RB ESPI 1/2020 | Inwestycja spółki celowej – Deepstributed Sp. z o.o.

RB ESPI 1/2020 | Inwestycja spółki celowej – Deepstributed Sp. z o.o.

Zarząd Tech Invest Group S.A. z siedzibą w Wysokiej _”TIG”, „Emitent”_ informuje, iż 24 stycznia 2020 r. zawarta została umowa inwestycyjna _”Umowa”_ pomiędzy spółką Deepstributed Sp. z o. o. _”Deepstributed”_ a trzema podmiotami, w tym z funduszem Kvarko ASI Sp. z o.o. _”Kvarko”_ prowadzącym działalność inwestycyjną i realizującym organizowany przez Narodowe Centrum Badań i Rozwoju projekt BRIdge Alfa.

Deepstributed pozyskał na rozwój środki pieniężne w kwocie 1 mln zł, a Kvarko objęło 25 udziałów _15,06%_ w tej spółce. TIG posiada 1/3 kapitału zakładowego Kvarko.

Deepstributed stworzy platformę, która wykorzysta rozproszone zasoby obliczeniowe do uruchamiania eksperymentów związanych z uczeniem maszynowym przy użyciu interfejsu graficznego użytkownika. Głównym zadaniem platformy będzie automatyzacja procesu zarządzania i konfiguracji infrastruktury obliczeniowej, co ma znacząco ułatwić pracę inżynierom uczenia maszynowego _ang. MLE, Machine Learning Engineers_.

Szacuje się, że obecnie MLE poświęcają od 10 do nawet 30% czasu pracy na przygotowanie sprzętu i środowiska uruchomieniowego, co jest uciążliwe oraz kosztowne. Czas ten mógłby zostać wykorzystany efektywniej, zwłaszcza na główne prace, czyli programowanie. Wykorzystanie platformy przyniesie ze sobą następujące korzyści:

– ułatwione i przyspieszone rozwijanie algorytmów uczenia maszynowego _ang. ML, machine learning_ / uczenia głębokiego _ang. DL, deep learning_ przez MLE,
– odciążenie inżynierów z prac przygotowawczych, które nie dotyczą stricte programowania,
– uproszczony proces uruchamiania zadań ML/DL w rozproszonej infrastrukturze,
– łączenie zasobów lokalnych ze zdalnymi,
– racjonalizacja wykorzystania czasu pracy MLE,
– optymalizacja wykorzystania zasobów obliczeniowych.

Planuje się, że rozwój platformy Deepstributed umożliwi wprowadzenie na rynek niespotykanego do tej pory rozwiązania, które znacznie ułatwi prowadzenie procesów uczenia maszynowego.