Razi Raziuddin, cofundador i CEO de FeatureByte – Sèrie d'entrevistes

Razi Raziuddin és el cofundador i CEO de FeatureByte, la seva visió és desbloquejar l'últim obstacle important per escalar la IA a l'empresa. L'experiència d'anàlisi i creixement de Razi abasta l'equip de lideratge de dues startups d'unicorn. Razi va ajudar a escalar DataRobot de 10 a 850 empleats en menys de sis anys. Va ser pioner en una estratègia de sortida al mercat dirigida per serveis que es va convertir en el segell distintiu del ràpid creixement de DataRobot.

FeatureByte té la missió d'escalar la IA empresarial, simplificant i industrialitzant radicalment les dades d'IA. La plataforma d'enginyeria i gestió de funcions (FEM) permet als científics de dades crear i compartir funcions d'última generació i canalitzacions de dades preparades per a la producció en qüestió de minuts, en comptes de setmanes o mesos.

Què et va atraure inicialment de la informàtica i l'aprenentatge automàtic?

Com a algú que va començar a programar a l'escola secundària, em va fascinar una màquina amb la qual podia "parlar" i controlar mitjançant el codi. Em vaig enganxar a l'instant a les infinites possibilitats de noves aplicacions. L'aprenentatge automàtic va representar un canvi de paradigma en la programació, permetent a les màquines aprendre i realitzar tasques sense ni tan sols especificar els passos del codi. El potencial infinit de les aplicacions ML és el que em emociona cada dia.

Vau ser la primera contractació empresarial a DataRobot, una plataforma automatitzada d'aprenentatge automàtic que permet a les organitzacions convertir-se en IA. Després vas ajudar a escalar l'empresa de 10 a 1,000 empleats en menys de 6 anys. Quins van ser els punts clau d'aquesta experiència?

Anar de zero a un és difícil, però increïblement emocionant i gratificant. Cada etapa de l'evolució de l'empresa presenta un conjunt diferent de reptes, però veure com l'empresa créixer i tenir èxit és una sensació sorprenent.

La meva experiència amb AutoML em va obrir els ulls al potencial il·limitat de la IA. És fascinant veure com aquesta tecnologia es pot utilitzar en tantes indústries i aplicacions diferents. Al final del dia, crear una nova categoria és una gesta rara, però increïblement gratificant. Els meus punts clau de l'experiència:

• Construeix un producte sorprenent i evita perseguir modes
• No tinguis por de ser contrari
• Centrar-se a resoldre els problemes dels clients i oferir valor
• Estigueu sempre obert a la innovació i a provar coses noves
• Crear i inculcar la cultura d'empresa adequada des del primer moment

Podries compartir la història de la gènesi darrere de FeatureByte?

És un fet ben conegut al món de la IA/ML: que la gran IA comença amb grans dades. Però preparar, desplegar i gestionar dades d'IA (o funcions) és complex i requereix molt de temps. El meu cofundador, Xavier Conort, i jo vam veure aquest problema de primera mà a DataRobot. Tot i que el modelatge s'ha simplificat molt gràcies a les eines AutoML, l'enginyeria i la gestió de funcions segueixen sent un gran repte. A partir de la nostra experiència i experiència combinades, Xavier i jo vam pensar que podríem ajudar realment les organitzacions a resoldre aquest repte i complir la promesa de la IA a tot arreu.

L'enginyeria de funcions és el nucli de FeatureByte, podríeu explicar què és això per als nostres lectors?

En definitiva, la qualitat de les dades impulsa la qualitat i el rendiment dels models d'IA. Les dades que s'incorporen als models per entrenar-los i predir resultats futurs s'anomenen Característiques. Les funcions representen informació sobre entitats i esdeveniments, com ara dades demogràfiques o psicogràfiques dels consumidors, o la distància entre el titular de la targeta i el comerciant per a una transacció amb targeta de crèdit o el nombre d'articles de diferents categories d'una compra a la botiga.

El procés de transformació de dades en brut en funcions, per entrenar models de ML i predir resultats futurs, s'anomena enginyeria de funcions.

Per què l'enginyeria de funcions és un dels aspectes més complicats dels projectes d'aprenentatge automàtic?

L'enginyeria de característiques és molt important perquè el procés és directament responsable del rendiment dels models ML. Una bona enginyeria de funcions requereix tres habilitats força independents per unir-se: coneixement del domini, ciència de dades i enginyeria de dades. El coneixement del domini ajuda els científics de dades a determinar quins senyals cal extreure de les dades per a un problema o cas d'ús concret. Necessiteu habilitats en ciència de dades per extreure aquests senyals. I, finalment, l'enginyeria de dades us ajuda a desplegar canalitzacions i realitzar totes aquestes operacions a escala en grans volums de dades.

A la gran majoria de les organitzacions, aquestes habilitats viuen en equips diferents. Aquests equips utilitzen eines diferents i no es comuniquen bé entre ells. Això provoca molta fricció en el procés i el frena fins a una parada.

Podríeu compartir una visió sobre per què l'enginyeria de funcions és l'enllaç més feble per escalar la IA?

Segons Andrew Ng, reconegut expert en IA, "l'aprenentatge automàtic aplicat és bàsicament enginyeria de funcions". Malgrat la seva importància per al cicle de vida de l'aprenentatge automàtic, l'enginyeria de funcions segueix sent complexa, consumeix molt de temps i depèn del coneixement expert. Hi ha una gran manca d'eines per fer el procés més fàcil, ràpid i més industrialitzat. L'esforç i l'experiència requerits impedeixen que les empreses puguin desplegar IA a escala.

Podríeu compartir alguns dels reptes que hi ha darrere de la creació d'una solució d'IA centrada en dades que simplifique radicalment l'enginyeria de funcions per als científics de dades?

Construir un producte que tingui un avantatge de 10 vegades respecte a l'statu quo és molt difícil. Afortunadament, Xavier té una gran experiència en ciència de dades que està emprant per replantejar tot el flux de treball de les funcions des dels primers principis. Tenim un equip de classe mundial de científics i enginyers de dades de pila completa que poden convertir la nostra visió en realitat. I usuaris i socis de desenvolupament per assessorar-nos sobre la racionalització de l'UX per resoldre millor els seus reptes.

Com accelerarà la plataforma FeatureByte la preparació de dades per a aplicacions d'aprenentatge automàtic?

La preparació de dades per a ML és un procés iteratiu que es basa en una experimentació ràpida. L'SDK FeatureByte de codi obert és un marc declaratiu per crear funcions d'última generació amb només unes poques línies de codi i desplegar canalitzacions de dades en minuts en lloc de setmanes o mesos. Això permet als científics de dades centrar-se en la resolució creativa de problemes i iterar ràpidament les dades en directe, en lloc de preocupar-se per la fontaneria.

El resultat no és només una preparació de dades i un servei més ràpids en producció, sinó també un rendiment millorat del model gràcies a funcions potents.

Podeu parlar de com la plataforma FeatureByte també oferirà la possibilitat d'agilitzar diverses tasques de gestió en curs?

La plataforma FeatureByte està dissenyada per gestionar el cicle de vida de les funcions de ML d'extrem a extrem. El marc declaratiu permet a FeatureByte desplegar canalitzacions de dades automàticament, alhora que extreu metadades que són rellevants per gestionar l'entorn global. Els usuaris poden controlar la salut i els costos de la canalització i gestionar el llinatge, la versió i la correcció de les funcions des de la mateixa GUI. Els fluxos de treball d'accés i aprovació basats en rols de nivell empresarial garanteixen la privadesa i la seguretat de les dades, alhora que eviten l'expansió de funcions.

Hi ha alguna cosa més que t'agradaria compartir sobre FeatureByte?

La majoria de les eines d'IA empresarial se centren en la millora dels models d'aprenentatge automàtic. Ens hem fet una missió d'ajudar les empreses a escalar la seva IA, simplificant i industrialitzant les dades d'IA. A FeatureByte, afrontem el repte més gran per als professionals de la IA: proporcionar una manera coherent i escalable de preparar, publicar i gestionar dades durant tot el cicle de vida d'un model, alhora que simplifiquem radicalment tot el procés.

Si sou un científic de dades o un enginyer interessat a mantenir-vos a l'avantguarda de la ciència de dades, us animo a experimentar el poder de FeatureByte de forma gratuïta.

Gràcies per la gran entrevista, els lectors que vulguin aprendre més haurien de visitar FeatureByte.