Скачать или смотреть Baseten x Parsed Fireside Chat

Амир, технический директор Baseten, беседует с Мудитом и Чарльзом, соучредителями Parsed.

Baseten приобретает Parsed, команду ведущих экспертов в области обучения с подкреплением, чтобы продвинуть свою стратегию в качестве ведущей компании в сфере вывода результатов.
Наш существующий продукт для обучения был намеренно разработан на более низком уровне абстракции, чтобы обслуживать инженеров-программистов, которые знают, как им нужно дорабатывать модели, но нуждаются в надежной и наблюдаемой инфраструктуре, а не в «волшебном» черном ящике. Клиенты постоянно говорили нам, что хотят избавиться от проблем с инфраструктурой, контролировать свои модели, избегать ограничений скорости и платить за вычислительные ресурсы, а не за токен, и именно поэтому мы создали Baseten Training в том виде, в котором он существует сегодня.

Однако, с учетом последних достижений в области доработки и обучения с подкреплением, мы убеждены, что модели с открытым исходным кодом теперь могут соответствовать и потенциально превосходить закрытые модели в конкретных, высокоценных сценариях использования. Хотя закрытые модели могут оставаться впереди в среднем, практический разрыв для целевых задач может быть преодолен с помощью правильных данных и методов обучения. Мы видели это на практике: например, компания Picnic Health доработала Llama, чтобы превзойти как людей, так и закрытых поставщиков медицинских услуг в извлечении структурированных данных из медицинских документов.

Именно здесь на помощь приходит Parsed.

Интегрировав Parsed, мы можем объединить необходимый опыт в обучении с подходящей платформой для вывода результатов, чтобы создать «волшебную комбинацию»: индивидуально разработанные, экономически эффективные модели с низкой задержкой, которые легко развертываются в масштабе. Parsed позволяет нам обслуживать компании, у которых нет глубоких внутренних специалистов по обучению, путем непосредственного сотрудничества с ними для определения проблемы, понимания требований к данным и разработки правильных методов для тонкой настройки моделей. Со временем, мы считаем, большая часть этого опыта станет коммерциализированной, и мы будем создавать передовые рабочие процессы обучения, которые будут все более автоматизированными и самообслуживаемыми.