In einer Welt, in der Twilio existiert, würden Sie nicht im Traum daran denken, Ihren eigenen SMS-Messaging-Stack in 193 Ländern und Gott weiß wie vielen Telekommunikationsbetreibern aufzubauen. Die Situation für maschinelles Lernen (ML) ist nicht ganz anders; Wenn ML nicht der Kern Ihrer Software ist – und das ist es wahrscheinlich nicht –, warum sollten Sie Zeit damit verschwenden, eine komplette Infrastruktur aufzubauen. Um genau dieses Problem zu lösen, Slai baut eine Developer-First-Plattform für maschinelles Lernen. Es stattet Entwickler mit den Tools aus, um Anwendungen für maschinelles Lernen schnell bereitzustellen.
„Heute bleibt maschinelles Lernen eine Forschungsdisziplin, und es ist immer noch sehr schwierig für einen Entwickler, eine eigene Anwendung für maschinelles Lernen zu entwickeln“, teilt Eli Mernit, Mitbegründer und CEO von Slai, mit. „Wir hoffen, dass Entwickler in die Lage versetzt werden, hochmoderne Modelle für maschinelles Lernen zu erstellen.“
Das Unternehmen gab heute bekannt, dass es eine Seed-Runde in Höhe von 3,5 Millionen US-Dollar unter der Leitung von Tiger Global mit zusätzlichen Investitionen von Y Combinator, Charge Ventures, Uncorrelated Ventures, Twenty Two Ventures und Soma Capital sowie Angels wie Guy Podjarny und Jason Warner aufgelegt hat.
Das Produkt des Unternehmens konzentriert sich darauf, Entwicklern die Möglichkeit zu geben, sich auf die Modelle des maschinellen Lernens zu konzentrieren, anstatt auf den ganzen umliegenden Kerfuffle, der viel Zeit in Anspruch nimmt, aber nicht direkt zur Anwendung selbst beiträgt.
Screenshot von Slai.ai in Aktion. Bildnachweis: Slai.
„Mit dem Produkt können Sie eine Datenquelle anbinden. Das könnte Ihre Datenbank oder ein S3-Bucket mit Daten sein, die Sie an ein maschinelles Lernmodell senden möchten. Und dann findet das maschinelle Lernmodell – nur etwas Python-Code – Vorhersagen in den Daten. Wir haben das in eine API gepackt, die Dinge wie die Validierung der vom Benutzer eingegebenen Eingaben oder eine Verarbeitung der Ausgabe vornimmt, bevor sie an den Benutzer zurückgesendet wird“, erklärt Mernit. „Diese Komponenten bilden eine maschinelle Lernanwendung. Wenn also jemand diese Dinge von Hand erledigte, musste er normalerweise selbst einen Webserver einrichten. Sie müssten ein Versionierungssystem einrichten, sie müssten eine Möglichkeit zur Überwachung des Modells einrichten. Und all das bedeutet eine Menge Fleißarbeit. Wir tun das alles für den Benutzer. Sie müssen sich nur darauf konzentrieren, woher ihre Daten kommen und welche Art von Modell sie verwenden. Der Rest wird für sie erledigt. Kurz gesagt, wir eliminieren den ganzen Klebstoff, der in den Entwicklungsprozess des maschinellen Lernens einfließt.“
Die Plattform versteht sich als GitHub für ML – und macht es einfach, bestehende Rezepte für maschinelles Lernen zur Verwendung in Anwendungen zu forken.