Internet Explorer n'est pas pris en charge par notre site web. Pour une expérience plus sécurisée, veuillez utiliser Chrome, Safari, Firefox ou Edge.
Logiciel deep tech
Jason Mendel, Dharmesh Thakker | 8 septembre 2022
Le chaînon manquant de l'apprentissage automatique : Pourquoi nous sommes enthousiasmés par l'observabilité du ML et l'Arize

Il y a près d'un an, nous avons publié notre thèse sur l'observabilité de l'apprentissage machine (ML) et annoncé nos investissements de série A dans Arize*. Aujourd'hui, nous sommes ravis de vous annoncer que Arize a levé une série B de 38 millions de dollars dirigée par TCV. Nous sommes ravis de continuer à soutenir Jason, Aparna et toute l'équipe d'Arize dans l'extension de leur plateforme d'observabilité ML.

L'intelligence artificielle (IA) se généralise et IDC prévoit que les dépenses mondiales en IA feront plus que doubler au cours des quatre prochaines années, passant de 85 milliards de dollars en 2021 à plus de 200 milliards de dollars en 2025. Cette croissance est liée aux entreprises d'un large éventail d'industries et de marchés finaux qui continuent à investir dans la mise en place de systèmes et d'infrastructures d'IA / ML nécessaires pour transformer les données brutes en intelligence exploitable.

En effet, de nombreuses entreprises qui n'investissent pas dans l'infrastructure nécessaire à l'IA / ML continuent de lutter pour voir des avantages concrets de l'IA. Une enquête récente menée par Arize auprès de scientifiques, d'ingénieurs et de cadres spécialisés dans les données a révélé que près de 88 % des équipes ont déclaré que leurs responsables commerciaux ne peuvent pas quantifier le retour sur investissement des initiatives ML "au moins de temps en temps". Et près de 49 % des scientifiques des données interrogés ont déclaré que leur travail était plus difficile à la suite de l'affaire Covid-19 - qui a déclenché des changements brusques et importants dans l'organisation du travail des entreprises et dans le comportement des clients - en raison de problèmes élevés de dérive, de qualité des données et de performance. Nous pensons que la technologie d'Arize peut contribuer à combler certaines de ces lacunes et aider les entreprises à améliorer leur productivité et à augmenter leurs revenus.

Des entreprises telles que Wayfair*, Home Depot et Etsy ont parlé publiquement à des avantages qu'elles constatent grâce à l'utilisation de l'IA pour alimenter des éléments essentiels de leurs opérations quotidiennes, notamment la possibilité d'offrir une meilleure expérience client, d'augmenter la productivité et de prendre des décisions plus intelligentes, fondées sur des données. Nous nous attendons à ce que l'adoption de l'IA continue à se développer car la croissance continue du volume des données, ainsi que leur variété, exige de plus en plus que l'IA analyse et interprète de grandes quantités de données. En outre, l'accès à la puissance de calcul et au stockage en nuage, associé aux progrès de la chaîne d'outils AI / ML, continue de démocratiser l'accès aux analyses avancées et à la modélisation prédictive.

La plupart des équipes ML ont réalisé des investissements importants dans la phase de pré-production du flux de travail ML (étiquetage, formation, déploiement) mais sont aveugles lorsqu'il s'agit de comprendre, de dépanner et d'améliorer les performances des modèles une fois qu'ils sont déployés en production. En outre, ~80% à ~90% des données sont aujourd'hui non structurées, y compris les images, les vidéos, les textes et les données vocales, ce qui donne lieu à des modèles d'apprentissage profond plus complexes, qui ajoutent une autre couche de difficulté lorsqu'il s'agit de comprendre le comportement du modèle et de diagnostiquer les problèmes potentiels du modèle.

Arize permet aux équipes ML de détecter, de dépanner et d'éliminer plus rapidement les problèmes liés aux modèles ML, fournissant ainsi le chaînon manquant pour une mise en œuvre et une adoption fiables de l'IA / ML. Grâce à Arize, les praticiens du ML peuvent rapidement détecter les problèmes de modèle et de données, diagnostiquer la cause profonde et améliorer continuellement les performances de leur modèle. Le produit d'Arize est déjà utilisé par les équipes des plus grandes entreprises du ML, notamment Spotify, Instacart, P&G, Stitch Fix, Ebay, New York Life et Uber.

Nous sommes ravis de poursuivre notre partenariat avec Arize, et nous sommes impatients de contribuer à alimenter le prochain chapitre de croissance de l'entreprise.

Ce contenu est fourni à titre d'information et ne constitue pas, et ne peut en aucun cas être considéré comme, un conseil juridique, fiscal ou d'investissement ou comme une offre de vente ou une sollicitation d'une offre d'achat d'un intérêt dans un fonds ou un instrument d'investissement géré par Battery Ventures ou toute autre entité de Battery. 

Les informations et les données sont en date de la publication, sauf indication contraire.

Le contenu obtenu de sources tierces, bien que considéré comme fiable, n'a pas été vérifié de manière indépendante quant à son exactitude ou son exhaustivité et ne peut être garanti. Battery Ventures n'a aucune obligation de mettre à jour, de modifier ou d'amender le contenu de ce post ni d'avertir ses lecteurs dans le cas où toute information, opinion, projection, prévision ou estimation incluse, changerait ou deviendrait ultérieurement inexacte.

Les informations ci-dessus peuvent contenir des projections ou d'autres déclarations prévisionnelles concernant des événements ou des attentes futurs. Les prédictions, opinions et autres informations discutées dans cette vidéo sont susceptibles d'être modifiées en permanence et sans préavis d'aucune sorte et peuvent ne plus être pertinentes après la date indiquée. Battery Ventures n'assume aucune obligation et ne s'engage pas à mettre à jour les déclarations prospectives.

*Dénote une entreprise de Battery Portefeuille. Pour une liste complète de tous les investissements de Battery, veuillez cliquer ici.

Retour au blog
Articles connexes