Razi Raziuddin, Co-Founder & CEO von FeatureByte – Interview-Serie

Razi Raziuddin ist der Co-Founder und CEO von FeatureByte, seine Vision ist es, die letzte große Hürde für die Skalierung von KI in Unternehmen zu überwinden. Raziuddins Erfahrung im Bereich Analytics und Wachstum umfasst das Führungsteam von zwei Unicorn-Startups. Razi half bei der Skalierung von DataRobot von 10 auf 850 Mitarbeiter in weniger als sechs Jahren. Er entwickelte eine services-geführte Go-to-Market-Strategie, die zum Markenzeichen des schnellen Wachstums von DataRobot wurde.

FeatureByte ist auf eine Mission, um die KI in Unternehmen zu skalieren, indem sie die KI-Daten radikal vereinfacht und industrialisiert. Die Plattform für Feature-Engineering und -Management (FEM) ermöglicht es Data-Scientisten, state-of-the-art-Features und produktionsreife Daten-Pipelines in Minuten zu erstellen – anstelle von Wochen oder Monaten.

Was hat Sie ursprünglich zur Informatik und zum Maschinellen Lernen hingezogen?

Als jemand, der in der High School mit dem Coden begann, war ich fasziniert von einer Maschine, mit der ich “sprechen” und durch Code steuern konnte. Ich war sofort von den endlosen Möglichkeiten neuer Anwendungen begeistert. Maschinelles Lernen stellte einen Paradigmenwechsel im Programmieren dar, der es Maschinen ermöglichte, zu lernen und Aufgaben ohne die Angabe der Schritte im Code auszuführen. Das unendliche Potenzial von ML-Anwendungen ist es, was mich jeden Tag begeistert.

Sie waren der erste Geschäftsführer bei DataRobot, einer automatisierten Maschinen-Lern-Plattform, die es Organisationen ermöglicht, KI-getrieben zu werden. Sie halfen dann, das Unternehmen von 10 auf 1.000 Mitarbeiter in weniger als 6 Jahren zu skalieren. Was waren einige der wichtigsten Erkenntnisse aus dieser Erfahrung?

Von Null auf Eins zu kommen, ist schwer, aber unglaublich aufregend und lohnend. Jede Phase in der Evolution des Unternehmens stellt eine andere Reihe von Herausforderungen dar, aber das Wachstum und der Erfolg des Unternehmens sind ein unglaubliches Gefühl.

Meine Erfahrung mit AutoML hat mir die ungebundene Potenzialität von KI gezeigt. Es ist faszinierend zu sehen, wie diese Technologie in so vielen verschiedenen Branchen und Anwendungen eingesetzt werden kann. Am Ende des Tages ist die Schaffung einer neuen Kategorie eine seltene Leistung, aber eine unglaublich lohnende. Meine wichtigsten Erkenntnisse aus dieser Erfahrung:

• Ein großartiges Produkt bauen und keine Moden nachjagen
• Sie sollten nicht Angst haben, ein Contrarian zu sein
• Sich auf die Lösung von Kundenproblemen und die Bereitstellung von Wert konzentrieren
• Immer offen für Innovation und neue Dinge sein
• Die richtige Unternehmenskultur von Anfang an schaffen und verinnerlichen

Können Sie die Genesis-Geschichte hinter FeatureByte teilen?

Es ist ein bekanntes Faktum in der KI/ML-Welt – dass großartige KI mit großartigen Daten beginnt. Aber die Vorbereitung, Bereitstellung und Verwaltung von KI-Daten (oder Features) ist komplex und zeitaufwändig. Mein Co-Founder, Xavier Conort, und ich sahen dieses Problem bei DataRobot selbst. Während die Modellierung durch AutoML-Tools stark vereinfacht wurde, bleibt das Feature-Engineering und -Management eine enorme Herausforderung. Basierend auf unserer kombinierten Erfahrung und Expertise fühlten Xavier und ich, dass wir Organisationen wirklich helfen könnten, diese Herausforderung zu meistern und das Versprechen von KI überall zu erfüllen.

Feature-Engineering ist das Kernstück von FeatureByte, können Sie erklären, was dies für unsere Leser ist?

Letztendlich bestimmt die Qualität der Daten die Qualität und Leistung von KI-Modellen. Die Daten, die in Modelle eingespeist werden, um zukünftige Ergebnisse vorherzusagen, werden als Features bezeichnet. Features repräsentieren Informationen über Entitäten und Ereignisse, wie demografische oder psychografische Daten von Verbrauchern oder die Entfernung zwischen einem Karteninhaber und einem Händler für eine Kreditkarten-Transaktion oder die Anzahl der Artikel verschiedener Kategorien aus einem Ladenkauf.

Der Prozess der Umwandlung von Rohdaten in Features – um ML-Modelle zu trainieren und zukünftige Ergebnisse vorherzusagen – wird als Feature-Engineering bezeichnet.

Warum ist Feature-Engineering einer der kompliziertesten Aspekte von Maschinen-Lern-Projekten?

Feature-Engineering ist super wichtig, weil der Prozess direkt für die Leistung von ML-Modellen verantwortlich ist. Gutes Feature-Engineering erfordert drei ziemlich unabhängige Fähigkeiten, die zusammenkommen – Domänenwissen, Data-Science und Data-Engineering. Domänenwissen hilft Data-Scientisten, zu bestimmen, welche Signale aus den Daten für ein bestimmtes Problem oder eine bestimmte Anwendung zu extrahieren sind. Sie benötigen Data-Science-Fähigkeiten, um diese Signale zu extrahieren. Und schließlich hilft Data-Engineering, Pipelines bereitzustellen und alle diese Operationen auf großen Datenmengen durchzuführen.

In der überwiegenden Mehrheit der Organisationen leben diese Fähigkeiten in verschiedenen Teams. Diese Teams verwenden unterschiedliche Tools und kommunizieren nicht gut miteinander. Dies führt zu einer Menge Reibung im Prozess und verlangsamt ihn bis zum Stillstand.

Können Sie einige Erkenntnisse darüber teilen, warum Feature-Engineering der schwächste Link bei der Skalierung von KI ist?

Laut Andrew Ng, einem renommierten Experten im Bereich KI, “ist angewandtes Maschinelles Lernen im Grunde Feature-Engineering.” Trotz seiner kritischen Bedeutung für den Maschinen-Lern-Lebenszyklus bleibt das Feature-Engineering komplex, zeitaufwändig und von Expertenwissen abhängig. Es gibt einen ernsthaften Mangel an Tools, um den Prozess einfacher, schneller und industrialisierter zu machen. Der Aufwand und das erforderliche Fachwissen halten Unternehmen davon ab, KI im großen Maßstab bereitzustellen.

Können Sie einige der Herausforderungen teilen, die mit dem Bau einer datenzentrierten KI-Lösung verbunden sind, die das Feature-Engineering für Data-Scientisten radikal vereinfacht?

Der Bau eines Produkts, das einen 10-fachen Vorteil gegenüber dem Status quo bietet, ist super schwierig. Glücklicherweise verfügt Xavier über tiefes Data-Science-Fachwissen, das er einsetzt, um den gesamten Feature-Workflow von Grund auf neu zu überdenken. Wir haben ein weltklasse-Team von Full-Stack-Data-Scientisten und -Ingenieuren, die unsere Vision in die Realität umsetzen können. Und wir haben Benutzer und Entwicklungspartner, die uns beraten, wie wir die Benutzeroberfläche streamlinen können, um ihre Herausforderungen am besten zu lösen.

Wie wird die FeatureByte-Plattform die Vorbereitung von Daten für Maschinen-Lern-Anwendungen beschleunigen?

Die Vorbereitung von Daten für ML ist ein iterativer Prozess, der auf schnelle Experimentierung angewiesen ist. Das Open-Source-FeatureByte-SDK ist ein deklaratives Framework für die Erstellung von state-of-the-art-Features mit nur wenigen Codezeilen und die Bereitstellung von Daten-Pipelines in Minuten anstelle von Wochen oder Monaten. Dies ermöglicht es Data-Scientisten, sich auf kreative Problemlösungen und schnelle Iterationen auf Live-Daten zu konzentrieren, anstatt sich um die “Plumbing” zu kümmern.

Das Ergebnis ist nicht nur eine schnellere Daten-Vorbereitung und -Bereitstellung in der Produktion, sondern auch eine verbesserte Modellleistung durch leistungsstarke Features.

Können Sie diskutieren, wie die FeatureByte-Plattform zusätzlich die Fähigkeit bieten wird, verschiedene laufende Management-Aufgaben zu straffen?

Die FeatureByte-Plattform ist dafür konzipiert, den gesamten ML-Feature-Lebenszyklus zu verwalten. Das deklarative Framework ermöglicht es FeatureByte, Daten-Pipelines automatisch bereitzustellen, während es Metadaten extrahiert, die für die Verwaltung der gesamten Umgebung relevant sind. Benutzer können die Pipeline-Gesundheit und -Kosten überwachen und die Abstammung, Version und Korrektheit von Features aus der gleichen Benutzeroberfläche verwalten. Enterprise-Grade-Rollenbasierte Zugriffs- und Genehmigungs-Workflows gewährleisten Daten-Privatsphäre und -Sicherheit, während sie Feature-Sprawl vermeiden.

Gibt es noch etwas, das Sie über FeatureByte teilen möchten?

Die meisten Unternehmens-KI-Tools konzentrieren sich auf die Verbesserung von Maschinen-Lern-Modellen. Wir haben es uns zur Mission gemacht, Unternehmen bei der Skalierung ihrer KI zu helfen, indem wir die KI-Daten vereinfachen und industrialisieren. Bei FeatureByte gehen wir das größte Problem für KI-Praktiker an: Die Bereitstellung einer konsistenten, skalierbaren Möglichkeit, Daten über den gesamten Lebenszyklus eines Modells vorzubereiten, zu bereitstellen und zu verwalten, während wir den gesamten Prozess radikal vereinfachen.

Wenn Sie ein Data-Scientist oder -Ingenieur sind, der an der Spitze der Datenwissenschaft bleiben möchte, empfehle ich Ihnen, die Macht von FeatureByte kostenlos zu erleben.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten FeatureByte besuchen.