Openlayer, pembuat alat untuk menguji dan memverifikasi model pembelajaran mesin, mengumpulkan $4,8 juta

Openlayer Inc., pencipta platform baru untuk menguji kecerdasan buatan dan model pembelajaran mesin, mengatakan hari ini telah menutup putaran pendanaan awal senilai $4,8 juta.

Putaran ini dipimpin oleh Quiet Capital dan melihat partisipasi dari Picus Capital, YCombinator, Hack VC, Liquid2 Ventures, Mantis VC dan sejumlah investor malaikat termasuk Mike Krieger, salah satu pendiri Instagram, salah satu pendiri Instacart Max Mullen dan banyak lainnya.

Openlayer dibuat oleh mantan insinyur pembelajaran mesin Apple Inc. Gabriel Bayomi, Rishab Ramanathan, dan Vikas Nair. Startup menjelaskan bahwa meskipun ada banyak platform pengujian perangkat lunak yang tersedia untuk pengembang, kebanyakan dari mereka dirancang untuk sistem deterministik di mana masukan yang diberikan akan menghasilkan keluaran yang diharapkan. Itu membuat mereka tidak cocok untuk model yang probabilistik. Hingga saat ini, pengembang tidak memiliki cara yang dapat diandalkan untuk menguji model tersebut, kata startup tersebut.

“Selama kami bekerja di 15 tim berbeda di Apple, kami menghadapi masalah yang sama berulang kali: Tidak ada cara standar untuk menguji dan berkolaborasi pada model pembelajaran mesin,” jelas Nair. “Karena itu, kesalahan sering kali tidak diketahui hingga setelah pengiriman, yang dapat mengakibatkan hasil yang berpotensi bencana.”

Openlayer mengubahnya, memungkinkan tim untuk secara sistematis meningkatkan model dan kumpulan data mereka sebelum dikirimkan. Misalnya, ini dapat membantu tim untuk memverifikasi integritas dataset pelatihan dan validasi, dan dapat memunculkan perbedaan yang berarti antara data pelatihan, evaluasi, dan produksi. Ini membantu memastikan model memenuhi tolok ukur kinerja target, dan memvalidasi apakah model tersebut cukup kuat untuk kasus penggunaan edge dengan menghasilkan data sintetik untuk menyuntikkan noise.

Kemampuan lain dalam Openlayer termasuk menjamin keadilan perilaku model di seluruh subpopulasi data dan melacak berbagai versi model dan kumpulan data untuk membandingkan kinerjanya. Itu juga dapat menjelaskan perilaku model dengan menampilkan aspek mana dari kumpulan data yang digunakan untuk membuat prediksi.

Sementara bot AI generatif seperti ChatGPT menghasilkan semua desas-desus dan kegembiraan akhir-akhir ini, ada kebutuhan mendesak untuk lebih banyak alat di sisi pengujian, keamanan, dan validasi AI, kata Wakil Presiden dan Analis Utama Constellation Research Inc. Andy Thurai. Dia menjelaskan bahwa pengujian dan validasi model adalah bagian penting dari setiap proses operasi pembelajaran mesin, karena visibilitas adalah pertimbangan utama untuk setiap perusahaan yang menerapkan solusi AI.

“Sebagian besar penyedia platform MLOps telah membangun kemampuan seperti itu sebagai bagian dari keseluruhan pengalaman mereka, tetapi OpenLayer secara khusus berfokus pada komponen validasi untuk membantu perusahaan yang bergerak cepat dan ini memberikan beberapa keuntungan,” kata Thurai. “Opsi verifikasi OpenLayer untuk memverifikasi integritas dataset pelatihan dan validasi, dan kemampuannya untuk memunculkan perbedaan antara data pelatihan, evaluasi, dan produksi, menarik dan unik. Fungsi lain, seperti pengukuran kinerja model, pelacakan model, pelestarian dataset, dan alat penjelasan model, semuanya merupakan tarif standar yang dapat ditemukan di sebagian besar platform MLOps lainnya.”

Openlayer mengatakan sejumlah perusahaan Fortune 500 menggunakan platform tersebut untuk menguji dan memvalidasi model pembelajaran mesin mereka, mengungkap kesalahan, dan mendiagnosis mengapa masalah terjadi. Ke depan, startup berencana untuk memperluas timnya dan meningkatkan fungsionalitas platformnya sehingga dapat menangani tugas pembelajaran mesin tambahan. Itu juga ingin menambahkan pagar pembatas yang lebih canggih untuk pengguna, sehingga mereka dapat menguji model mereka saat melakukan iterasi.

Chief Executive Bayomi mengatakan visinya adalah agar OpenLayer menjadi hub utama bagi setiap tim yang membangun model baru. “Untuk mencapai hal ini diperlukan pembangunan saluran pengembangan yang memberikan wawasan yang kuat tentang model dan data Anda di setiap langkah, sebelum dan sesudah penerapan,” katanya.

Gambar: Freepik