GitHub dla uczenia maszynowego. Amerykanie mocno podekscytowani pomysłem Polaków
Software development jest mniej więcej 10 lat przed machine learning – mówi Piotr Niedźwiedź, współtwórca Neptune.ai. Jego firma ma dać data scientistom taki poziom kontroli nad budową i dostarczaniem modeli, jaki mają programiści tworzący oprogramowanie.
Jakie, największe wyzwanie towarzyszy dziś specjalistom uczenia maszynowego?
Wytworzenie realnej wartości dla biznesu
– mówi w rozmowie z Bizblog.pl Piotr Niedźwiedź.
Przedsiębiorca podkreśla, że coraz więcej zespołów otwiera modele machine learning na świat, udostępniając je użytkownikom. Pozwala to na wyjście poza fazę proof-of-concept, ale wymaga również większej kontroli.
Świat software development od lat jest w miejscu, w którym aplikacje są komercyjnie dostępne dla użytkowników. Dlatego narzędzia i procesy dostarczania oprogramowania szybko i bezpiecznie są dojrzałe
– dodaje Niedźwiedź.
Dojrzały jest np. rynek DevOps. Jego odpowiednik w świecie machine learning, MLOps, jest młody, choć dynamicznie rośnie. Coraz więcej firm wykorzystuje uczenie maszynowe, a standardy wykuwają się każdego dnia.
Uczenie maszynowe nie jest dziś również domeną samotnych wilków, które samodzielnie eksperymentowałyby z nowymi algorytmami. Pracują nad nimi całe zespoły, jak np. wewnątrz firmy wewnątrz deepsense.ai. To właśnie jej inżynierowie napisali prostą wersję narzędzia na własne potrzeby. Dopiero później przerodziła się ona w Neptune.ai.
Neptune.ai pomoże zapanować nad chaosem
Mówiąc w dużym uproszczeniu, jeśli stworzymy oprogramowanie i ono działa, zwykle ta konkretna wersja będzie po prostu działać. W przypadku machine learning, żeby zbudować działający model, najpierw potrzeba wielu iteracji uczenia go, w różnych konfiguracjach. To są czasem tysiące eksperymentów, konfiguracji, wersji kodu, wersji środowiska, wersji danych
– podkreśla Piotr Niedźwiedź.
Przy dużej skali projektach nie da się tym zarządzać bez odpowiedniego narzędzia. Zwłaszcza, jeśli weźmiemy pod uwagę, że wielu ludzi pracujących w machine learning to nie programiści, a naukowcy.
Naukowcy świetnie rozumieją jak działają bardzo skomplikowane modele matematyczne stojące za machine learning, ale nie znają dobrych praktyk programowania
– właśnie to zdaniem Niedźwiedzia wiąże się z koniecznością wykorzystania zewnętrznego narzędzia.
Doskonale obrazują to liczby, którymi chwali się startup. Z narzędzia korzysta ponad 20 tys. inżynierów machine learning i specjalistów data science. Część z nich pozostaje na planie darmowym, który wystarcza do prywatnych projektów, jednak firmie udało się pozyskać również ponad 100 płacących klientów, m.in. Roche, The New Yorker, NNAISENSE, InstaDeep i polski startup Brainly.
Nasi klienci to firmy tworzące systemy do autonomicznych samochodów, zespoły badawcze z takich uczelni jak Berkley czy Harvard, czy najlepsze startupy z listy Top 100 AI startups. Zanotowaliśmy też 4-krotny wzrost przychodów w 2021 roku. Średnie użycie w ciągu ostatnich 12 miesięcy wzrosło ośmiokrotnie
– dodaje Niedźwiedź.
Firma znalazła się na liście Top 100 startupów AI wartych obserwowania jako jeden z sześciu reprezentantów Europy i jedyny startup z Polski. Pokazuje to, że Polacy o rynek rywalizują głównie z firmami z USA. Właśnie dlatego na rozwój potrzebują pieniędzy. Te zapewnić ma zamknięta właśnie runda A, której przewodził fundusz Almaz Capital. W rundzie finansowania udział wzięli także dotychczasowi inwestorzy – fundusze btov Partners, Rheingau Founders i TDJ Pitango.
32 mln zł na rozwój narzędzia i ekspansję zagraniczną
W naszym świecie świetny produkt jest absolutnie kluczowy, bo inżynierowie są bezlitośni dla wykorzystywanych narzędzi. Dlatego będziemy silnie inwestować w jego rozwój, a w tym celu będziemy rozbudowywać zespół inżynierski i produktowy
– planuje szef firmy.
Dziś Neptune.ai liczy 30 osób, ale ta liczba ma się podwoić w tym roku. Jako że sam produkt to nie wszystko, szuka specjalistów od marketingu, sprzedaży, a także odpowiedzialnych za opiekę nad klientem.
