Mage, genel kullanıma sunulan düşük kodlu bir AI geliştirme aracı başlattı

Bir sihirbaz veya sihir yapan biri için eski bir terim olan Mage, artık kendi sihrini sergileyen bir Silikon Vadisi girişiminin adıdır.

Kaliforniya merkezli Santa Clara şirketi, ürün geliştiricilerin AI sınıflandırma modelleri oluşturması için düşük ödüllü kodlama aracını genel kullanıma sunmak için yayınladı. Şirket, 1 yaşındaki Mage’in son 12 aydır özel beta sürümünde olduğunu ve aracını kolay, sezgisel ve kullanımı kolay hale getirmek için erken ödeme yapan müşterilerle yakın bir şekilde çalıştığını söyledi.

Airbnb’de yüzlerce ürün geliştiriciyle çalıştıktan sonra CEO ve kurucu ortak Tommy Dang, bu geliştiricilerin ürünlerini geliştirmek için yapay zekanın nasıl kullanılabileceğini bildiklerini ancak fikirlerini uygulamaya yardımcı olmak için veri bilimi kaynaklarına da güvenmeleri gerektiğini gördü. Veri bilimciler dünyanın hiçbir yerinde ucuza gelmiyorlar.

Dang, “Mühendisler ve arka uç mühendisleri gibi kullanıcıya yönelik özellikler üzerinde çalışan kişiler program yapabilirler, ancak makine öğrenimi veya yapay zeka için okula gitmediler” dedi. “Kesinlikle ne olduğunu ve neyin yararlı olduğunu biliyorlar, ancak bununla ilgili deneyime sahip değiller. Mevcut çözümler ürün geliştiriciler için tasarlanmamıştır ve oluşturulmamıştır. Bu nedenle, bu kişilerin AI oluşturmasını sağlayan web tabanlı bir araç sunuyoruz. modeller – özellikle bir sınıflandırma kullanım durumu.”

“Ürünlere sıralama modelleri oluşturmanın çok talep gördüğünü gördük. Ana sayfa akışınızda çok fazla haber olduğunu veya satmak istediğiniz çok fazla ürününüz olduğunu varsayalım. İnsanların bunu kullanıcıları için iyileştirmek için sıralamalara ihtiyacı var. . Makine öğrenimi ve yapay zeka genellikle bunu yapmak için çok uygundur.”

Dang, kullanım örneklerinin, kullanıcının ana beslemesindeki makaleleri, gönderileri, yorumları vb. derecelendirerek kullanıcı katılımını artırmayı veya kullanıcının satın alması için en alakalı ürünleri göstererek dönüşümü artırmayı içerdiğini söyledi.

Mage, önce Amplitude veya Snowflake gibi mevcut veri kaynaklarına bağlanarak çalışır. Kullanıcı verilerini ekledikten sonra, Mage eğitim sırasında model performansını artırmak için bu verileri temizlemek ve optimize etmek için nasıl yapılır önerileri sunacaktır. Dang, model eğitimi tamamladıktan sonra, ürün geliştiricilerin tahminlerini API istekleri aracılığıyla gerçek zamanlı olarak kullanabileceğini söyledi.

büyücü teklif ücretsiz hobi sınıfı. Bir geliştirici veya şirket, daha büyük yapay zeka modellerini eğitmek ve daha fazla gerçek zamanlı API tahminleri kullanmak istediğinde, Profesyonel abonelik katmanına yükseltme yapmaları gerekir.

Yapay zeka nasıl uygulanır?

VentureBeat, teknoloji uzmanları, veri mühendisleri ve yazılım geliştiricilerinin yapay zekanın nasıl kullanılacağı hakkında daha fazla bilgi edinmesi için Mage CEO’su Tommy Dang’a okuyucularımıza bu ayrıntıları veren aşağıdaki soruları sordu:

GirişimBeat: Özellikle hangi yapay zeka ve makine öğrenimi araçlarını kullanıyorsunuz?

gölet: Scikit-Learn, XGBoost, TensorFlow ve SHAP.

GirişimBeat: ExaPEle, DataRobot veya diğer kaynaklardan kullanıma hazır modeller ve algoritmalar mı kullanıyorsunuz?

gölet: Bir ürün geliştiricisi bir sınıflandırma modeli oluşturmak için Mage’i kullandığında, Mage kullanım durumuna özel bir model oluşturacaktır. Hazır modeller kullanmıyoruz, her kullanım durumu için üretiyoruz. Bu modellerde lineer regresyon, lojistik regresyon, derin sinir ağları, XGBoost gibi açık kaynak algoritmaları kullanıyoruz.

GirişimBeat: Öncelikle hangi bulut hizmetini kullanıyorsunuz?

gölet: Ağırlıklı olarak AWS kullanıyoruz.

VentureBeat: Bu bulutla birlikte gelen çok sayıda AI iş akışı aracı kullanıyor musunuz?

gölet: AI iş akışı araçlarının çoğunu kullanmıyoruz; İhtiyaçlarımızı karşılamadı ve sorunlarımızı çözmedi.

VentureBeat: Kendiniz ne kadar yapıyorsunuz?

gölet: Veri boru hatlarını koordine etmek ve Astronomer’da barındırmak için Airflow’u kullanıyoruz. Büyük verileri işlemek için Spark’ı ve bu Spark işlevlerine güç sağlamak için AWS EMR’yi kullanıyoruz. Hesaplama için çoğunlukla AWS kullanıyoruz. Veri hazırlamak, modelleri eğitmek ve değerlendirmek ve model tahminleri sunmak için tescilli ardışık düzenlerimiz ve iş akışlarımız var.

VentureBeat: Makine öğrenimi ve yapay zeka iş akışları için verileri nasıl adlandırırsınız? Ve ne kadar veri işlediğinize dair bir futbol sahası tahminini paylaşabilir misiniz?

gölet: Halihazırda etiketlenmiş tablo ve metin verileri üzerinde eğitim konusunda uzmanız. Sınıflandırılmamış veriler için, bir ürün geliştiricinin programatik olarak yapılandırılmış verilerini sınıflandırmasına yardımcı olan nasıl yapılır önerileri sunuyoruz.