Jorge Torres, medstifter og administrerende direktør i MindsDB – Interviewserie

Jorge Torres er medstifter og administrerende direktør i MindsDB, en platform, der hjælper alle med at bruge maskinlæringskraften til at stille prognostiske spørgsmål til deres data og modtage præcise svar fra den. MindsDB er også en af YCombinators seneste vinterbatch 2020 og blev nylig anerkendt som en af Amerikas mest lovende AI-virksomheder af Forbes.

Hvad var det, der oprindeligt tiltrak dig til maskinlæring?

Det er en interessant historie. I 2008 boede og arbejdede jeg i Berkeley for en startup kaldet Couchsurfing, og jeg så denne klasse (cs188 – Introduktion til AI). Selv om jeg ikke var tilknyttet universitetet på det tidspunkt, spurgte jeg professor John DeNero, om jeg kunne deltage i en klasse, og han tillod mig det. Denne professor var brillant, og han fik alle til at forelske sig i emnet. Det var det bedste, der skete for mig. Jeg var chokeret over, at computere kunne lære at løse et problem, og jeg indså, at dette var noget, der udviklede sig hurtigt, og besluttede at gøre det til min karriere.

Der er nogle generationer, der definerer begivenheder i teknologien, som kun kommer få gange i ens liv. Jeg var heldig at være vidne til internettets fødsel, men var for ung til at være andet end en passiv iagttager. Jeg tror, at maskinlæring er den næste generation, der definerer begivenheder, og jeg ønskede at være en del af det på en meningsfuld måde for at fremme teknologien og den måde, vi bruger den.

MindsDB startede på UC Berkeley i 2018, kan du dele nogle indsigt fra disse tidlige dage?

UC Berkeley er en af verdens store forskningsinstitutioner og har en historie med at skabe og støtte open-source software, og vi troede, at der ikke var et bedre sted at starte MindsDB. Vores værdier var alignet, de tilbød os vores første check gennem UC Berkeley Skydeck Accelerator, og resten, som de siger, er historie.

De tidlige dage var ikke anderledes end mange startups i Bay-området – tre personer, der arbejdede lange timer på noget, de alle troede på, men havde kun en lille chance for succes. Den eneste forskel er, at vi i stedet for at arbejde i en støvet garage i Palo Alto var i den relative komfort i Skydeck Penthouse co-working space (leje-frit).

Jeg tror, at der er enorm kraft i data. Jo mere en virksomhed har, desto mere kan de fremme deres forretninger. Men kun hvis de kan få meningsfulde indsigt fra den.

I efteråret 2017 kom min bedste ven Adam Carrigan (COO) og jeg til den konklusion, at for mange virksomheder stod over for begrænsninger, når det kom til at trække meningsfuld information ud af deres data. De indså, at en af de største begrænsninger var i, hvor mange af disse virksomheder underudnyttede kraften af kunstig intelligens. Vi troede, at maskinlæring kunne gøre data og den intelligens, den kan give, tilgængelig for alle. Det er derfor, vi designede en platform, der ville tillade alle at bruge maskinlæringskraften til at stille prognostiske spørgsmål til deres data og modtage præcise svar fra den.

Vi kalder denne platform MindsDB og er fokuseret på at fortsætte med at gøre det utroligt let for udviklere at hurtigt skabe den næste bølge af AI-centreret applikationer, der vil transformere den måde, vi lever og arbejder på, og for virksomheder at trække information ud af deres data.

Hvorfor fokuserede MindsDB på at løse problemet med at være data-centrisk i stedet for maskinlæring-centrisk?

Hvis du ser på den overvældende majoritet af forskning i AI, kommer en stor procentdel fra akademiske institutioner. ML har historisk set været model-centrisk, fordi dette er, hvor forskningsinstitutioner kan tilføje værdi; mere forskning forbedrer modeller eller skaber nye, hvilket resulterer i bedre resultater. At være data-centrisk, på den anden side, tilføje bedre kvalitet/mere relevante data til en eksisterende tilgang er ikke let at offentliggøre (den nøgle KPI for forskere).

Men den overvældende majoritet af anvendt maskinlæring-problemer i dag nyder langt mere af forbedret data end af forbedrede modeller. Dette stemmer også overens med vores mission om at demokratisere maskinlæring, den overvældende majoritet af mennesker uden for ML-området ved ikke meget om ML, men de ved sandsynligvis meget om deres data.

Vi så, at der var to typer virksomheder, på den ene side virksomheder med data i databasen, på den anden side virksomheder, der ikke havde fundet ud af databaser endnu, vi indså, at hvis en virksomhed var i gruppen af databaser, havde deres data-modenhed allerede sat dem på den rigtige spor for at kunne anvende maskinlæring, hvorimod virksomheder, der ikke havde opdaget databaser endnu, havde langt tilbage at gå endnu, så vi fokuserede på at give værdi for dem, der kunne trække det ud.

Hvordan tilgår MindsDB modellering og implementering i plain SQL?

Vi skaber repræsentationer af modeller som tabeller, der kan forespørges, så effektivt fjerner vi begrebet ‘implementering’ ud af billedet. Når du skriver på en database CREATE VIEW, er den view live, så snart kommandoen er færdig med at blive behandlet, det samme gælder, når du gør CREATE MODEL i MindsDB.

Mennesker elsker MindsDB på grund af den forenkling, I har bragt til ML-Ops-livscyklussen, hvorfor er det så vigtigt at forenkle maskinlæringsimplementering?

Mennesker elsker det, fordi det abstraherer unødvendige ETL-pipelines, så der er færre ting at vedligeholde. Vores fokus er at få brugerne til at trække værdi af maskinlæring ved ikke at tænke på at vedligeholde ML-infrastrukturen, hvis de allerede vedligeholder data-infrastruktur.

Hvad er nogle af fordelene og risikoen ved at være en open-source-startup i stedet for en traditionel startup?

En open-source-projekt kan starte med bare en idé, og mennesker vil hjælpe dig med at bygge det langs vejen, på den lukkede tilgang skal du starte med de samme antagelser, men du bedre være ret, fordi ingen vil hjælpe dig med at forbedre dit produkt (i hvert fald ikke i samme volumen som i open source), tænk på open source som en samarbejdsprodukt-tilgang.

MindsDB har nylig samlet 16,5 millioner dollars i en Series A-investering fra Benchmark, hvorfor er Benchmark den perfekte investor til MindsDB, og hvordan matcher deres vision vores?

Benchmark har en ufejlbarlig rekord i vores branche, Chetan har hjulpet virksomheder som mongodb, elastic, airbyte til at blive verdensledere i deres områder. Vi tror, at der ikke er en bedre match for MindsDB end Chetan og Benchmark-kapital.

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