TECH INVEST GROUP S.A.: Inwestycja spółki celowej – Deepstributed Sp. z o.o.

opublikowano: 2020-01-24 23:48

Spis treści:

1. RAPORT BIEŻĄCY

2. MESSAGE (ENGLISH VERSION)

3. INFORMACJE O PODMIOCIE

4. PODPISY OSÓB REPREZENTUJĄCYCH SPÓŁKĘ

KOMISJA NADZORU FINANSOWEGO

Raport bieżący nr

2020

Data sporządzenia:

2020-01-24

Skrócona nazwa emitenta

TECH INVEST GROUP S.A.

Temat

Inwestycja spółki celowej – Deepstributed Sp. z o.o.

Podstawa prawna

Art. 17 ust. 1 MAR - informacje poufne.

Treść raportu:

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.