Eric Landau, Co-Founder & CEO of Encord – Intervieuserie

Eric Landau er CEO & Co-Founder af Encord, en aktiv læring-platform for computer-vision. Eric var den ledende kvantitative forsker på en global aktie-delta-en desk, hvor han satte tusinder af modeller i produktion. Før Encord tilbragte han næsten et årti i højfrekvens-handel hos DRW. Han har en S.M. i anvendt fysik fra Harvard University, M.S. i elektroingeniørvidenskab og B.S. i fysik fra Stanford University.

I sin fritid nyder Eric at lege med ChatGPT og store sprogmodeller og lave craft-cocktails.

Hvad inspirerede dig til at co-founde Encord, og hvordan har din erfaring i partikelfysik og kvantitativ finans formet din tilgang til at løse “data-problemet” i AI?

Jeg begyndte først at tænke over maskinlæring, mens jeg arbejdede med partikelfysik og havde at gøre med meget store datasæt under min tid på Stanford Linear Accelerator Center (SLAC). Jeg brugte software designet til fysikere af fysikere, hvilket vil sige, at der var meget at ønske i terms of en behagelig brugeroplevelse. Med bedre værktøjer ville jeg have kunnet køre analyser meget hurtigere.

Senere, mens jeg arbejdede med kvantitativ finans hos DRW, var jeg ansvarlig for at oprette tusinder af modeller, der blev sat i produktion. Ligesom min erfaring i fysik fandt jeg, at højkvalitetsdata var afgørende for at lave præcise modeller, og at håndtering af komplekse, storstile datasæt er svært. Ulrik havde en lignende erfaring med at visualisere store billedsæt til computer-vision.

Da jeg hørte om hans oprindelige idé til Encord, var jeg straks med på og forstod vigtigheden. Sammen med Ulrik så vi en enorm mulighed for at bygge en platform til at automatisere og strømline AI-dataudviklingsprocessen, så det blev lettere for hold at få den bedste data ind i modeller og bygge troværdige AI-systemer.

Kan du uddybe visionen bag Encord og hvordan den sammenlignes med de tidlige dage af computing eller internettet i terms of potentiale og udfordringer?

Encords vision er at være den grundlæggende platform, som virksomheder kan stole på til at omdanne deres data til funktionelle AI-modeller. Vi er laget mellem en virksomheds data og deres AI.

På mange måder spejler AI tidligere paradigm-skift som personlig computing og internettet, da det vil blive en integreret del af arbejdsprocesser for hver enkelt, forretning, nation og industri. I modsætning til tidligere teknologiske revolutioner, som har været begrænsede af Moores lov om sammensat komponentvækst på 30 gange hvert tiende år, har AI-udviklingen nydt godt af samtidige innovationer. Det bevæger sig derfor i en meget hurtigere takt. I NVIDIA’s (NVDA ) Jensen Huangs ord: “For første gang ser vi sammensatte eksponentialer… Vi sammensætter med en million gang hver tiende år. Ikke en hundred gang, ikke en tusind gang, en million gang.” Uden at overdramatisere er vi vidne til den hurtigst bevægende teknologi i menneskehedens historie.

Potentialet her er enormt: ved at automatisere og skala managementet af højkvalitetsdata til AI, adresserer vi en flaskehals, der forhindrer en bredere AI-adopter. Udfordringerne minder om tidlige dage-hindringer i tidligere teknologiske epoker: siloer, manglende bedste praksis, begrænsninger for ikke-tekniske brugere og en mangel på veldefinerede abstraktioner.

Encord Index er positioneret som et nøgleværktøj til at håndtere og kuraterer AI-data. Hvordan adskiller det sig fra andre data-management-platforme, der i øjeblikket er tilgængelige?

Der er flere måder, hvorpå Encord Index adskiller sig:

Index er skalerbar: Tillader brugere at håndtere milliarder, ikke millioner, af data-punkter. Andre værktøjer har skaleringsproblemer med ukontrolleret data og er begrænsede i konsolidering af alle relevante data i en organisation.

Index er fleksibel: Integrerer direkte med private data-lagring og cloud-lagring-udbydere som AWS, GCP og Azure. I modsætning til andre værktøjer, der er begrænsede til en enkelt cloud-udbyder eller intern lagringssystem, er Index agnostisk over for, hvor data er placeret. Det lar dig håndtere data fra mange kilder med passende governance og adgangskontrol, der tillader dem at udvikle sikre og samarbejdende AI-applikationer.

Index er multimodal: Støtter multimodal AI, der håndterer data i form af billeder, videoer, lyd, tekst, dokumenter og mere. Index er ikke begrænset til en enkelt form for data som mange LLM-værktøjer i dag. Menneskelig kognition er multimodal, og vi tror, at multimodal AI vil være i hjertet af den næste bølge af AI-fremgang, der vil afløse chatbots og LLM’er.

På hvilke måder forbedrer Encord Index processen med at vælge den rette data til AI-modeller, og hvilken indvirkning har dette på model-præstation?

Encord Index forbedrer data-valg ved at automatisere kurateringen af store datasæt, hvilket hjælper hold med at identificere og fastholde kun den mest relevante data, mens de fjerner upålidelig eller fordomsfuld data. Denne proces reducerer ikke kun størrelsen af datasættene, men forbedrer også betydeligt kvaliteten af den data, der bruges til at træne AI-modeller. Vore kunder har set en forbedring på op til 20% i deres modeller, mens de opnåede en reduktion på 35% i datasætsstørrelse og sparede hundredtusinder af dollars i beregnings- og menneske-annoteringsomkostninger.

Med den hurtige integration af avancerede teknologier som Meta’s Segment Anything Model, hvordan holder Encord sig foran i det hurtigt udviklende AI-landskab?

Vi byggede bevidst platformen til at kunne tilpasse sig nye teknologier hurtigt. Vi fokuserer på at levere en skalerbar, software-først-tilgang, der let kan inkorporere fremskridt som SAM, hvilket sikrer, at vores brugere altid er udstyret med de nyeste værktøjer til at holde sig konkurrencedygtige.

Vi planlægger at holde os foran ved at fokusere på multimodal AI. Encord-platformen kan allerede håndtere komplekse data-typer som billeder, videoer og tekst, så når der kommer flere fremskridt i multimodal AI, er vi klar.

Hvad er de mest almindelige udfordringer, virksomheder står overfor, når de håndterer AI-data, og hvordan hjælper Encord med at løse disse?

Der er 3 hovedudfordringer, virksomheder står overfor:

• Dårlig data-organisation og kontrol: Når virksomheder forbereder sig på at implementere AI-løsninger, møder de ofte virkeligheden af siloede og uorganiserede data, der ikke er AI-klar. Disse data mangler ofte stærk governance og begrænsninger, hvilket begrænser meget af det fra at blive brugt i AI-systemer.
• Mangel på menneskelige eksperter: Når AI-modeller tager sig af stadig mere komplekse problemer, vil der snart være en mangel på menneskelige domæne-eksperter til at forberede og validere data. Når en virksomheds AI-krav øger, er det vanskeligt og dyrt at skala denne menneskelige arbejdskraft op.
• Uskalerbare værktøjer: Præstationsmodeller er meget data-sultne i forhold til data, der er nødvendigt for finjustering, validering, RAG og andre arbejdsprocesser. Den tidligere generations værktøjer er ikke udstyret til at håndtere mængden af data og typer af data, der kræves for i dagens produktionsklar modeller.

Encord løser disse problemer ved at automatisere processen med at kuraterer data i skala, gøre det let at identificere betydningsfuld data fra problematisk data og sikre oprettelsen af effektive trænings- og valideringsdatasæt. Det bruger en software-først-tilgang, der er let at skala op eller ned, når data-håndteringens behov ændrer sig. Vores AI-assisterede annoteringsværktøjer giver menneskelige eksperter mulighed for at maksimere arbejdsprocessens effektivitet. Denne proces er særligt kritisk i brancher som finansielle tjenester og sundhedsvesen, hvor AI-trænere er dyre. Vi gør det let at håndtere og forstå alle en organisations ukontrollerede data, hvilket reducerer behovet for manuel arbejdskraft.

Hvordan tackler Encord problemet med data-forvrængning og underrepræsenterede områder inden for datasæt for at sikre retfærdige og balancerede AI-modeller?

At tackle data-forvrængning er en kritisk fokus for os på Encord. Vores platform identificerer automatisk og fremhæver områder, hvor data kan være forvrænget, hvilket giver AI-hold mulighed for at løse disse problemer, før de påvirker model-præstation. Vi sikrer også, at underrepræsenterede områder inden for datasæt er ordentligt inkluderet, hvilket hjælper med at udvikle mere retfærdige og balancerede AI-modeller. Ved at bruge vores kurateringsværktøjer kan hold være sikre på, at deres modeller er trænet på diverse og repræsentative data.

Encord har nyligt sikret 30 millioner dollars i serie B-finansiering. Hvordan vil denne finansiering accelerere jeres produkt-vej og udvidelsesplaner?

De 30 millioner dollars i serie B-finansiering vil blive brugt til at øge størrelsen på vores produkt-, ingeniør- og AI-forskningshold over de næste seks måneder og accelerere udviklingen af Encord Index og andre nye funktioner. Vi udvider også vores tilstedeværelse i San Francisco med et nyt kontor, og denne finansiering vil hjælpe os med at skala vores operationer for at understøtte vores voksende kundebase.

Som den yngste AI-virksomhed fra Y Combinator til at hæve en serie B, hvad tilskriver du Encords hurtige vækst og succes?

En af årsagerne til, at vi har kunnet vokse hurtigt, er, at vi har antaget en ekstremt kunde-fokuseret tilgang i alle områder af virksomheden. Vi kommunikerer konstant med kunder, lytter nøje til deres problemer og “omfavner” dem for at nå til løsninger. Ved at hyper-fokusere på kundebehov i stedet for hype har vi skabt en platform, der giver mening for top-AI-hold på tværs af brancher. Vore kunder har været instrumental i at bringe os til, hvor vi er i dag. Vores evne til at skala hurtigt og effektivt håndtere kompleksiteten af AI-data har gjort os til en attraktiv løsning for virksomheder.

Vi skylder også meget af vores succes til vores teammedlemmer, partnere og investorer, der alle har arbejdet utrætteligt for at fremme Encord. At arbejde med verdensklasse-produkt-, ingeniør- og go-to-market-hold har haft en enorm indvirkning på vores vækst.

Givet den øgede betydning af data i AI, hvordan ser du rollen af AI-data-platforme som Encord udvikle sig i de næste fem år?

Når AI-applikationer vokser i kompleksitet, vil behovet for effektive og skalerbare data-management-løsninger kun øge. Jeg tror, at hver virksomhed vil til sidst have en AI-afdeling, ligesom IT-afdelinger eksisterer i dag. Encord vil være den eneste platform, de har brug for til at håndtere de enorme mængder data, der kræves til AI, og få modeller til produktion hurtigt.

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