Hyun Kim, CEO og medstifter, Superb AI – Interviewserie

Hyun Kim er CEO og medstifter af Superb AI, et selskab, der tilbyder en ny generation af machine learning-dataplatform til AI-team, så de kan bygge bedre AI på kortere tid. Superb AI Suite er en enterprise SaaS-platform bygget til at hjælpe ML-ingeniører, produktteam, forskere og data-annotatorer med at oprette effektive træningsdata-workflows.

Hvad var det, der oprindeligt tiltrak dig til feltet AI, Data Science og Robotics?

Som bachelorstuderende i biomedicinsk ingeniørvidenskab på Duke var jeg passioneret omkring genetik og hvordan vi kan ingeniøre vores DNA til at kurere sygdomme eller skabe genetisk modificerede organismer. Jeg husker en vådlaboratorie-eksperiment, der holdt mig fast i 6 måneder, og det mest frustrerende var, at der var meget repetitivt manuelt arbejde, og i retrospekt var det sandsynligvis årsagen til mange potentielle fejl.

Den frustration fik mig til at blive interesseret i alt, der har med automatisering at gøre. Jeg flakkede rundt mellem flere laboratorier på Duke, indtil jeg sluttede mig til et laboratorium, der forskede i, hvordan machine learning kan hjælpe med at diagnostisere Parkinsons sygdom ved hjælp af hjernescan. Her fik jeg en rigtig smag for det spil-forandrende potentiale i dybe lærenetværk. Jeg endte med at påbegynde en ph.d.-uddannelse i datalogi på Duke og arbejdede intensivt på Intelligent Robot Lab med at lære robotter at lære nye ting.

I 2016 var du involveret i Amazon (AMZN ) Robotics Challenge. Hvad arbejdede du på, og hvordan oplevede du denne oplevelse?

I Amazon Robotics Challenges får hold point for at lave robotter, der kan vælge og placere genstande autonomt inden for en given tid. Robotter på fabrikker og samlebånd kan blive designet til den specifikke genstand, robotten skal vælge og placere, men ARC udfordrer vores robotter til at fungere i meget dynamiske situationer. Jeg var leder af “Team Duke” og dens bevægelsesplanlægningsfunktion. Jeg designede og implementerede robotbevægelsesplanlægningsmetoder til robotter, der skulle udføre pick-and-place-opgaver i et realistisk lagermiljø. Det var en spændende læringsoplevelse, da vi måtte samle en mængde komplekse systemer, fra computer-vision-baserede robottilkendelsessystemer til bevægelsesplanlægningsalgoritmer og brugerdefinerede mekaniske end-effektorer.

Du arbejdede herefter i næsten 2 år som machine learning-forskningsingeniør på SK T-Brain. Hvad var dette projekt?

Omkring et år inde i min ph.d., i marts 2016, besejrede Googles AlphaGo den menneskelige mester, Lee Sedol, i Go. Det var så banebrydende nyheder, især i Korea, hvor Go er langt mere populært end andre steder.

Efter denne begivenhed startede regeringen og alle større virksomheder straks med at investere massivt i AI-forskning. En af virksomhederne var SKT, eller SK Telecom (SKM ), et stort koreansk konglomerat. Jeg fik tilbudt en stilling som machine learning-forskningsingeniør på deres helt nye AI-forskningslaboratorium, kaldet SKT Brain. Jeg tog orlov fra min ph.d. og rejste tilbage til Korea for at arbejde i omkring 2 år.

Formålet med mit team var at udføre forskning i forskellige AI-emner, der potentielt kunne føre til en produktudvikling eller skabe en forretningsmulighed for virksomheden. I disse to år forsøgte jeg at tackle emner som selvstyrende biler, spil-AI (specifikt StarCraft AI) og Generative Adversarial Networks eller GANs.

Efter to år valgte jeg ikke at vende tilbage til skolen for at fuldføre min ph.d.-uddannelse, men forlod i stedet for at starte mit eget selskab, Superb AI.

Hvad var inspirationen bag lanceringen af Superb AI?

Mens jeg forskede i robotlæring på skolen og også mens jeg arbejdede på et korporativt forskningslaboratorium, var det meget tydeligt for mig, at jeg tilbragte det meste af min tid på datakurering.

På skolen tilbragte jeg det meste af min tid med at oprette simulerede miljøer til robot-simuleringsdata. På min tidligere arbejdsplads tilbragte jeg tid på at indsamle og mærke datasæt til selvstyrende biler og spil-AI.

Og, desværre, var det ikke kun mig. Det var det samme for mine kolleger, og et meget almindeligt smertepunkt for hver enkelt forsker og ingeniør i machine learning-industrien.

Jeg ville gerne løse dette problem. Som du kan se, er jeg en stor fan af machine learning og AI, og jeg tror, det kan virkelig revolutionere vores liv. Jeg vil se tekniske gennembrud ske hurtigere, og jeg vil se dem anvendt i vores daglige liv.

For at gøre dette skete, forskede jeg oprindeligt i at lave machine learning-algoritmer, der kan lære med mindre menneskelig indput. Det fik mig interesseret i ting som unsupervised learning og meta-learning. Efter at have publiceret en artikel om GANs, indså jeg, hvad jeg ville. I stedet for at publicere forskningsarbejde ville jeg gerne lave et rigtigt produkt eller en tjeneste, der kan påvirke industrien og starte med at løse data-problemet lige nu.

Hvordan ville du bedst beskrive de tjenester, der tilbydes af Superb AI?

Superb AI tilbyder en machine learning-dataplatform kaldet Superb AI Suite. Suite hjælper virksomheder med at oprette, mærke og administrere træningsdata effektivt og accelerere deres ML Ops-cyklus.

Det er velkendt, at de fleste machine learning-team bruger mere end 50% af deres tid på at administrere træningsdatasæt. Vi hjælper ingeniører med at lette filtere, søge og manipulere træningsdatasæt og integrere med deres ML Ops-stack, såsom data-lagring eller dyb læring-rammer gennem en kraftfuld SDK og API’er.

Produktledere bruger også meget tid på træningsdata. Vi hjælper med at gøre deres liv lettere gennem problemfrit sporing, data-analyse og mange samarbejds- og produktivitetsrelaterede funktioner.

Dertil kommer, at vores auto-mærkningsfunktion, der anvender mange avancerede ML-teknikker som overførselslæring og aktiv læring, kan hjælpe med den automatiske mærkning og kvalitetskontrolprocessen.

Hvad har været det mest vanskelige aspekt ved at bygge en machine learning-dataplatform?

At bygge en machine learning-dataplatform stiller et interessant ingeniør-mæssigt problem, ikke kun fordi machine learning kræver en enorm mængde ustukt data, såsom billeder og videoer, men endnu mere fordi dataene skal læses og opdateres konstant af mange brugere verden over.

Hvilke virksomheder bruger Superb AI-platformen?

Vi har kunder i varierende størrelser på tværs af mange vertikaler. Store forbrugselektronikfirmaer, herunder Samsung og LG, bruger vores platform til at administrere data og accelerere deres ML-udviklingsproces. Mange virksomheder og start-ups i den selvstyrende køretøjsindustri samt virksomheder, der anvender ubemandede systemer i anvendelser fra fysisk sikkerhed til bygge- og anlægsarbejde, bruger vores platform.

Dertil kommer, at AR/VR- og spil-virksomheder bruger vores træningsdata-platform til at oprette og administrere datasæt, der kan lære ML-modeller.

I den medicinske sektor bruger forskningslaboratorier på internationale universiteter vores platform til at administrere træningsdata og mere effektivt træne computer-vision-modeller til at genkende tumorer inden for MR- og CT-scans.

Superb AI var medlem af vinteren 2019-klassen af Y Combinator. Kan du beskrive denne oplevelse og hvilke nøgle-lærdomme, du fik?

Vores to vigtigste lærdomme var at lære at fokusere på brugerne og at iterere hurtigt. YC’s motto er “lave noget, folk ønsker”. Ofte koncentrerer start-ups, især tech-start-ups, sig om de tekniske innovationer og negligerer, hvad brugerne faktisk har brug for. Gennem de tre måneder lange processer lærte vi at være ekstremt bruger-drevne – tale med så mange brugere som muligt og virkelig forstå, hvad de har brug for – samtidig med, at vi itererede på produkt-opdateringer og beskeder for at tilpasse bruger-behovene. Da det er umuligt at ramme et produkt eller nå produkt-markeds-fit på første forsøg, er det afgørende at tale med brugere og levere, hvad de ønsker. Det er meget åbenlyst, når man tænker over det, men meget svært at fokusere på i praksis.

Er der noget andet, du gerne vil dele om Superb AI?

Vi har lige forbedret vores gratis produkttilbud, der giver brugerne mere rå-asset-lagring og flere mærknings-/data-administrations-/udviklerfunktioner og værktøjer. Vi er på en rigtig mission for at demokratisere AI og vil have, at folk skal vide, at der er virksomheder som os, der er investeret i at tilbyde så meget som muligt for at fremme antagelsen og integrationen af AI i vores daglige liv.

Tak for interviewet. Læsere, der ønsker at lære mere, kan besøge Superb AI.