持续机器学习验证初创公司 Deepchecks Ltd. 在完成 1400 万美元种子轮融资后，今天正式推出其平台。
此轮融资由 Alpha Wave 领投，Hetz Ventures 和 Grove Ventures 参与。
Deepchecks 由首席执行官 Philip Tannor（右图）和首席技术官 Shir Chorev（左）共同创立。它最初的目的是成为一个传统的机器学习运营平台。然而，他们很快意识到，更大的机会不在于构建机器学习模型，而在于验证它们。
如今，机器学习风靡一时，这要归功于 ChatGPT 和其他正在席卷科技世界的生成式人工智能模型的迅速出现。突然间，重点已经从长期研究项目转变为构建在生产中定期部署的实际产品，类似于软件的部署和持续更新方式。
正如 Deepchecks 所解释的那样，软件开发花了很多年的时间才建立按时交付高质量应用程序所需的流程和工具。现在，尽管技术相对较新，但公司仍希望定期部署和更新相同的高质量机器学习模型。更糟糕的是，机器学习开发有更多的移动部件并且更加不透明，这使得该过程更难以预测。
Deepchecks 表示，确保定期更新高质量机器学习模型的唯一方法是吸取软件开发的经验教训，并定期进行测试和验证。为此，它构建了一个平台，帮助 MLOps 团队了解从开发到部署到运营和生产的每一步的机器学习模型。
Tannor 解释说，DevOps 团队永远不会部署未经系统测试的软件。 “然而，这就是今天机器学习应用程序所发生的情况，”他说。 “Deepchecks 为 MLOps 带来了一种新方法，通过在机器学习生命周期的每个步骤中添加验证来改进模型。”
借助 Deepcheck 的开源平台，用户可以重用和定制特定组件，以全面测试机器学习模型以及用于训练模型的数据集。其平台还包括监控工具以及用于生产环境的根本原因分析工具，可通过单一的综合用户界面进行访问。
“Deepchecks 推出了一个社区驱动的 MLOps 框架，使从数据科学家和开发人员到 C 级管理人员的人们能够清楚地了解机器学习应用程序从研究到生产的行为方式，”Chorev 说。
Constellation Research Inc. 副总裁兼首席分析师 Andy Thurai 表示，Deepchecks 可能更专注，但它在一个非常拥挤的 MLOps 市场中运营，其机器学习测试、验证、监控和根本原因分析工具已经广泛使用。 “然而，其针对 ML 模型的自动化 CI/CD 通过测试模型是否满足有关性能、训练测试漂移和数据完整性的生产 KPI 来工作，这对于一些用户来说可能是一个有趣的选择，”他说。
事实证明，到目前为止，Deepchecks 的开源平台被大大小小的企业下载了超过 50 万次，其中包括 Amazon Web Services Inc.、Booking.com Inc. 和 Wix.com Ltd.。其平台现已推出，提供额外的安全和协作功能。
