Razi Raziuddin, Συνιδρυτής & Διευθύνων Σύμβουλος της FeatureByte – Σειρά Συνεντεύξεων

Razi Raziuddin είναι ο Συνιδρυτής & Διευθύνων Σύμβουλος της FeatureByte, η όρασή του είναι να ξεκλειδώσει το τελευταίο μεγάλο εμπόδιο για την κλιμάκωση του AI στις επιχειρήσεις. Η εμπειρία του Razi στις αναλύσεις και την ανάπτυξη διαρκεί στη ηγετική ομάδα δύο startup με評価 unicorn. Ο Razi βοήθησε στην κλιμάκωση της DataRobot από 10 σε 850 υπαλλήλους σε λιγότερο από έξι χρόνια. Πρωτοπόρησε μια στρατηγική πώλησης που βασίζεται στις υπηρεσίες και έγινε το σήμα κατατεθέν της ταχείας ανάπτυξης της DataRobot.

Η FeatureByte είναι σε μια αποστολή να κλιμακώσει το AI των επιχειρήσεων, με την радикальική απλοποίηση και βιομηχανοποίηση των δεδομένων του AI. Η πλατφόρμα FEM (feature engineering και management) ενδυναμώνει τους επιστήμονες δεδομένων να δημιουργούν και να μοιράζονται state-of-the-art χαρακτηριστικά και pipelines δεδομένων παραγωγής σε λίγα λεπτά — αντί για εβδομάδες ή μήνες.

Τι σας έκανε να ενδιαφερθείτε αρχικά για την επιστήμη των υπολογιστών και το machine learning;

Ως κάποιος που άρχισε να προγραμματίζει στο γυμνάσιο, ήμουν μαγευμένος με μια μηχανή που μπορούσα να “μιλήσω” και να ελέγξω μέσω του κώδικα. Ήμουν αμέσως εθισμένος στις απεριόριστες δυνατότητες νέων εφαρμογών. Το machine learning αντιπροσώπευε μια παραλλαγή στην προγραμματιστική, επιτρέποντας στις μηχανές να μαθαίνουν και να εκτελούν εργασίες χωρίς να καθορίζουν τα βήματα στον κώδικα. Το απεριόριστο δυναμικό των εφαρμογών ML είναι αυτό που με κάνει ενθουσιασμένο κάθε μέρα.

Ήταν ο πρώτος επιχειρηματικός προσλήψεων στην DataRobot, μια αυτόματη πλατφόρμα machine learning που επιτρέπει στις οργανώσεις να γίνουν AI driven. Στη συνέχεια βοήθησε στην κλιμάκωση της εταιρείας από 10 σε 1.000 υπαλλήλους σε λιγότερο από 6 χρόνια. Ποια ήταν κάποια βασικά συμπεράσματα από αυτή την εμπειρία;

Η μετάβαση από το μηδέν στο ένα είναι δύσκολη, αλλά εξαιρετικά ενθουσιαστική και ανταποδοτική. Κάθε στάδιο στην εξέλιξη της εταιρείας παρουσιάζει ένα διαφορετικό σύνολο προκλήσεων, αλλά το να βλέπεις την εταιρεία να μεγαλώνει και να επιτυγχάνει είναι ένα καταπληκτικό συναίσθημα.

Η εμπειρία μου με το AutoML άνοιξε τα μάτια μου στο απεριόριστο δυναμικό του AI. Είναι μαγευτικό να δεις πώς αυτή η τεχνολογία μπορεί να χρησιμοποιηθεί σε τόσο πολλές διαφορετικές βιομηχανίες και εφαρμογές. Στο τέλος της ημέρας, η δημιουργία μιας νέας κατηγορίας είναι một σπάνια επιτεύγματα, αλλά ένα εξαιρετικά ανταποδοτικό. Τα βασικά συμπεράσματα μου από αυτή την εμπειρία:

• Δημιουργήστε ένα εκπληκτικό προϊόν και αποφύγετε το κυνήγι των модών
• Μην φοβάστε να είστε αντίθετοι
• Επικεντρωθείτε στην επίλυση προβλημάτων πελατών και στην παροχή αξίας
• Να είστε πάντα ανοιχτοί στην καινοτομία και στη δοκιμή νέων πραγμάτων
• Δημιουργήστε και ενσωματώστε τον σωστό εταιρικό πολιτισμό από την αρχή

Μπορείτε να μοιραστείτε την ιστορία γέννησης πίσω από την FeatureByte;

Είναι ένα γνωστό γεγονός στον κόσμο του AI/ML – ότι το伟 AI αρχίζει με伟 δεδομένα. Αλλά η προετοιμασία, η ανάπτυξη και η διαχείριση των δεδομένων AI (ή Χαρακτηριστικών) είναι σύνθετη και χρονοβόρα. Ο συνιδρυτής μου, Xavier Conort, και εγώ είδαμε αυτό το πρόβλημα πρώτο χέρι στη DataRobot. Ενώ η μοντελοποίηση έχει γίνει πολύ απλούστερη χάρη στα εργαλεία AutoML, η μηχανική χαρακτηριστικών και η διαχείριση παραμένουν một τεράστιο πρόβλημα. Βασισμένοι στην κοινή μας εμπειρία και εξειδίκευση, ο Xavier και εγώ αισθανόμαστε ότι μπορούμε πραγματικά να βοηθήσουμε τις οργανώσεις να λύσουν αυτό το πρόβλημα και να εκπληρώσουν την υπόσχεση του AI παντού.

Η μηχανική χαρακτηριστικών είναι στο κέντρο της FeatureByte, μπορείτε να εξηγήσετε τι είναι αυτό για τους αναγνώστες μας;

Τελικά, η ποιότητα των δεδομένων οδηγεί την ποιότητα και την απόδοση των μοντέλων AI. Τα δεδομένα που εισάγονται στα μοντέλα για να τα εκπαιδεύσουν και να προβλέψουν μελλοντικές εξελίξεις ονομάζονται Χαρακτηριστικά. Τα Χαρακτηριστικά αντιπροσωπεύουν πληροφορίες για οντότητες και γεγονότα, όπως δημογραφικά ή ψυχογραφικά δεδομένα καταναλωτών, ή απόσταση μεταξύ κατόχου καρτών και εμπόρου για μια συναλλαγή πιστωτικής κάρτας ή αριθμός αντικειμένων διαφορετικών κατηγοριών από μια αγορά.

Η διαδικασία μετατροπής των raw δεδομένων σε χαρακτηριστικά – για να εκπαιδεύσετε τα μοντέλα ML και να προβλέψετε μελλοντικές εξελίξεις – ονομάζεται μηχανική χαρακτηριστικών.

Γιατί η μηχανική χαρακτηριστικών είναι ένα από τα πιο σύνθετα μέρη των έργων machine learning;

Η μηχανική χαρακτηριστικών είναι υπερ重要τική επειδή η διαδικασία είναι απευθείας υπεύθυνη για την απόδοση των μοντέλων ML. Η καλή μηχανική χαρακτηριστικών απαιτεί τρεις assez ανεξάρτητες ικανότητες να έρθουν μαζί – γνώσεις τομέα, επιστήμη δεδομένων και μηχανική δεδομένων. Οι γνώσεις τομέα βοηθούν τους επιστήμονες δεδομένων να καθορίσουν ποια σήματα να εξαγάγουν από τα δεδομένα για ένα συγκεκριμένο πρόβλημα ή περίπτωση. Χρειάζεστε ικανότητες επιστήμης δεδομένων για να εξαγάγετε αυτά τα σήματα. Και τελικά, η μηχανική δεδομένων σας βοηθά να αναπτύξετε pipelines και να εκτελέσετε όλες αυτές τις λειτουργίες σε κλίμακα σε μεγάλα όγκους δεδομένων.

Στην πλειοψηφία των οργανώσεων, αυτές οι ικανότητες ζουν σε διαφορετικές ομάδες. Αυτές οι ομάδες χρησιμοποιούν διαφορετικά εργαλεία και δεν επικοινωνούν καλά μεταξύ τους. Αυτό οδηγεί σε πολλή τριβή στη διαδικασία και την επιβραδύνει σε ένα σταμάτημα.

Μπορείτε να μοιραστείτε κάποια ενημέρωση σχετικά με το γιατί η μηχανική χαρακτηριστικών είναι το πιο αδύναμο σημείο στην κλιμάκωση του AI;

Σύμφωνα με τον Andrew Ng, διάσημο εμπειρογνώμονα στο AI, “Το εφαρμοσμένο machine learning είναι βασικά μηχανική χαρακτηριστικών.” Παρά την κρίσιμη σημασία του στην κυκλοφορία του machine learning, η μηχανική χαρακτηριστικών παραμένει σύνθετη, χρονοβόρα και εξαρτημένη από εμπειρογνώμονες γνώσεις. Υπάρχει một σοβαρή έλλειψη εργαλείων για να κάνουν τη διαδικασία πιο εύκολη, πιο γρήγορη και πιο βιομηχανοποιημένη. Η προσπάθεια και η εμπειρογνωσία που απαιτούνται κρατούν τις επιχειρήσεις πίσω από την khảότητα να αναπτύξουν το AI σε κλίμακα.

Μπορείτε να μοιραστείτε κάποια από τις προκλήσεις πίσω από την κατασκευή μιας λύσης AI που βασίζεται στα δεδομένα και που απλοποιεί ριζικά τη μηχανική χαρακτηριστικών για τους επιστήμονες δεδομένων;

Η κατασκευή ενός προϊόντος που έχει ένα 10X πλεονέκτημα έναντι του status quo είναι πολύ δύσκολο. Ευτυχώς, ο Xavier έχει βαθιά γνώσεις επιστήμης δεδομένων που τις χρησιμοποιεί για να ξανασκέφτεί ολόκληρη τη ροή χαρακτηριστικών από τις αρχές. Έχουμε μια παγκόσμια ομάδα πλήρως ικανοποιημένων επιστημόνων δεδομένων και μηχανικών που μπορούν να μετατρέψουν την όρασή μας σε πραγματικότητα. Και χρήστες και συνεργάτες ανάπτυξης για να μας συμβουλεύσουν σχετικά με την απλοποίηση της UX για να λύσουμε καλύτερα τις προκλήσεις τους.

Πώς θα επιταχύνει η πλατφόρμα FeatureByte την προετοιμασία των δεδομένων για τις εφαρμογές machine learning;

Η προετοιμασία δεδομένων για ML είναι μια επαναληπτική διαδικασία που βασίζεται στην ταχεία πειραματική διερεύνηση. Το ανοιχτό SDK FeatureByte είναι ένα δηλωτικό πλαίσιο για τη δημιουργία state-of-the-art χαρακτηριστικών με μόνο λίγες γραμμές κώδικα και την ανάπτυξη pipelines δεδομένων σε λίγα λεπτά αντί για εβδομάδες ή μήνες. Αυτό επιτρέπει στους επιστήμονες δεδομένων να επικεντρωθούν στην δημιουργική επίλυση προβλημάτων και να επαναλαμβάνουν γρήγορα σε ζωντανούς δεδομένα, αντί να ανησυχούν για την υδραυλική.

Το αποτέλεσμα δεν είναι μόνο η ταχύτερη προετοιμασία και εξυπηρέτηση δεδομένων στην παραγωγή, αλλά και η βελτιωμένη απόδοση μοντέλων μέσω ισχυρών χαρακτηριστικών.

Μπορείτε να συζητήσετε πώς η πλατφόρμα FeatureByte θα προσφέρει επιπλέον την khảότητα να απλοποιήσει διάφορες συνεχιζόμενες διαχειριστικές εργασίες;

Η πλατφόρμα FeatureByte σχεδιάστηκε για να διαχειριστεί την ολοκληρωμένη κυκλοφορία χαρακτηριστικών ML. Το δηλωτικό πλαίσιο επιτρέπει στην FeatureByte να αναπτύσσει αυτόματα pipelines δεδομένων, ενώ εξάγει μεταδεδομένα που είναι σχετικά με τη διαχείριση του περιβάλλοντος. Οι χρήστες μπορούν να παρακολουθούν την υγεία και το κόστος των pipelines, και να διαχειριστούν τη γενεαλογία, την έκδοση και την ορθότητα των χαρακτηριστικών όλα από το ίδιο GUI. Η εταιρική βάση ρόλων και οι εργασίες έγκρισης εξασφαλίζουν την ιδιωτικότητα και την ασφάλεια των δεδομένων, ενώ αποφεύγουν την εξάπλωση χαρακτηριστικών.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την FeatureByte;

Οι περισσότερες επιχειρηματικές εργαλεία AI εστιάζουν στην βελτίωση των μοντέλων machine learning. Έχουμε κάνει μια αποστολή να βοηθήσουμε τις επιχειρήσεις να κλιμακώσουν το AI τους, με την απλοποίηση και βιομηχανοποίηση των δεδομένων AI. Στην FeatureByte, αντιμετωπίζουμε την μεγαλύτερη πρόκληση για τους praktikous AI: Να παρέχουμε ένα συνεπές, κλιμακώσιμο τρόπο να προετοιμάσουμε, να εξυπηρετήσουμε και να διαχειριστούμε δεδομένα σε όλη τη διάρκεια ζωής ενός μοντέλου, ενώ απλοποιούμε ριζικά τη διαδικασία.

Εάν είστε ένας επιστήμονας δεδομένων ή μηχανικός που ενδιαφέρεται να παραμείνει στην αιχμή της επιστήμης δεδομένων, σας ενθαρρύνω να ζήσετε την δύναμη της FeatureByte δωρεάν.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν FeatureByte.