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

Razi Raziuddin είναι ο Συνιδρυτής & Διευθύνων Σύμβουλος της FeatureByte, το όραμά του είναι να άρει το τελευταίο μεγάλο εμπόδιο για την κλιμάκωση του AI στις επιχειρήσεις. Η εμπειρία του Razi στις αναλύσεις και την ανάπτυξη περιλαμβάνει συμμετοχή στις ηγετικές ομάδες δύο startup με αποτίμηση 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 ριζική απλοποίηση και βιομηχανοποίηση των δεδομένων του AI. Η πλατφόρμα FEM (feature engineering και management) ενδυναμώνει τους επιστήμονες δεδομένων να δημιουργούν και να μοιράζονται υπερσύγχρονα 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 λύκειο, ήμουν μαγευμένος με μια μηχανή στην οποία μπορούσα να “μιλήσω” και να ελέγξω μέσω του κώδικα. Ήμουν αμέσως εθισμένος στις απεριόριστες δυνατότητες νέων εφαρμογών. Το machine learning αντιπροσώπευε μια αλλαγή παραδείγματος στον προγραμματισμό, 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.

Ήσασταν ο πρώτος εργαζόμενος που προσλήφθηκε στον επιχειρηματικό τομέα της DataRobot, μιας πλατφόρμας αυτοματοποιημένης μηχανικής μάθησης που επιτρέπει στους οργανισμούς να βασίζουν τη λειτουργία τους στην AI. Στη συνέχεια βοηθήσατε στην ανάπτυξη 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 ένα σπάνιο επίτευγμα, αλλά ένα εξαιρετικά ανταποδοτικό. Τα βασικά συμπεράσματα μου από αυτή την εμπειρία:

• Δημιουργήστε ένα εκπληκτικό προϊόν και αποφύγετε το κυνήγι των τάσεων
• 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 τη σωστή εταιρική κουλτούρα από την αρχή

Μπορείτε να μοιραστείτε την ιστορία γέννησης πίσω από την FeatureByte;

Είναι ένα γνωστό γεγονός στον κόσμο του AI/ML – ότι η εξαιρετική AI ξεκινά με εξαιρετικά 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 γνωρίσαμε αυτό το πρόβλημα από πρώτο χέρι στη DataRobot. Ενώ η μοντελοποίηση έχει γίνει πολύ απλούστερη χάρη στα εργαλεία AutoML, η μηχανική χαρακτηριστικών και η διαχείριση παραμένουν ένα 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 ακατέργαστων 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 εξαιρετικά σημαντική επειδή η διαδικασία είναι απευθείας υπεύθυνη για την απόδοση των μοντέλων ML. Η καλή μηχανική χαρακτηριστικών απαιτεί να συνδυαστούν τρεις σχετικά ανεξάρτητες δεξιότητες – 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 μεγάλους 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 στον κύκλο ζωής της μηχανικής μάθησης, η μηχανική χαρακτηριστικών παραμένει σύνθετη, χρονοβόρα και εξαρτημένη από εμπειρογνώμονες γνώσεις. Υπάρχει μια 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 ικανότητα να αναπτύξουν το AI σε κλίμακα.

Μπορείτε να μοιραστείτε κάποιες 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 δημιουργία ενός προϊόντος με δεκαπλάσιο πλεονέκτημα έναντι της σημερινής κατάστασης είναι πολύ δύσκολη. Ευτυχώς, ο Xavier έχει βαθιές γνώσεις επιστήμης δεδομένων που τις χρησιμοποιεί για να επανεξετάσει ολόκληρη τη ροή εργασίας των χαρακτηριστικών με βάση τις πρώτες αρχές. Έχουμε μια κορυφαία ομάδα επιστημόνων δεδομένων με ολοκληρωμένες δεξιότητες και μηχανικών που μπορούν να μετατρέψουν το όραμά 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 υπερσύγχρονα 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 ζωντανά δεδομένα, αντί να ανησυχούν για την υποκείμενη τεχνική υποδομή.

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 ικανότητα να απλοποιήσει διάφορες συνεχιζόμενες διαχειριστικές εργασίες;

Η πλατφόρμα FeatureByte σχεδιάστηκε για να διαχειριστεί ολόκληρο τον κύκλο ζωής των 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 πρόσβαση βάσει ρόλων και οι ροές εγκρίσεων επιχειρησιακού επιπέδου εξασφαλίζουν την ιδιωτικότητα και την ασφάλεια των δεδομένων, ενώ αποφεύγουν την εξάπλωση χαρακτηριστικών.

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

Τα περισσότερα εργαλεία AI για επιχειρήσεις 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 επαγγελματίες της AI: Να παρέχουμε έναν συνεπή, 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 την εξαιρετική συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν FeatureByte.