הפלטפורמה של הסטארטאפ הישראלי MissingLink.ai מתמקדת בפתרון בעיות המשנות את העולם באמצעות DeepOps
מאת: מערכת Telecom News, 26.9.18, 14:50
 
כש-DevOps הופך ל-DeepOps: הפלטפורמה מאיצה את התקדמות הלמידה העמוקה למימוש תוצאות עסקיות במהירות, מבטלת את העבודה השחורה של הלמידה העמוקה, ומאפשרת לארגונים ליצור ולהפוך לאוטומטית את למידת המכונה שלהם בקצב מהיר. בדומה ל-DevOps, DeepOps מדגיש את החשיבות של פרקטיקות שילוב והספקה הייעודיות לזרימות העבודה של למידת מכונה. כעת יש גרסה בחינם.

הסטארטאפ MissingLink.ai, הוקם ב-2016 ע"י  יוסי תאגורי (CEO), שי ארליכמן (CTO), רהב לוסטו (Lead Developer) וג'ו סולומון (VP Product).

MissingLink.ai הושקה כפלטפורמת למידה עמוקה מקיפה לניהול מחזור החיים, שמאפשרת למדעני ומהנדסי נתונים לקצר משמעותית את הזמן הלוקח לאמן ולספק תוצאות עסקיות אפקטיביות. היא עוזרת למהנדסי נתונים לייעל ולהפוך לאוטומטי את כל מחזור הלמידה העמוקה: נתונים, קוד, ניסויים ומשאבים. היא מבטלת את העבודה השחורה ומקצרת משמעותית את הזמן שלוקח לאמן ולספק מודלים יעילים. MissingLink היא חלק מ-Samsung NEXT.

כשמצלמות נמצאות בבתים, בשטחי קמעונאות ובכיס של כל אדם כמעט, הכמות של נתוני תמונות ווידאו HD יוצרת ערכת נתונים לא מובנית הגדלה במהירות. IDC חוזה, שכמות הנתונים הגלובליים, שנתונים לניתוח נתונים, תגדל פי 50 ל-5.2 זטה-בייט ב-2025.

בה בעת, למידת מכונה מבטיחה להציל ולשפר חיים באופנים מעמיקים: זיהוי טוב יותר של סרטן ומחלות לב באמצעות דימות רפואי, דרכים בטוחות יותר באמצעות רכב אוטונומי, מרחבים ציבוריים בטוחים יותר באמצעות מצלמות קהל וגוף, קניות קלות יותר בשיטת חטוף ולך.

היו הרבה דיבורים על ההבטחה של למידת מכונה לשחרר את הערך של אוסף הנתונים הזה הגדל כל הזמן, אבל האמת היא, שכיום הערכת נתונים גוזלת יותר מדי זמן וכסף. מהנדסים מבזבזים יותר מדי זמן בניהול הכמות העצומה של נתונים במקום באמת ללמוד מהם ולחולל שינויים.

מדעני הנתונים האלה, שמאוד מבוקשים, למעשה, מוציאים את זמנם בעשיית מה שיכול להיחשב DevOps, אבל הם יותר מכוונים למשימה של למידה עמוקה. פעולות למידה עמוקה -- DeepOps -- שילוב חדש של פילוסופיות תרבותיות, פרקטיקות וכלים למפתחי בינה מלאכותית, יאפשר לארגונים ליצור ולהפוך לאוטומטית את למידת המכונה שלהם בקצב מהיר יותר. בדומה ל-DevOps, DeepOps מדגיש את החשיבות של פרקטיקות שילוב והספקה הייעודיות לזרימות העבודה של למידת מכונה.

תפסיקו לבזבז זמן על משימות נחותות, תתמקדו בפתרון בעיות
הסטארטאפ הישראלי MissingLink הוקם מתוך רצון להפוך את הבעיה הזאת, כדי לאפשר לצוותים של מדעני ומהנדסי נתונים לנצל את הזמן שלהם לפתרון בעיות, שמשנות את העולם, במקום לעשות משימות נחותות.

יוסי תאגורי, מייסד משותף של MissingLink.ai: " אנו נמצאים בנקודת מפנה עם כל הנתונים, שאנו צריכים כדי לפתור בעיות באמת חשובות, כמו להציל חיים באמצעות גילוי סרטן ולאפשר נהיגה יותר בטוחה וחכמה ברחובות. אבל לעבור על כל הנתונים האלה כדי למצוא מהם את המשמעות, זה קשה ודורש יותר מדי כוח אדם. MissingLink מאפשרת לכל מהנדס לבנות מכונות בינה מלאכותית מורכבות באופן, שלא היה אפשרי קודם. אנו מסלקים הרבה מהעבודה השחורה.כך, שהם יכולים להתמקד בעניינים היותר חשובים".

איך MissingLink עוזרת למהנדסי נתונים
פיתוח והפעלה של זרימת עבודה של למידה עמוקה צורכים הרבה משאבים וזמן. צריך לנהל הרבה ערכות נתונים וגרסאות של מודלים, כולל נתונים, ניסויים, משאבי חישוב וקוד.

באמצעות MissingLink, צוותי נתונים יכולים:

• להתחיל עם 3 שורות של קוד: הגדרת ניסוי מצריכה עבודה מייגעת הכוללת ניתוח תחבירי של היומן, העתקת נתונים, ניהול מכונות, ביצוע ניסויים ידנית ורישום הניתוח ביומן. עם MissingLink, 3 שורות קוד בלבד מאפשרות ללא מאמץ לשלב קוד, נתונים ותשתית קיימת.
• לנהל נתונים כמו בקרת מקורות: בינה מלאכותית היא אחד התחומים בחוד החנית של מדעי המחשב, אבל הענף עדיין משתמש באותם כלים ותיקים כמו מערכות קבצים. MissingLink מציעה אחסון נתונים המודע לגרסה, שמבטל את הצורך להעתיק קבצים ורק מסנכרן שינויים בנתונים, והתוצאה היא זמן הטענה קצר יותר וחקירת נתונים פשוטה.
• להגיע לתוצאות מהר יותר: צריך להגדיר את הסביבה והמשאבים הנחוצים כדי לבצע ניסויים בקנה מידה גדול רק פעם אחת. אפשר להתקין ניסויים, שיפעלו מראש באופן אוטומטי עם יכולת להגדיל / להקטין אוטומטית משאבים לפי הצורך. MissingLink מאפשרת ניטור קל עם מעקב בזמן אמת אחרי ניסויים באמצעות דשבורדים חזותיים, שמאפשרים יכולת לקבל החלטות בזמן אמת.
• לשכפל ניסויים בקלות: היכולת לשכפל ניסויים קריטית להבנת בעיות ומיטוב פתרונות. MissingLink עוקבת אוטומטית אחרי כל הנתונים, הניסויים והקוד, ומאפשרת לשכפל בקלות כל ניסוי בכל זמן.
• להגביר פרודוקטיביות: כשצוותים מבצעים ניסויי למידה עמוקה, הם צריכים לעקוב ולנהל אין ספור אלמנטים, גרסאות ונתונים. זו עבודה חוזרת ומעייפת, שגם מאוד מתסכלת אנשים וגם מבזבזת זמן וכסף לארגון. עם MissingLink, חלק מהלקוחות הצליחו לבצע פי עשרה יותר ניסויים באותו זמן, ואפילו לבצע עשרות ניסויים בו-זמנית.
• לנהל משאבים היברידיים באמצעות פקודה אחת: MissingLink מאפשרת לצוותים לנהל משאבי ענן מקומי וציבורי כסביבה אחת, ומאפשרת להגדיל ולהקטין את משאבי החישוב בגמישות לפי הצורך.
• לשמור נתונים וקוד: אין צורך להעלות את הנתונים והקוד של הניסויים. MissingLink שומרת על האבטחה והפרטיות שלהם ועוזרת להבטיח ציות של הענף.
• לטפל בקלות בערכות נתונים בקנה מידה גדול: פרויקטי למידה עמוקה של ראיית מחשב מביאים אתגרים נוספים. הגודל של קובצי תמונות ווידאו מאוד גדולים מייקר את האחסנה שלהם וביצוע ניסויים עליהם יכול לקחת הרבה מאוד זמן. MissingLink מספקת ניהול נתונים בקנה מידה גדול, שמאפשר לחברות להחזיק את הנתונים שלהן באתר הפיזי ולהתאים את השימוש בניסויים עם השינויים בצרכים.

עידן בסוק, מנהל הבינה המלאכותית באיידוק, שמפתחת תוכנה מבוססת בינה מלאכותית, שאושרה ע"י FDA לדימות רפואי: "MissingLink.ai היא מה שהיינו צריכים בשביל למידה עמוקה בקנה מידה גדול. אנו מעסיקים כישרונות מובילים במדע הנתונים כדי להתמקד באלגוריתמים והנדסה באיכות גבוהה. ביצוע עשרות ניסויים ביום מצריך שעות של עבודת DevOps, תחזוקה וזמן סרק. הפתרון של MissingLink מאפשר 10 דקות של הכנה ולחיצה על לחצן".

טור עברי, מייסד וסמנכ"ל טכנולוגיות של ננית, יצרנית של מוניטור לתינוקות חכם המשתמש בלמידה עמוקה וראיית מחשב: "בכל חודש אנו מבצעים מאות ניסויים על מיליוני נתונים של תמונות. MissingLink היא אחד הפתרונות היחידים לניהול נתונים, שיכול לטפל בגודל הזה, חוסך לנו הרבה זמן והופך את ניהול גרסאות הנתונים למאוד קל".

פלטפורמת הלמידה העמוקה של MissingLink זמינה כעת ומתחילה בגרסה חינם שניתן להגדיל עם ההתפתחות - כאן.