ZenML quiere ser el pegamento que mantenga unidas todas las herramientas de inteligencia artificial de código abierto. Este marco de código abierto le permite crear canales que serán utilizados por científicos de datos, ingenieros de aprendizaje automático e ingenieros de plataformas para colaborar y construir nuevos modelos de IA.
La razón por la que ZenML es interesante es que permite a las empresas crear sus propios modelos privados. Por supuesto, las empresas probablemente no construirán un competidor de GPT 4. Pero podrían construir modelos más pequeños que funcionen particularmente bien para sus necesidades. Y reduciría su dependencia de proveedores de API como OpenAI y Anthropic.
“La idea es que una vez que se apague la primera ola de entusiasmo con todos los que usan OpenAI o API de código cerrado, [ZenML] permitirá a las personas construir su propia pila”, me dijo Louis Coppey, socio de la firma de capital de riesgo Point Nine.
A principios de este año, ZenML planteó una extensión de su ronda inicial de Punto nueve con inversor existente Grua también participando. En total, la startup con sede en Munich, Alemania, ha obtenido 6,4 millones de dólares desde su creación.
Adam Probst y Hamza Tahir, los fundadores de ZenML, trabajaron juntos anteriormente en una empresa que estaba construyendo canales de ML para otras empresas de una industria específica. «Día tras día, necesitábamos crear modelos de aprendizaje automático y llevar el aprendizaje automático a la producción», me dijo Adam Probst, director ejecutivo de ZenML.
A partir de este trabajo, la pareja comenzó a diseñar un sistema modular que se adaptaba a diferentes circunstancias, entornos y clientes para que no tuvieran que repetir el mismo trabajo una y otra vez; esto llevó a ZenML.
Al mismo tiempo, los ingenieros que recién comienzan con el aprendizaje automático pueden comenzar a utilizar este sistema modular. El equipo de ZenML llama a este espacio MLOps: es un poco como DevOps, pero aplicado al ML en particular.
“Estamos conectando herramientas de código abierto que se centran en pasos específicos de la cadena de valor para construir un canal de aprendizaje automático (todo basado en hiperescaladores, luego todo basado en AWS y Google) y también soluciones locales. ”, dijo Probst.
El concepto principal de ZenML son las canalizaciones. Al escribir una canalización, puede ejecutarla localmente o implementarla utilizando herramientas de código abierto como Airflow o Kubeflow. También puede aprovechar los servicios administrados en la nube como EC2, Vertex Pipelines y Sagemaker. ZenML también se integra con herramientas de aprendizaje automático de código abierto de Hugging Face, MLflow, TensorFlow, PyTorch, etc.
«ZenML es algo que reúne todo en una única experiencia unificada: es de múltiples proveedores, de múltiples nubes», dijo Hamza Tahir, CTO de ZenML. Aporta conectores, observabilidad y auditabilidad a los flujos de trabajo de ML.
La empresa lanzó por primera vez su estructura en GitHub como herramienta de código abierto. El equipo ha acumulado más de 3000 estrellas en la plataforma de codificación. ZenML también ha comenzado recientemente a ofrecer una versión en la nube con servidores administrados: los activadores para integraciones continuas e implementaciones continuas (CI/CD) estarán disponibles pronto.
Algunas empresas han utilizado ZenML para casos de uso industrial, sistemas de recomendación de comercio electrónico, reconocimiento de imágenes en entornos médicos, etc. Los clientes incluyen Rivian, Playtika y Leroy Merlin.
Modelos privados y sectoriales
El éxito de ZenML dependerá de cómo evolucione el ecosistema de IA. En este momento, muchas empresas están agregando capacidades de IA aquí y allá consultando la API de OpenAI. En este producto, ahora tiene un nuevo botón mágico que puede resumir grandes fragmentos de texto. En este producto, ahora tiene respuestas escritas previamente para las interacciones de atención al cliente.
“OpenAI tendrá futuro, pero creemos que la mayoría del mercado tendrá que tener su propia solución” Adam Probst
Pero hay algunos problemas con estas API: son muy sofisticadas y muy caras. “OpenAI, o estos grandes modelos de lenguaje construidos a puerta cerrada, se desarrollan para casos de uso generales, no para casos de uso específicos. Por lo tanto, actualmente está muy capacitado y es muy costoso para casos de uso específicos”, dijo Probst.
“OpenAI tendrá futuro, pero creemos que la mayoría del mercado tendrá que tener su propia solución. Y es por eso que el código abierto les resulta muy atractivo”, añadió.
El director ejecutivo de OpenAI, Sam Altman, también cree que los modelos de IA no serán una situación única para todos. “Creo que ambos juegan un papel importante. Estamos interesados en ambos y el futuro será un híbrido de ambos”, dijo Altman al responder a una pregunta sobre modelos pequeños y especializados versus modelos amplios durante una sesión de preguntas y respuestas en la Estación F a principios de este año.
También existen implicaciones éticas y legales con el uso de la IA. La regulación todavía está evolucionando mucho en tiempo real, pero la legislación europea en particular podría alentar a las empresas a utilizar modelos de IA entrenados en conjuntos de datos muy específicos y de maneras muy específicas.
«Gartner dice que el 75% de las empresas están cambiando su [proofs of concept] para producción en 2024. Por lo tanto, los próximos dos años probablemente serán algunos de los momentos más trascendentales en la historia de la IA, donde finalmente entraremos en producción utilizando probablemente una combinación de modelos fundamentales de código abierto ajustados con datos patentados”, Tahir me dijo.
«El valor de MLOps es que creemos que el 99% de los casos de uso de IA serán impulsados por modelos más pequeños, más baratos y más especializados que se entrenarán internamente», añadió más adelante en la conversación.
Créditos de imagen: ZenML
