Edward Cui, Grundlægger & CEO af Graviti – Interview Serie

Edward Cui er grundlægger og CEO af Graviti, et firma, der bygger den næste generation af data-platform, der vil ændre, hvordan udviklere interagerer med ustruktureret data. Med Graviti kan AI-udviklere hurtigere og lettere erhverve, gemme og behandle data – det fundament, der er nødvendigt for at udnytte kunstig intelligens til at styrke alle brancher.

Du startede din bacheloruddannelse som maskiningeniør, hvad fik dig til at skifte til datalogi og kunstig intelligens?

Jeg studerede faktisk maskiningeniør som bachelor i 2012. Jeg tog en klasse i maskinlæring på University of Pennsylvania, som var fantastisk, og jeg vidste, det var fremtiden og hvad jeg ville gøre i min karriere. Efter den klasse skiftede jeg til datalogi.

Efter afslutning af uddannelsen gjorde jeg forskning i forstærkninglæring på University of Pennsylvania. I 2015 fik min tidligere chef, Jeff Snyder, job på Uber og inviterede mig til at slutte mig til Uber ATG. Det var begyndelsen på min karriere i selv kørende biler.

Kan du dele historien bag Graviti?

At arbejde på Uber var meget kompliceret i begyndelsen, fordi folk ikke brugte store maskinlæringsmodeller, og vi manglede beregningskraft og en datastyringsplatform til at træne modeller. Data, vi samlede ind til selv kørende biler, var alle ustruktureret. For eksempel var de billeder, videoer, LIDAR-punkter. Alt den type data fra virkelige sensorer, og vi samlede tons af ustruktureret data hver dag. Vi lavede en statistik, der viste os, at mængden af data, vi samlede ind i selv kørende biler-afdelingen på en uge, var lig med den mængde data, vi samlede ind i hele restaurantforretningen globalt på ét år. Tons af ustruktureret data akkumuleredes hver enkelt dag, og det skabte store problemer med, hvordan vi skulle gemme data, styre data og bruge data til at generere værdi for forskellige organisationer.

Efter tre år på Uber så jeg muligheden for at forbedre, hvordan stor skala ustruktureret data kunne styres. Så jeg grundlagde Graviti i 2019 for at accelerere innovationer i AI ved at bygge en ustruktureret datastyringsplatform.

Kan du diskutere, hvordan Graviti er en platform til at styre og strukturere data i stor skala?

Graviti har til formål at lancerer den første data-platform, der giver organisationer mulighed for at arbejde med store mængder ustruktureret data for at drive innovative AI-anvendelser. Denne platform eliminerer besværet og hjælper udviklere med at styre store mængder ustruktureret data med holdet.

Mens den overvejende del af den tilgængelige information i AI-udvikling er af lav kvalitet og ustruktureret, bruger udviklingsteams normalt over 50% af deres tid – ikke på at bygge modeller – men på at identificere, forbedre eller rense ustruktureret data, og det er kun begyndelsen på deres arbejde. Graviti tilbyder en mere ekspert datastyringsmåde til at frigøre udviklere og give dem mere tid til at analysere ustruktureret data og træne kunstig intelligens-modeller.

Vi hjælper udviklere på tre måder: data-opdagelse, data-iteration og workflow-automatisering.

Data-opdagelse:

Graviti tilbyder en data-vært-funktion, der gør det lettere at organisere rådata, annotationer og metadata ved at samle datasettet og annotationsformatet. Når AI-udviklere får adgang til forskellige datasets via Graviti, behøver de ikke at konvertere dataformatet, hvilket simplificerer styringen, forespørgslen, adgangen og andre operationer, der er involveret i annotation. Graviti hjælper med at reducere risikoen for forkert rådata eller tab af annotationer. Desuden kan Graviti-platformen hjælpe udviklere med at evaluere kvaliteten af datasets med en data-visualiseringsfunktion, der sparer mindst otte timer om ugen for udviklere.

Data-iteration:

Når udviklere træner deres kunstig intelligens, skal de teste med datasets i forskellige versioner for at se resultaterne og markere annotationerne. Udfordringen er at spore de forskellige redigeringer og versioner med teammedlemmer, der arbejder på samme projekt. Graviti tilbyder løsningen ved at aktivere tildeling af forskellige adgangsrettigheder til medarbejdere, så de kan uploade deres annotationer for at spore projektets fremgang og arbejde samtidigt.

Workflow-automatisering:

Med en funktion kaldet “Action” kan ingeniører automatisere arbejdsprocesser og reducere repetitive, tidskrævende og manuelle sysler. Det frigør udviklere fra at skrive store manuelle scripts for at opnå disse arbejdsprocesser og åbner op for tid til, at de kan koncentrere sig om det arbejde, de skal udføre.

Hvorfor er ustruktureret data fremtiden for AI?

Over 80% af virksomhedsdata er ustruktureret nu, herunder billeder, optagelser, videoer, sociale medie-indlæg osv. AI er nøglen til at levere værdi fra ustruktureret data. Virksomheder begynder at udnytte ustruktureret data til at støtte dybdegående forskning og yderligere analyse.

Graviti lancerede nyligt OpenBytes, et non-profit åbent data-projekt, der er vært på Linux Foundation. Kan du diskutere, hvad OpenBytes er?

OpenBytes’ mission er at facilitere en bredere deling af data i AI-samfundet gennem oprettelse af data-standarder, -formater og -processer, der muliggør bidrag til data. OpenBytes’ omfang omfatter kuratering af åbne datasets, åbne data-specifikationer og samarbejdsudvikling under åbne licenser, der understøtter missionen, herunder dokumentation, test, integration og oprettelse af andre artefakter, der hjælper med udvikling, implementering, drift eller adoption af det åbne kilde-projekt.

OpenBytes kan reducere data-bidragsyderes ansvarsrisici. Dataset-ejere er tilbageholdende med at dele deres datasets offentligt på grund af manglende viden om data-licenser. Når dataset-bidragsydere slutter sig til OpenBytes, vil deres data være beskyttet, og mere åben data bliver tilgængeligt.

Vi genererer også en standard-dataset-format, når vi offentliggør, deler og udveksler data. En samlet format hjælper data-bidragsydere med at forstå datasets og finde relevante data, de har brug for, hvilket fører til højere kvalitet åbne dataset-bidrag.

Hvad er nogle af fordelene ved åbne datasets?

De gavner forskere, fordi videnskabsmænd har flere gratis ressourcer at bruge til at træne modeller og gennemføre forskning.

De gavner virksomheder, der bruger datasets til at starte opbygning af AI-evner og styrke overgangen fra traditionelle virksomheder til AI-virksomheder.

Hvordan validerer Graviti kvaliteten af datasets?

Selv populære datasets som COCO og KITTI er ikke perfekte for udviklere. Fejl opstår altid, når udviklere træner modeller, og ingen har fundet en fremragende måde at forbedre dataset-kvaliteten på. Graviti mener, at en dataset-evaluationsmodel vil blive etableret, eller en anden teknisk revolution vil hjælpe samfundet med at løse problemet, og det er også en del af Gravitis mission at opnå i fremtiden.

Hvad er din vision for fremtiden for, hvordan udviklere vil få adgang til data?

Til en lille mængde data skal udviklere kunne få adgang til data let. Til større mængder data, som mere diverse datasets til træning af modeller, vil federeret læringsteknologi hjælpe med at arbejde på samarbejdende måder ved at afkoble evnen til at udføre maskinlæring fra at gemme data på en central server.

Er der noget andet, du gerne vil dele om Graviti?

Graviti udvikler sig også. Vi lytter til feedback fra vores kunder, herunder startups, virksomheder, enkeltudviklere og forskere. Vi velkommer også samarbejdsmuligheder eller partnerskabsmuligheder fra alle.

Vi ser store muligheder i AI-udvikling fra åbent data i den meget nære fremtid. Vi bygger et samfund for deling og bidrag til åbent data. Dette vil gavne ikke kun forskere til at udvide videnskabens grænser yderligere, men også virksomheder til at forfine deres modeller og udvikle teknologi i et gensidigt fordelagtigt miljø.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Graviti.