تمويل
جيري شو، المؤسس المشارك والرئيس التنفيذي لشركة Datatron – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
جيري لديه خبرة واسعة في التعلم الآلي ونظم التخزين والخدمات عبر الإنترنت والأنظمة الموزعة وتحسين الأداء والأنظمة الكبيرة في شركات مثل: لفت، بوكس، تويتر، زينجا، ومايكروسوفت. كما قام بكتابة مشروع مفتوح المصدر Lib Crunch وهو فائز بثلاث جوائز نجم ذهبي من مايكروسوفت. أكمل جيري درجة الماجستير في علوم الحاسوب في جامعة شانغهاي. آخر مشروع له هو Datatron.
بدأت Datatron في عام 2016 بعد مغادرتك لشركة Lyft. كيف تصوروا概念 الأعمال في Datatron في البداية؟
عندما كنا نعمل في لفت، لاحظنا أن علماء البيانات يأتون من خلفيات متنوعة مثل الرياضيات والفيزياء والهندسة الحيوية وغيرها. غالباً ما يكون من الصعب عليهم فهم الجزء الهندسي لطريقة عمل نماذجهم، على الرغم من أن لديهم直ورة جيدة عن النموذج والرياضيات. هذا ما دفعنا إلى بدء Datatron. نحن لا نحاول مساعدة علماء البيانات في العثور على أفضل خوارزمية. نحن نأتي إلى الصورة بعد تحديد الخوارزمية ونجعل نشر النموذج ومراقبته وإدارته أكثر كفاءة.
تم اختيار Datatron من قبل 500 شركة ناشئة ليتضمن في الدفعة الثامنة عشرة من شركات التسريع. كيف أثرت هذه الإقامة عليك شخصياً، وكيف تدير Datatron؟
كنا قد تعلمنا الكثير من تجارب StartX و 500 Startup، بما في ذلك كيفية تقديم عروض للمستثمرين، وكيفية العثور على توافق بين المنتج والسوق، وكيفية تشغيل المبيعات والتسويق الذي لم يكن لدينا خبرة به شخصياً من قبل.
Datatron هي منصة إدارة لنمذجة التعلم الآلي والذكاء الاصطناعي وعلوم البيانات. هل يمكنك توضيح بعض الوظائف التي تقدمها منصتك؟
منتجنا يتكون من أربعة وحدات الآن، وهي نشر النموذج ومراقبته وتحديه وإدارته.
نشر النموذج:
انشئ ووسع نشر النماذج في بضع نقرات. نشر النماذج التي تم تطويرها في أي إطار أو لغة.
مراقبة النموذج:
خذ قرارات عمل أفضل لتوفير وقت فريقك وماله. راقب أداء النموذج واكتشف انخفاض أدائه أثناء حدوثه.
إدارة النموذج:
اقضِ وقتًا أقل على التحقق من النموذج واكتشاف الانحياز والعمليات الداخلية للتفتيش. انتقل من تطوير النموذج إلى التفتيش الداخلي إلى الإنتاج أسرع من أي وقت مضى.
أحد casos استخدام Datatron هو التنبؤ بالطلب، وهو مهم للشركات التي تحتاج إلى التخطيط وتخصيص الموارد. كيف يلعب التعلم الآلي دورًا في هذا؟
الطلب يغير عادة مع الموسمية والاتجاه، وهو مشكلة تعلم آلي نمطية. يمكن للنماذج مثل ARIMA وشبكة العصبونات المتكررة (RNN) التعلم من البيانات التاريخية لاكتشاف الاتجاه والموسمية وتحديد التنبؤات بناءً عليه.
ما هي الإطارات النمطية (مثل TensorFlow) التي تدعمها حاليًا؟
نحن ندعم معظم الإطارات النمطية الشهيرة مثل sklearn وTensorFlow وH2O وR وSAS وغيرها.
ما هي اللغات التي يجب بناء النماذج فيها لتدعمها Datatron؟
نحن ندعم النماذج بلغاتها الأصلية – بايثون وR وJava وغيرها.
ما هي أنواع الصناعات التي تخدمها منصة Datatron بشكل أفضل؟
من الناحية الأساسية، منصتنا هي حل أفقي، مما يعني أنها يمكن استخدامها من قبل العديد من الصناعات المختلفة. حاليًا، نحن نحاول التركيز على خدمات المالية والاتصالات.
ما هي بعض التحديات الأكثر صعوبة في علوم البيانات التي تواجهها الشركات، ولماذا تحل Datatron هذه المشكلة لهم؟
الكثير من الشركات لديها فرق علوم بيانات مختلفة، وتستخدم هذه الفرق أدوات مختلفة لبناء نماذجها وتمارس ممارسات مختلفة لإدارة نماذجها. يتضح أكثر فأكثر للشركات الكبيرة أن النموذج يصبح موردًا سوف يؤثر على إيراداتها بشكل مباشر. وجود منصة يمكن أن توحّد ممارسات التعلم الآلي في جميع أنحاء الشركة يصبح أمرًا حاسمًا وضروريًا. منصتنا يمكن أن تساعد في حل هذه القضايا.
هل هناك أي شيء آخر تود مشاركته حول Datatron؟
لدينا الكثير من الاهتمامات القادمة من الشركات الكبيرة. في نفس الوقت، نحن نبني فريق المبيعات والتسويق لتحقيق التواصل مع العملاء المحتملين بشكل نشط.
لمعرفة المزيد، زوروا Datatron.
