شراكة Comet مع Snowflake لتعزيز إمكانية تكرار مجموعات بيانات التعلم الآلي
أعلنت منصة MLOps Comet اليوم عن شراكة إستراتيجية مع Snowflake تهدف إلى تمكين علماء البيانات من بناء نماذج تعلُّم آلي فائقة (ML) بوتيرة متسارعة.
قال Comet أن التعاون سيمكن دمج حلول Comet في منصة Snowflake الموحدة، مما يتيح للمطورين تتبع وإصدار استعلامات Snowflake ومجموعات البيانات الخاصة بهم داخل بيئة Snowflake الخاصة بهم.
يقول Comet أن هذا التكامل سيمكن من تتبع نسب وأداء النموذج، مما يوفر رؤية وفهم أكثر من عمليات التطوير التقليدية. سيكون له أيضًا تأثير على أداء النموذج استجابة للتغيرات في البيانات.
بشكل عام، تعتقد الشركة أن استخدام بيانات Snowflake في منصة Comet سيؤدي إلى عملية تطوير نموذج مبسطة وأكثر شفافية.
تدريب نموذج أسرع ونشره ومراقبته
ستسمح منصة Snowflake’s Data Cloud وComet’s ML مجتمعة للعملاء ببناء النماذج وتدريبها ونشرها ومراقبتها بشكل أسرع، وفقًا للشركات.
“بالإضافة إلى ذلك، تعزز هذه الشراكة حلقة تغذية مرتدة بين تطوير النموذج في Comet وإدارة البيانات في Snowflake ،” قال الرئيس التنفيذي لشركة Comet ، جيديون مندلز لـ VentureBeat.
قال مندلز إن دمج مثل هذه الحلقة يمكن أن يحسن النماذج باستمرار وسد الفجوة بين تجربة النماذج ونشرها، والوفاء بالوعد الرئيسي لـ ML – القدرة على التعلم والتكيف بمرور الوقت.
وقال إن النسخ الواضح بين مجموعات البيانات والنماذج سيمكن المؤسسات من معالجة تغييرات البيانات بشكل أفضل وتأثيرها على النماذج في الإنتاج.
يأتي عرض Comet الجديد بعد إصداره الأخير لمجموعة من الأدوات والتكاملات المصممة لتسريع سير العمل لعلماء البيانات الذين يعملون مع نماذج اللغات الكبيرة (LLMs).
تحسين نماذج ML من خلال التغذية الراجعة المستمرة
عندما يقوم علماء البيانات أو المطورون بتنفيذ استعلامات لاستخراج مجموعات البيانات من Snowflake لنماذج ML الخاصة بهم، سيكون Comet قادرًا على تسجيل هذه الاستعلامات وإصدارها وربطها مباشرةً بالنماذج الناتجة.
قال مندلز إن هذا النهج يوفر العديد من المزايا، بما في ذلك زيادة قابلية التكرار والتعاون وقابلية التدقيق والتحسين التكراري.
وأوضح أن “التكامل بين Comet وSnowflake يهدف إلى توفير إطار عمل أكثر قوة وشفافية وفعالية لتطوير ML من خلال تمكين تتبع وإصدار استعلامات Snowflake ومجموعات البيانات داخل Snowflake نفسها”.
“من خلال تعيين إصدارات من استعلامات SQL ومجموعات البيانات، يمكن لعلماء البيانات دائمًا تتبع النسخة الدقيقة من البيانات التي تم استخدامها لتدريب إصدار نموذج معين. هذا أمر بالغ الأهمية لإمكانية إعادة إنتاج النموذج “.
تتبع التغييرات في أداء النموذج لتعديلات البيانات
في ML، تعد بيانات التدريب بنفس أهمية النموذج نفسه. يمكن أن تؤثر التغييرات في البيانات، مثل إدخال ميزات جديدة أو معالجة القيم المفقودة أو تعديل توزيعات البيانات، بشكل عميق على أداء النموذج.
يقول Comet أنه من خلال تتبع نسب النموذج، يصبح من الممكن إنشاء علاقة بين التغييرات في أداء النموذج والتعديلات المحددة في البيانات.
هذا لا يساعد فقط في تصحيح الأخطاء وفهم الأداء، بل يوجه جودة البيانات وهندسة الميزات.
قال مندلز إن تتبع الاستعلامات والبيانات بمرور الوقت يمكن أن يخلق حلقة تغذية مرتدة تقود التحسينات المستمرة في كل من إدارة البيانات ومراحل تطوير النموذج.
قال مندلز: “يمكن لسلالة النموذج أن تسهل التعاون بين فريق من علماء البيانات، لأنها تسمح لأي شخص بفهم تاريخ النموذج وكيف تم تطويره دون الحاجة إلى توثيق مكثف”.
“هذا مفيد بشكل خاص عندما يغادر أعضاء الفريق أو عندما ينضم أعضاء جدد إلى الفريق، مما يسمح بنقل المعرفة بسلاسة.”
ما التالي بالنسبة للمذنب؟
تدعي الشركة أن العملاء الذين يستخدمون Comet حاليًا – مثل Uber وEtsy وShopify – يبلغون عادةً عن تحسن بنسبة 70٪ إلى 80٪ في سرعة ML.
قال مندلز: “يرجع هذا إلى دورات البحث الأسرع، والقدرة على فهم أداء النموذج واكتشاف المشكلات بشكل أسرع، وتحسين التعاون والمزيد”.
“مع الحل المشترك، يجب أن يزداد هذا بشكل أكبر حيث لا تزال هناك تحديات اليوم في بناء الجسور بين النظامين.
يوفر العملاء تكاليف الدخول والاستهلاك عن طريق الاحتفاظ بالبيانات داخل Snowflake بدلاً من نقلها عبر الأسلاك وحفظها في مواقع أخرى “.
قال مندلز أن كوميت تهدف إلى ترسيخ نفسها كمنصة تطوير للذكاء الاصطناعي بحكم الواقع.
وقال: “وجهة نظرنا هي أن الشركات لن ترى قيمة حقيقية من الذكاء الاصطناعي إلا بعد أن تنشر هذه النماذج بناءً على بياناتها الخاصة”.
“سواء كانوا يتدربون من البداية، أو يقومون بضبط نموذج OSS أو يستخدمون حقن السياق في ChatGPT ، فإن مهمة Comet هي جعل هذه العملية سلسة وسد الفجوة بين البحث والإنتاج.”
المصدر: venturebeat
إقراء ايضا:
