos y de los conjuntos de datos. Este año planeamos estrenar una herramienta de evaluación de modelos y de visualización de las predicciones, y tenemos muchísimo más sobre lo que trabajar.

Somos uno de los primeros líderes del mercado, dado nuestro incesante empuje por entender a nuestros clientes y por hacer algo útil. Si estás interesado en unirte a nosotros, prueba nuestras herramientas, o déjanos un comentario acerca de las mismas, nos encantaría hablar contigo. Algunos lugares desde donde puedes empezar:

• Trabajos – Aplica para un trabajo
• Documentación – Aprende más acerca de nuestras herramientas
• Colab – Prueba nuestras herramientas
• Comunidad de W&B – Únete a nuestra comunidad amigable en slack
• Solicita una Demostración – Solicita una demostración para tu equipo de ML