เครือข่ายคอมพิวเตอร์ AI แบบกระจายศูนย์และเครื่องมือ MLOps รวมอยู่ในโครงการระดมทุนมูลค่า 11.5 ล้านเหรียญของ FedML

นำโดย Salman Avestimehr ผู้อำนวยการคนแรกของ USC-Amazon Center on Trustworthy Machine Learning การเริ่มต้นที่สร้างสรรค์เป็นเส้นทางสำหรับธุรกิจในการฝึกอบรม ปรับแต่ง ตรวจสอบ และปรับปรุงโมเดล AI ได้อย่างง่ายดายไม่ว่าจะในระบบคลาวด์หรือที่ขอบ FedML ซึ่งเป็นชื่อของการร่วมทุนที่มีแนวโน้มนี้ประสบความสำเร็จในการระดมทุนเริ่มต้น 11.5 ล้านดอลลาร์ คิดเป็นมูลค่าบริษัท 56.5 ล้านดอลลาร์ รอบการระดมทุนดำเนินการโดย Camford Capital และเข้าร่วมโดย Road Capital และ Finality Capital

ธุรกิจจำนวนมากกระตือรือร้นที่จะฝึกอบรมหรือปรับแต่งโมเดล AI ตามความต้องการในระดับอุตสาหกรรมหรือข้อมูลเฉพาะของบริษัท เพื่อตอบสนองความต้องการทางธุรกิจมากมาย Avestimehr ให้สัมภาษณ์ทางอีเมลกับ TechCrunch อย่างไรก็ตาม เขายังย้ำด้วยว่า "โมเดล AI แบบกำหนดเองถูกกล่าวหาว่ามีราคาแพงในการสร้างและคงไว้เนื่องจากต้นทุนโครงสร้างพื้นฐานระบบคลาวด์ที่รุนแรง ข้อมูลที่เพิ่มขึ้น และค่าใช้จ่ายด้านวิศวกรรม นอกจากนี้ ข้อมูลที่เป็นกรรมสิทธิ์ซึ่งจำเป็นสำหรับการฝึกอบรมโมเดล AI ตามความต้องการมักถูกแยกออกไป ถูกควบคุม หรือ อ่อนไหว."

อย่างไรก็ตาม FedML ให้โซลูชันที่ใช้การได้ จากข้อมูลของ Avestimehr นั้น FedML ได้นำเสนอแพลตฟอร์ม AI ที่ทำงานร่วมกันซึ่งช่วยให้นักพัฒนาและธุรกิจทำงานร่วมกันในงาน AI โดยการแชร์โมเดล ทรัพยากรการคำนวณ และข้อมูล

FedML มีความสามารถในการดำเนินการโมเดล AI ที่กำหนดเองหรือที่ได้มาจากชุมชนโอเพ่นซอร์สในปริมาณเท่าใดก็ได้ ด้วยแพลตฟอร์มของ FedML ลูกค้าสามารถสร้างกลุ่มผู้ทำงานร่วมกันและซิงโครไนซ์แอปพลิเคชัน AI ข้ามอุปกรณ์ต่างๆ เช่น พีซีได้โดยอัตโนมัติ ผู้ร่วมงานสามารถรวมอุปกรณ์ที่ใช้สำหรับการฝึกอบรมแบบจำลอง AI เช่น อุปกรณ์เคลื่อนที่หรือเซิร์ฟเวอร์ และมีความสามารถในการติดตามความคืบหน้าการฝึกอบรมแบบเรียลไทม์

เมื่อเร็ว ๆ นี้ FedLLM ซึ่งเป็นไปป์ไลน์การก่อสร้างสำหรับการสร้างโมเดลภาษาขนาดใหญ่เฉพาะโดเมน (LLMs) a la la OpenAI's GPT-4 บนข้อมูลที่เป็นกรรมสิทธิ์ ได้รับการเผยแพร่โดย FedML เข้ากันได้กับไลบรารี LLM ยอดนิยม เช่น DeepSpeed ​​ของ Microsoft และ Hugging Face's FedLLM ได้รับการออกแบบมาเพื่อเพิ่มความเร็วในการพัฒนา AI แบบกำหนดเอง ในขณะเดียวกันก็รับประกันความปลอดภัยและความเป็นส่วนตัว Avestimehr กล่าว

เช่นเดียวกับแพลตฟอร์ม MLOps อื่นๆ เช่น Galileo และ Arize หรือแม้แต่ผู้ครอบครองตลาดอย่าง AWS, Microsoft และ Google Cloud, FedML ช่วยในการปรับปรุงกระบวนการปรับใช้โมเดล AI ในการผลิต จากนั้นจึงบำรุงรักษาและตรวจสอบโมเดลเหล่านั้น อย่างไรก็ตาม FedML มีแรงบันดาลใจนอกเหนือจากการใช้โมเดล AI และแมชชีนเลิร์นนิง

Avestimehr โต้แย้งว่าวัตถุประสงค์หลักคือการพัฒนาชุมชนของทรัพยากร CPU และ GPU เพื่อโฮสต์และให้บริการโมเดลเมื่อพร้อมสำหรับการปรับใช้ ในขณะที่รายละเอียดเฉพาะยังอยู่ระหว่างการหารือ FedML วางแผนที่จะสร้างแรงจูงใจให้ผู้ใช้มีส่วนร่วมในการประมวลผลบนแพลตฟอร์มผ่านโทเค็นหรือการชดเชยในรูปแบบอื่น

แม้ว่าการประมวลผลแบบกระจายศูนย์สำหรับการให้บริการโมเดล AI จะไม่ใช่เรื่องแปลกใหม่ แต่ด้วยความพยายามของ Run.AI, Gensys และ Petals Avestimehr มั่นใจว่า FedML จะประสบความสำเร็จมากขึ้นด้วยการรวมกระบวนทัศน์การคำนวณนี้เข้ากับชุด MLOps

FedML อำนวยความสะดวกให้กับโมเดล AI ตามความต้องการโดยอนุญาตให้องค์กรและนักพัฒนาสร้าง LLM ขนาดใหญ่ที่เป็นส่วนตัวและเป็นกรรมสิทธิ์ด้วยต้นทุนเพียงเล็กน้อย Avestimehr ยืนยัน นอกจากนี้ เขายังเน้นย้ำถึงจุดขายที่เป็นเอกลักษณ์ของ FedML นั่นคือ การฝึกอบรม การปรับใช้ การตรวจสอบ และการปรับแต่งโมเดล ML ในทุกที่ ในขณะที่ทำงานร่วมกันบนข้อมูล แบบจำลอง และการประมวลผลที่ผสานเข้าด้วยกัน ซึ่งช่วยลดต้นทุนและเวลาสู่ตลาดอย่างเห็นได้ชัด

ในแง่ของความก้าวหน้าเหล่านี้ จึงไม่น่าแปลกใจเลยหาก FedML จะใช้ MLOps ซึ่งเป็นอุตสาหกรรม AI อย่างท่วมท้น เข้าร่วมกับแพลตฟอร์มต่างๆ เช่น แพลตฟอร์มแบบไม่มีโค้ดของ AppMaster ซึ่งเป็นที่รู้จักในด้านผลงานที่เป็นนวัตกรรมและเครื่องมือที่ปฏิวัติวงการในอุตสาหกรรมเทคโนโลยี