随着人工智能在整个企业中的使用变得越来越普遍，对更容易检查、发现和修复关键人工智能错误的产品的需求也在增加。毕竟，人工智能的成本很高——Gartner在 2021 年预测，到 2023 年，三分之一的技术提供商将在人工智能上投资 100 万美元或更多——而调试出错的算法可能会增加开发预算。 Gartner 的另一份报告发现，只有 53% 的项目能够从原型到生产，这可能部分是由于错误——如果将支出加起来的话，这是一个巨大的损失。
受够了高故障率——以及加载和清理数据等琐碎的（如果重要的）数据准备任务仍然占用数据科学家的大部分时间的事实——Vikram Chatterji、Atindriyo Sanyal 和 Yash Sheth 共同创立了Galileo ，旨在充当 AI 模型开发的协作记录系统的服务。伽利略监控人工智能开发过程，利用统计算法查明系统故障的潜在点。
“市场上没有专门构建的机器学习数据工具，因此 [我们] 启动 Galileo 来构建机器学习数据工具堆栈，从 [专业化] 非结构化数据开始，”Chatterji 通过电子邮件告诉 TechCrunch。 “[该服务] 帮助机器学习团队改进他们的数据集……通过显示可能代表性不足或错误的关键数据群，同时作为一个全方位的解决方案，鼓励数据科学家主动跟踪生产中的数据变化并减少错误和差距他们的模型不会泄漏到现实世界中。”
Chatterji 拥有数据科学背景，曾在 Google 工作了三年，担任 Android 团队的产品经理。 Sanyal 是 Apple 的高级软件工程师，主要专注于 Siri 相关产品，之后成为 Uber 人工智能团队的工程主管。至于 Sheth，他还曾在 Google 担任软件工程师，负责管理 Google Speech Recognizer平台。
伽利略（Galileo）今天以 510 万美元的种子资金从隐形中脱颖而出，Chatterji、Sanyal 和 Sheth 着手创建一种产品，该产品可以扩展到整个 AI 工作流程——从预开发到后期制作——以及数据模式，如文本、语音和视觉。 Galileo 提供私有测试版，可在本地环境中部署，旨在使用“自动记录器”和算法来系统化跨团队的管道，以突出系统破坏问题。
发现这些问题通常是数据科学家的主要痛点。根据最近的一项调查（来自 MLOps 社区），84.3% 的数据科学家和机器学习工程师表示，检测和诊断模型问题所需的时间是他们团队的问题，而超过四分之一 (26.2%) 的人承认他们需要一周或更长时间来检测和解决问题。
“企业内部围绕机器学习的讨论已经从‘我用这个做什么？ “我怎样才能让我的机器学习工作流程更快、更好、更便宜？”Chatterji 说。 “伽利略……在生产机器学习模型的每一步都强制执行必要的严谨性和主动应用研究支持的技术……[它]导致团队如何处理混乱、令人麻木的任务的数量级改进改进他们的机器学习数据集。”
Galileo 适合新兴的 MLOps 实践，它将机器学习、DevOps 和数据工程结合起来，在生产环境中部署和维护 AI 模型。据一项估计，到 2025 年，MLOps 服务市场可能达到 40 亿美元，其中包括 Databricks、DataRobot、Algorithmia 等初创公司以及谷歌云和亚马逊网络服务等现有企业。
虽然投资者对 MLOps 的兴趣正在上升，但现金并不一定能转化为成功。即使是当今最好的 MLOps 平台也无法解决与 AI 工作流相关的所有常见问题，尤其是当业务主管无法量化这些计划的投资回报时。 MLOps 社区民意调查发现，例如，在新模型更好时说服利益相关者仍然是 80% 以上的机器学习从业者“至少有时”的问题。
Chatterji 指出 Kaggle 首席执行官 Anthony Goldbloom 对 Galileo 的投资——Goldbloom 与 The Factory 共同领导了种子轮融资——作为公司差异化的标志。 Chatterji 说，伽利略目前拥有“数十名”付费客户，从财富 500 强公司到早期初创公司——伽利略计划在年底前利用这些收入将其 14 人团队的规模扩大两倍。
“伽利略专注于翻转机器学习数据检查的艰巨任务，使其变得简单并快速提供智能数据洞察力，”Chatterji 说。 “用户只需添加几行代码。”
迄今为止，伽利略已经筹集了 550 万美元的风险投资总额。
原文： https://techcrunch.com/2022/05/03/galileo-emerges-from-stealth-to-streamline-ai-model-development/