Mage lanserar AI-utvecklingsverktyg med lÄg kod för allmÀn tillgÀnglighet

Varje företag kan vara ett dataföretag med styrverktyg med lÄg kod/ingen kod


Mage, en arkaisk term för en trollkarl eller nÄgon som gör magi, Àr nu ocksÄ namnet pÄ en Silicon Valley-startup som visar upp sin egen magi.

Det Santa Clara, Kalifornien-baserade företaget slĂ€ppte idag till allmĂ€n tillgĂ€nglighet sitt prislĂ„gkodsverktyg för produktutvecklare att bygga AI-rankningsmodeller. Åriga Mage har varit i privat beta under de senaste 12 mĂ„naderna och arbetat nĂ€ra med tidigt betalande kunder för att göra dess verktyg anvĂ€ndarvĂ€nligt, intuitivt och enkelt att anvĂ€nda, sa företaget.

Efter att ha arbetat med hundratals produktutvecklare pÄ Airbnb sÄg VD och medgrundare Tommy Dang att dessa utvecklare visste hur AI kunde anvÀndas för att förbÀttra deras produkt, men att de ocksÄ var tvungna att förlita sig pÄ datavetenskapliga resurser för att hjÀlpa till att implementera sina idéer. Dataforskare kommer inte billigt nÄgonstans i vÀrlden.

“MĂ€nniskor som arbetar med anvĂ€ndarvĂ€nliga funktioner, som ingenjörer och backend-ingenjörer – de kan koda men de gick inte i skolan för maskininlĂ€rning eller AI,” sa Dang. ”De vet definitivt vad det Ă€r och vad som Ă€r anvĂ€ndbart, men de har inte kompetensen för det. Befintliga lösningar Ă€r inte designade och byggda för produktutvecklare. SĂ„ vi tillhandahĂ„ller ett webbaserat verktyg som ger dessa individer möjlighet att bygga AI-modeller – speciellt ett rankinganvĂ€ndningsfall.

“Och vi har sett att det Ă€r mycket efterfrĂ„gat att bygga rankningsmodeller i produkter. LĂ„t oss sĂ€ga att du har mĂ„nga nyheter i ditt hemflöde eller att du har mĂ„nga produkter du vill sĂ€lja. MĂ€nniskor behöver rankningar för att optimera det för sina anvĂ€ndare. Och vanligtvis Ă€r maskininlĂ€rning och AI vĂ€l lĂ€mpade för det.”

AnvÀndningsfall inkluderar ökat anvÀndarengagemang genom att rangordna artiklar, inlÀgg, kommentarer etc. pÄ din anvÀndares hemflöde eller öka konverteringen genom att visa de mest relevanta produkterna för en anvÀndare att köpa, sa Dang.

Mage fungerar genom att först ansluta till befintliga datakÀllor, som Amplitude eller Snowflake. NÀr en anvÀndare lÀgger till sin data kommer Mage att ge guidade förslag för rengöring och förbÀttring av dessa data för att maximera modellens prestanda under trÀning. NÀr modellen har slutfört utbildningen kan produktutvecklare anvÀnda dess förutsÀgelser i realtid via API-förfrÄgningar, sa Dang.

Mage erbjuder en gratis hobbynivÄ. NÀr en utvecklare eller ett företag vill trÀna större AI-modeller och anvÀnda fler API-förutsÀgelser i realtid, mÄste de uppgradera till Pro-prenumerationsnivÄn.

Hur AI implementeras

För att teknologer, dataarkitekter och mjukvaruutvecklare ska lÀra sig mer om hur man anvÀnder AI, stÀllde VentureBeat följande frÄgor till Mages VD Tommy Dang, som erbjöd vÄra lÀsare dessa detaljer:

VentureBeat: Vilka AI- och ML-verktyg anvÀnder du specifikt?

Magiker: Scikit-learn, XGBoost, TensorFlow, SHAP.

VentureBeat: AnvĂ€nder du modeller och algoritmer direkt – frĂ„n exaPEle, frĂ„n DataRobot eller andra kĂ€llor?

Magiker: NÀr en produktutvecklare anvÀnder Mage för att bygga en rankningsmodell kommer Mage att bygga en unik modell för deras specifika anvÀndningsfall. Vi anvÀnder inte out of the box-modeller, vi konstruerar dem per anvÀndningsfall. Vi anvÀnder algoritmer med öppen kÀllkod i dessa modeller sÄsom linjÀr regression, logistisk regression, djupa neurala nÀtverk, XGBoost, etc.

VentureBeat: Vilken molntjÀnst anvÀnder du huvudsakligen?

Magiker: Vi anvÀnder oss frÀmst av AWS.

VentureBeat: AnvÀnder du mÄnga av AI-arbetsflödesverktygen som följer med molnet?

Magiker: Vi anvÀnder inte mÄnga av deras AI-arbetsflödesverktyg; de passade inte vÄra behov och löste inte vÄra problem.

VentureBeat: Hur mycket gör ni sjÀlva?

Magiker: Vi anvÀnder Airflow för datapipeline-orkestrering och Àr vÀrd för det pÄ Astronomer. Vi anvÀnder Spark för att bearbeta big data och anvÀnder AWS EMR för att köra dessa Spark-jobb. Vi anvÀnder mest AWS för berÀkning. Vi har egenutvecklade pipelines och arbetsflöden för att förbereda data, trÀna och utvÀrdera modeller och betjÀna modellförutsÀgelser.

VentureBeat: Hur mÀrker du data för ML- och AI-arbetsflödena? Och kan du dela en uppskattning av hur mycket data du bearbetar?

Magiker: Vi Àr specialiserade pÄ utbildning i tabell- och textdata som redan Àr mÀrkta. För data som inte Àr mÀrkta ger vi guidade förslag som hjÀlper produktutvecklaren att programmatiskt mÀrka sin strukturerade data.

[And we are processing] miljarder datapunkter.

VentureBeats uppdrag ska vara ett digitalt stadstorg för tekniska beslutsfattare att fÄ kunskap om transformativ företagsteknologi och handla. LÀs mer om medlemskap.