Streamlit می خواهد انقلابی در ساختمان یادگیری ماشین و داده های علمی کاربردی نمرات 21 میلیون دلار سری بودجه

ما اشتباه گرفته بودند در ابتدا هنگامی که ما اخبار. ما تفسیر "چارچوب برنامه برای یادگیری ماشین و داده های علم" به معنی برخی از چارچوب جدید برای کار با داده ها مانند PyTorch, DeepLearning4j, Neuton به نام فقط چند در میان بسیاری از دیگران وجود دارد.

بنابراین اولین واکنش ما این بود: یکی دیگر چگونه متفاوت است ؟ حقیقت این است که Streamlit است که یک چارچوب برای کار با داده ها در هر se. بلکه آن است که یک چارچوب برای ساختمان داده-محور برنامه های کاربردی. که باعث می شود آن را متفاوت برای بوت شدن و بیشتر وجود دارد.

Streamlit است که در افرادی که لزوما نمی دانند و یا مراقبت زیادی در مورد توسعه نرم افزار: اطلاعات دانشمندان است. آن را ایجاد یک راک استار تیم از دانشمندان داده که در سال 2013 در حالی که کار در Google X, آن را منبع باز شده است و مانند آتش سوزی گسترش شمارش برخی از 200.000 برنامه های کاربردی ساخته شده است از اواخر سال 2019.

امروز Streamlit اعلام کرده است که تضمین 21 میلیون دلار در سری بودجه. ZDNet ارتباط با مدیر عامل آدرین Treuille به بحث در مورد آنچه باعث می شود Streamlit ویژه و که در آن و داده محور برنامه های کاربردی در مقیاس بزرگ در حال رفتن بعدی.

برای گوش دادن به مکالمه با Treuille در تمامیت آن شما می توانید سر به هماهنگ همه چیز پادکست.

از صفر تا قهرمان: از مجموعه داده ها و مدل ها به برنامه های کاربردی

سرمایه گذاری در شرکت-led با شیب سرمایه گذاری و GGV سرمایه اضافی مشارکت از بلومبرگ بتا Elad گیل دانیل گروس و دیگران. گلن جزایر شریک مدیریت در GGV سرمایه گفت:

"تطبیق سرعت به اطلاعات جدید و بینش یکی از بزرگترین چالش های پیش روی شرکت های امروز. Streamlit است که منجر به راه در کمک به علوم اطلاعات تیم زمان سرعت بخشیدن به بازار و تقویت کار از یادگیری ماشین در سراسر شرکت از تمام اندازه ها در سراسر طیف گسترده ای از صنایع است. در GGV ما بسیار هیجان زده به این استثنایی موسس تیم و حمایت خود را بلند پروازانه رشد جهانی قصد دارد".

اجازه دهید آن را از آغاز ، در Treuille کلمات او و موسسان آمد به کارآفرینان از طریق دانشگاه انجام یادگیری ماشین و داده های بزرگ و AI قبل از آنها بودند این نام و قطعا قبل از آنها سرد است. از طریق خود نانامی به بازی در گوگل X و Zoox AI تیم Treuille مشاهده یک الگوی.

وعده یادگیری ماشین و هوش مصنوعی بود که اغلب منزوی در آن گروه و نه مؤثر بر سازمان به عنوان به خوبی و یا به راحتی به عنوان آنها می توانند. که منجر Treuille برای شروع کار بر روی یک پروژه حیوان خانگی برای حل این. در نهایت آن آغاز شده و مورد استفاده قرار گرفتن توسط تعدادی از مهندسین و رشد واقعا سریع است. و سپس سرمایه گذاری در آمد و منبع باز راه اندازی.

Streamlit رشد از یکی از پروژه استفاده می شود در تعدادی از شرکت های فورچون 500 و فراتر از آن تحت رادار تا به امروز. و آن کار می کرد که راه را برای تعدادی از دلایل.

اول Treuille و موسسان اهرمی شبکه خود را. دوم آنها باز منابع Streamlit که ساخته شده آن را آسان برای هر کس به اتخاذ و با تجربه. سوم و شاید مهمتر از آنها دستگیر چه Treuille به نام Zeitgeist: آنها ارائه یک راه حل برای یک مشکل داده های دانشمندان و سازمان های به کارگیری آنها روبرو هستند:

چگونه برای رفتن از جزئی با داده و مدل های, به استقرار یک برنامه با استفاده از آنها در تولید. در اصل برای این کار تعداد زیادی از مردم باید با هم کار کنند. حداقل اطلاعات دانشمندان و توسعه دهندگان نرم افزار. به طور معمول در شرایطی مانند این مهارت ها و فرهنگ های متفاوت و همکاری هزینه های زمان و پول است.

Streamlit نقل دلتا دندانپزشکی به عنوان مثال. به آنها گفته شد که با استفاده از هوش مصنوعی به تجزیه و تحلیل خود را در تماس با مرکز ترافیک هزینه 10 میلیون دلار و یک سال است. یک دانشمند داده در دلتا دندانپزشکی استفاده می شود Streamlit به جای او ساخته شده است یک MVP در یک هفته, یک نمونه در سه هفته و تا به حال آن را در تولید در سه ماه تمام در صفر هزینه به این شرکت می گوید Streamlit.

در نظر گرفتن توسعه دهندگان نرم افزار از توسعه نرم افزار

برای درک اینکه چگونه این امر ممکن است ما نیاز به شیرجه رفتن عمیق تر به نحوه Streamlit کار می کند. Streamlit تلاش می کند تا از نرم افزار تیم توسعه از تصویر را قادر می سازد اطلاعات دانشمندان به منظور توسعه برنامه های کاربردی خود را.

Treuille شرح و تفصیل در معمای گرفتن اطلاعات دانشمندان برای ساخت برنامه های کاربردی و یا گرفتن سازندگان نرم افزار برای کار با داده های دانشمندان است. اطلاعات دانشمندان لزوما باید از مهارت های اصلی برای برنامه سازی و برنامه های کاربردی خود را تا پایان بودن سازمان ملل متحد و نگهداری است. نرم افزار سازندگان حرکت بر روی برنامه های کاربردی دیگر و در نتیجه انجماد ویژگی های.

چه Streamlit می کند این است که آن را اجازه می دهد تا داده های دانشمندان ایجاد برنامه های کاربردی به عنوان یک محصول جانبی از گردش کار خود را. در آن طول می کشد خود را پایتون اسکریپت ها و تبدیل آنها به برنامه های کاربردی اجازه آنها در قرار دادن چند خط کد که چکيده نرم افزار سازه مانند ویدجت.

که غیر مومن. مهندسین نرم افزار استدلال می کنند وجود دارد به همین دلیل توسعه وب چارچوب وجود داشته باشد, به عنوان مثال. و وجود دارد بسیاری از سال تجربه و بهترین شیوه مقطر به آنها. به پرتاب همه آنها را دور به نفع مشروح پایتون اسکریپت می خواهم نگاه بد عمل نه به ذکر است یک تهدید وجودی.

Treuille التماس به متفاوت است. برای حمایت از نظر او علاوه بر گسترده تصویب او استدلال می کند که این راه های مختلف در حال توسعه برنامه های کاربردی. برنامه های کاربردی مختلف دامنه متفاوت است و Streamlit قصد ندارد دوباره نویسی و توسعه نرم افزار, چرخ, اما نه به آن ادغام:

"ما نظر خودمان را به عنوان یک ترجمه لایه بین پایتون و چارچوب وب جهان است. برای مثال همه چیز در Streamlit نوشته شده است واکنش نشان می دهند. هنگامی که شما کشف کرده ایم شادی واکنش نشان می دهند که مانند برنامه نویسی nirvana. ما می توانید تقریبا هر چیزی را در واکنش اکوسیستم و ترجمه که به Streamlit تقریبا بی دردسر. بنابراین ما فن آوری هسته ای است که واقعا ترجمه لایه".

Treuille در ادامه برای اضافه کردن که به زودی Streamlit را قادر خواهد ساخت هر توسعه دهنده برای ترجمه هر بیت از وب سایت تکنولوژی به تک پایتون تابع نتیجه اجازه می دهد دو اکوسیستم به رشد به طور مستقل از یکدیگر. همین رویکرد صورت گرفته است همچنین با توجه به استفاده از Python چارچوب مانند Dask یا ری برای مثال:

"Streamlit بسیار متواضع است در برخی از راه های بسیار کوچک است. و بنابراین ما نشستن در کنار هر-کل Python داده اکوسیستم. و آن است که واقعا هیجان انگیز به دلیل بزرگتر داستان در اینجا است که راه بزرگتر از Streamlit. این اطلاعات جهان است که در یک زمان بزرگ پایگاه داده و سپس آن را به اکسل و سپس آن را تابلو و اخیرا تماشاچی.

این سونامی در حال آمدن است که منبع باز است و یادگیری ماشین و Python و پانداها SciKit یاد بگیرند. این است که اساسا از 20 سال تحقیقات علمی به یادگیری ماشین توفنده به اطلاعات جهان و به طور کامل تبدیل آن. و ما نظر خودمان را به عنوان فقط یک تخته موج سواری در, موج سوار آن و یا تلاش برای سوار شدن آن را به عنوان بهترین ما می توانیم".

برنامه وجود دارد برای آن است. شما باید آن را ساخت با Streamlit?

که ممکن است توضیح دهد اما نه دامنه. وجود دارد بیشتر به برنامه های کاربردی از اطلاعات و داده محور ویژگی های. اگر شما در حال Netflix بکشد برای مثال هسته اصلی کسب و کار حول محور جریان و برنامه های کاربردی باید منعکس کننده که. آنها باید مردم را قادر می سازد برای مدیریت پرداخت های جریان فیلم ،

توصیه های اضافه کردن به که طراحی شده توسط داده ها و یادگیری ماشین. اما آنها نه کسب و کار اصلی. Treuille اذعان کرد که Streamlit نمی آرزوی جلویی به کل شرکت شما: "اگر Netflix بکشد به ما آمد و گفت: هی ما می خواهیم برای نوشتن برنامه Netflix بکشد سایت در Streamlit ما می گویند ما نمی فکر می کنم که ایده خوبی است".

Streamlit است نه یک هدف کلی برنامه توسعه چارچوب است. آنچه در آن می کند در راه است همان چیزی است که هوش کسب و کار نرم افزار چارچوب را برای پایگاه داده. آن را فراهم می کند یک چارچوب است که امکان دسترسی سریع به منبع اساسی از ارزش. برای دو چارچوب آن داده های ذخیره شده در پایگاه داده. برای Streamlit آن را یادگیری ماشین مدل.

ما هنوز هم سوال چگونه بسیاری از دانشمندان داده ها و یا مدیران خود را برای این موضوع خوشحال خواهد بود با اضافه کردن وظیفه خود را حفظ Streamlit برنامه های کاربردی در بالای هر چیز دیگری آنها در حال حاضر انجام. ما نیز سوال که آیا توسعه دهندگان نرم افزار می تواند و یا باید گرفته شود از تصویر به طور کامل حتی برای هدف ساخته شده است, داده محور, برنامه های کاربردی, به عنوان آنها رشد می کنند در طول زمان است. اما Streamlit زود است که در آن چرخه عمر قادر به پاسخ به این سوالات است.

که با این حال به نظر نمی رسد به متوقف کاربران و یا سرمایه گذاران. صحبت از آن وجود دارد یکی دیگر از سوال جالب اینجا. چه Streamlit مدل کسب و کار و چگونه آن را دریافت کنید برای متقاعد کردن مردم به سرمایه گذاری پول در آن است ؟ به طور خلاصه: نرم افزار به عنوان یک سرویس در ابر با یک نیشگون گرفتن و کشیدن.

شما می توانید با استفاده از Streamlit به توسعه هر برنامه بدون هیچ گونه محدودیت. آنچه شما برای پرداخت اختیاری است استقرار. کاربران می توانند با استقرار Streamlit هر کجا که لطفا خود را. اما Streamlit خود را ارائه میدهد راه حل های ابر به نام Streamlit برای تیم های که می آید با ویژگی های اضافی در اطراف همکاری و استقرار.

Treuille شد قاطعانه در مورد Streamlit پایین تا استراتژی فروش: فقط گرفتن از نرم افزار خارج وجود دارد را قادر می سازد مردم را به شروع به ساخت برنامه های کاربردی و سپس تبدیل بخشی از آنها به کاربران پرداخت.

تصویر بزرگتر: نرم افزار 2.0

Streamlit جالب است اگر هیچ چیز دیگری پس از آن به دلیل پارادایم های مختلف آن را به ارمغان می آورد به توسعه نرم افزار است. که به نوبه خود بخشی از آنچه Treuille می بیند به عنوان یک روش متفاوت برای ساخت برنامه های کاربردی:

"تصویر بزرگتر در راه است که پایتون اکوسیستم و جامعه از توسعه دهندگان منبع باز و علمی به توسعه دهندگان و شرکت های بزرگ -- TensorFlow ساخته شده است توسط گوگل PyTorch توسط Facebook-چگونه همه این نیروهای مختلف گرد هم آمده اند برای ایجاد این فوق العاده قدرتمند اطلاعات اکوسیستم. که واقعا می تواند انقلابی نشان می دهد. که واقعا دارای خواص متفاوت از فقط یک صفحه گسترده ساده و یک لیست از فروش خود را بیش از سال گذشته است".

برخی از مردم با مراجعه به این نرم افزار 2.0. آنچه که ما در فکر این بود که آیا جهان واقعا آماده است برای این. در بسیاری از راه های بسیاری از سازمان ها احتمالا بدست نمی نرم افزار 1.0 راست نشده است. کنترل نسخه, انتشار, مدیریت, ابزارهای توسعه نرم افزار و فرآیندهای - این دقیقا همان چیزهای بی اهمیت.

در حال حاضر اضافه کردن به که-مجموعه مدیریت منشأ ماشین یادگیری و ویژگی های مهندسی, نسخه, به, نام, اما تعداد کمی از نگرانی های داده محور, توسعه, و آنچه شما دریافت می کنید یک ترکیبی انفجار. Treuille اذعان کرد که واقعا بخشی از روال گذشته سال است.

Treuille می بیند Streamlit به عنوان بخشی از یک موج جدید راه اندازی مانند Tecton یا وزن و تعصبات که اساسا productionizing هر لایه که پشته. او معتقد است افراد با استعداد در حال کار بر روی این و آن آینده را مشاهده کنید. خود را در مورد چگونه می توانید با این برنامه:

"اگر شما یک شرکت درخواست خود را در چگونه برای رسیدن به این جهان چه حتی اولین قدم من می گویند: برو به بینش داده های علمی. استخدام یکی از آنها یادگیری ماشین مهندسین و یا اطلاعات دانشمندان از اتمام مدرسه به دانشمندان داده و سپس آنها را Streamlit".

از ویژگی های خاص

تبدیل داده های بزرگ به کسب و کار بینش

کسب و کار خوب در جمع آوری اطلاعات و اینترنت از چیزهایی است که مصرف آن را به سطح بعدی. اما پیشرفته ترین سازمان ها در حال استفاده از آن به قدرت دیجیتال تغییر و تحول است.

ادامه مطلب