Razi Raziuddin, spoluzakladatel a CEO společnosti FeatureByte – Interview Series

Razi Raziuddin je spoluzakladatelem a generálním ředitelem společnosti FeatureByteJeho vizí je odemknout poslední velkou překážku pro rozšíření AI v podniku. Raziho analytické a růstové zkušenosti zahrnují vedoucí tým dvou jednorožcových startupů. Razi pomohl rozšířit DataRobot z 10 na 850 zaměstnanců za méně než šest let. Byl průkopníkem strategie uvádění na trh vedené službami, která se stala charakteristickým znakem rychlého růstu společnosti DataRobot.

Posláním FeatureByte je škálovat podnikovou umělou inteligenci radikálním zjednodušením a industrializací dat umělé inteligence. Platforma pro inženýrství a správu funkcí (FEM) umožňuje datovým vědcům vytvářet a sdílet nejmodernější funkce a datové kanály připravené k produkci během několika minut – namísto týdnů nebo měsíců.

Co vás zpočátku přitahovalo k informatice a strojovému učení?

Jako někoho, kdo začal s kódováním na střední škole, jsem byl fascinován strojem, se kterým jsem mohl „mluvit“ a ovládat jej pomocí kódu. Okamžitě mě zaujaly nekonečné možnosti nových aplikací. Strojové učení představovalo změnu paradigmatu v programování, která umožnila strojům učit se a provádět úkoly, aniž by dokonce specifikovaly kroky v kódu. Nekonečný potenciál aplikací ML je to, co mě každý den vzrušuje.

Byli jste prvním obchodním nájemcem ve společnosti DataRobot, platformě pro automatizované strojové učení, která organizacím umožňuje, aby se staly řízené umělou inteligencí. Poté jste pomohli rozšířit společnost z 10 na 1,000 6 zaměstnanců za méně než XNUMX let. Jaké byly některé klíčové poznatky z této zkušenosti?

Přejít z nuly na jedničku je těžké, ale neuvěřitelně vzrušující a obohacující. Každá fáze vývoje společnosti představuje jiný soubor výzev, ale vidět, jak společnost roste a uspěje, je úžasný pocit.

Moje zkušenost s AutoML mi otevřela oči k neomezenému potenciálu AI. Je fascinující vidět, jak lze tuto technologii použít v mnoha různých odvětvích a aplikacích. Na konci dne je vytvoření nové kategorie vzácným, ale neuvěřitelně obohacujícím výkonem. Moje hlavní poznatky ze zkušenosti:

• Vytvořte úžasný produkt a vyhněte se honbě za výstřelky
• Nebojte se být kontrariánem
• Zaměřte se na řešení problémů zákazníků a poskytování hodnoty
• Buďte vždy otevření inovacím a zkoušení nových věcí
• Vytvořte a vštěpujte správnou firemní kulturu od samého začátku

Mohl byste se podělit o příběh geneze za FeatureByte?

Ve světě AI/ML je dobře známý fakt – že skvělá AI začíná skvělými daty. Ale příprava, nasazení a správa dat AI (nebo funkcí) je složitá a časově náročná. Můj spoluzakladatel Xavier Conort a já jsme tento problém viděli z první ruky v DataRobot. Zatímco modelování se díky nástrojům AutoML výrazně zjednodušilo, inženýrství a správa funkcí zůstává obrovskou výzvou. Na základě našich společných zkušeností a odborných znalostí jsme s Xavierem cítili, že bychom mohli organizacím skutečně pomoci vyřešit tuto výzvu a splnit slib AI kdekoli.

Inženýrství funkcí je jádrem FeatureByte, mohl byste našim čtenářům vysvětlit, co to je?

Kvalita dat v konečném důsledku určuje kvalitu a výkon modelů AI. Data, která se vkládají do modelů za účelem jejich trénování a předvídání budoucích výsledků, se nazývají funkce. Funkce představují informace o entitách a událostech, jako jsou demografická nebo psychografická data spotřebitelů nebo vzdálenost mezi držitelem karty a obchodníkem pro transakci kreditní kartou nebo počet položek různých kategorií z nákupu v obchodě.

Proces transformace nezpracovaných dat na funkce – pro trénování modelů ML a předpovídání budoucích výsledků – se nazývá inženýrství funkcí.

Proč je inženýrství funkcí jedním z nejsložitějších aspektů projektů strojového učení?

Funkce je mimořádně důležitá, protože proces je přímo zodpovědný za výkon modelů ML. Dobré inženýrství funkcí vyžaduje tři poměrně nezávislé dovednosti, aby se spojily – znalost domény, datová věda a datové inženýrství. Znalosti domény pomáhají datovým vědcům určit, jaké signály extrahovat z dat pro konkrétní problém nebo případ použití. K extrakci těchto signálů potřebujete dovednosti v oblasti datové vědy. A konečně, datové inženýrství vám pomůže nasadit kanály a provádět všechny tyto operace ve velkém měřítku na velkých objemech dat.

V naprosté většině organizací tyto dovednosti žijí v různých týmech. Tyto týmy používají různé nástroje a špatně spolu komunikují. To vede k velkému tření v procesu a zpomaluje jej až k zastavení broušení.

Mohl byste se podělit o nějaké poznatky o tom, proč je inženýrství funkcí nejslabším článkem škálování AI?

Podle Andrewa Nga, renomovaného odborníka na AI, „Aplikované strojové učení je v podstatě inženýrství funkcí.“ Navzdory své kritickosti pro životní cyklus strojového učení zůstává inženýrství funkcí složité, časově náročné a závislé na odborných znalostech. Existuje vážný nedostatek nástrojů, které by tento proces usnadnily, urychlily a více industrializovaly. Požadované úsilí a odborné znalosti brání podnikům zavádět AI ve velkém měřítku.

Mohl byste se podělit o některé z výzev, které stojí za vytvořením řešení AI zaměřeného na data, které radikálně zjednodušuje inženýrství funkcí pro datové vědce?

Vytvořit produkt, který má 10x výhodu oproti současnému stavu, je velmi těžké. Naštěstí má Xavier hluboké odborné znalosti v oblasti datové vědy, které využívá k přehodnocení celého pracovního postupu funkcí od prvních principů. Máme prvotřídní tým plných datových vědců a inženýrů, kteří dokážou naši vizi proměnit ve skutečnost. A uživatelům a vývojovým partnerům, aby nám radili se zefektivněním UX, aby bylo možné co nejlépe vyřešit jejich problémy.

Jak platforma FeatureByte urychlí přípravu dat pro aplikace strojového učení?

Příprava dat pro ML je iterativní proces, který se opírá o rychlé experimentování. Open source FeatureByte SDK je deklarativní rámec pro vytváření nejmodernějších funkcí s několika řádky kódu a nasazení datových kanálů během několika minut namísto týdnů nebo měsíců. To umožňuje vědcům zabývajícím se daty soustředit se na kreativní řešení problémů a rychlé opakování živých dat, spíše než se starat o instalatérské práce.

Výsledkem je nejen rychlejší příprava a obsluha dat ve výrobě, ale také lepší výkon modelu prostřednictvím výkonných funkcí.

Můžete probrat, jak platforma FeatureByte navíc nabídne možnost zefektivnit různé probíhající úkoly správy?

Platforma FeatureByte je navržena pro správu komplexního životního cyklu funkcí ML. Deklarativní rámec umožňuje FeatureByte automaticky nasazovat datové kanály a zároveň extrahovat metadata, která jsou relevantní pro správu celkového prostředí. Uživatelé mohou sledovat stav a náklady potrubí a spravovat původ, verzi a správnost funkcí, to vše ze stejného GUI. Pracovní postupy přístupu a schvalování založené na rolích na podnikové úrovni zajišťují soukromí a zabezpečení dat a zároveň zabraňují rozšiřování funkcí.

Je ještě něco, co byste chtěli o FeatureByte sdílet?

Většina podnikových nástrojů AI se zaměřuje na zlepšování modelů strojového učení. Dali jsme si za cíl pomáhat podnikům škálovat jejich AI zjednodušením a industrializací dat AI. Ve FeatureByte řešíme největší výzvu pro odborníky na umělou inteligenci: Poskytujeme konzistentní, škálovatelný způsob přípravy, obsluhy a správy dat v průběhu celého životního cyklu modelu a zároveň radikálně zjednodušujeme celý proces.

Pokud jste datový vědec nebo inženýr a chcete zůstat na špici datové vědy, doporučuji vám vyzkoušet sílu FeatureByte zdarma.

Děkuji za skvělý rozhovor, čtenáři, kteří se chtějí dozvědět více, by měli navštívit FeatureByte.