Der Aufstieg von ChatGPT hat das öffentliche Bewusstsein für KI sowie den wachsenden Diskurs über KI-Ethik verstärkt. Wie soll KI eingesetzt werden? Welche Auswirkungen hat dies auf die Gesellschaft, nicht nur auf die Wirtschaft?
Die inhärente Voreingenommenheit von KI-Anwendungen – denken Sie daran, es geht nicht nur darum, wie und von wem der Algorithmus erstellt wird, sondern auch darum, wie das Modell selbst erstellt wird – bedeutet, dass wir in dieser schönen neuen KI-Welt vorsichtig vorgehen sollten.
Schließlich gab es sehr öffentliche Beispiele für politische und geschlechtsspezifische Vorurteile, die von KI-Plattformen gezeigt wurden. Der CEO von OpenAI, Sam Altman, gab erst letzten Monat zu, dass ChatGPT „Mängel in Bezug auf Voreingenommenheit“ aufweist. Aber diese Vorurteile und Fehler können weitreichende Auswirkungen haben, wenn sie auf Bereiche wie Versicherungsplattformen oder die Arzneimittelforschung angewendet werden, wo die Auswirkungen von Fehlentscheidungen massiv sein können.
MLOps (ein Mashup aus „Machine Learning“ und DevOps) ist eine Reihe von Praktiken, die darauf abzielen, Modelle für maschinelles Lernen in der Produktion zuverlässig und effizient bereitzustellen und zu warten und diese Verzerrungen zu überwachen. Einfach ausgedrückt: MLOps-Praktiken werden von Data Scientists, DevOps und Machine Learning-Ingenieuren verwendet, um einen KI-Algorithmus in alltägliche, funktionierende Produktionsmodelle zu überführen. Die Idee dabei ist, die Automatisierung des Modells zu verbessern und gleichzeitig die geschäftlichen und regulatorischen Anforderungen in Bezug auf Voreingenommenheit sowie andere Aspekte der KI im Auge zu behalten. Die Verbesserung der Effizienz wirkt sich auch positiv auf die Umwelt aus.
Seldon ist ein britisches Startup, das sich auf diese seltene Welt der Entwicklungstools zur Optimierung von Modellen für maschinelles Lernen spezialisiert hat. Es hat Konkurrenten in Form von Arise, Fiddler (Finanzierung in Höhe von 45,2 Millionen US-Dollar), Dataiku (Finanzierung in Höhe von 846,8 Millionen US-Dollar) und DataRobot (Finanzierung in Höhe von 1 Milliarde US-Dollar).
Seldons Cloud-agnostische Bereitstellungsplattform für maschinelles Lernen sicherte sich bereits 2020 7,1 Mio. £ Series A von AlbionVC und Cambridge Innovation Capital.
Es hat jetzt eine Finanzierungsrunde der Serie B in Höhe von 20 Millionen US-Dollar aufgelegt, die von einem neuen Investor geleitet wird Helles Pixel (früher Sonae IM). Ebenfalls beteiligt waren die bestehenden Investoren AlbionVC, Cambridge Innovation Capital und Amadeus Capital Partners.
Die Gründer Alex Housley (CEO) Clive Cox (CTO) behaupten, seit der Serie A im November 2020 eine Wachstumsrate von 400 % im Jahresvergleich für die Open-Source-Frameworks von Seldon erreicht zu haben. Das ist wichtig, da das Open-Source-Netzwerk es ihm ermöglicht, seine proprietären Lösungen weit zu verbreiten effizienter und kostengünstiger.
„Seldon hat sich durch die Präsentation einer einzigartigen Lösung differenziert, die in der Lage ist, die Reibung für Benutzer zu verringern, die ML-Modelle in allen Branchen bereitstellen und erklären. Dies bedeutet mehr Produktivität für seine Kunden, eine schnellere Wertschöpfung in Kombination mit Governance-, Risiko- und Compliance-Funktionen“, sagte Pedro Carreira, Director bei Bright Pixel, in einer Erklärung.
Zu den aktuellen Seldon-Kunden zählen unter anderem PayPal, Johnson & Johnson, Audi und Experian.
In einem Interview sagte mir Alex Housley, Gründer und CEO von Seldon: „KI ist in allem und Seldon ist einzigartig positioniert. „Wir haben bereits eine starke Position in unserer Open-Source-Distribution, und was wir gerade validiert haben, ist ein neues Konzept für datenzentrierte MLOps mit einer engen Integration rund um Datenströme und Produktion. Einfach gesagt, Sie können ein KI-Modell über seinen Algorithmus verbessern, aber das hat kleine Verbesserungen. Alternativ – und das ist unser Ansatz – können Sie viel mehr Leistung herausholen, indem Sie die Produktion der Datenqualität verbessern. Daran arbeiten wir mit der Cambridge University mit großem Erfolg.“
Laut der „State of AI Infrastucture Survey, 2023“ von Run:ai schaffen es in 88 % der Unternehmen mehr als die Hälfte dieser Modelle nie in die Produktion. Warum? Weil Projekte ins Stocken geraten oder es zu Doppelarbeit in Geschäftssilos kommt.
Seldon behauptet, dass es Teams helfen kann, besser zusammenzuarbeiten, um die Bereitstellungszeit um durchschnittlich 84 % zu verkürzen. Dies könnte wichtig sein, da KI viel mehr reguliert wird (z. B. über das EU AI ACT und das US EEOC). Seldon – und seine Konkurrenten – kämpfen darum, Unternehmen dabei zu helfen, diese Vorschriften einzuhalten, aber diese KI-Modelle intern zu verbessern.
Das Unternehmen hat eng mit Neil Lawrence, dem ersten DeepMind-Professor für maschinelles Lernen an der University of Cambridge, zusammengearbeitet.