Razi Raziuddin, Συνιδρυτής & CEO της FeatureByte – Σειρά Συνεντεύξεων

Razi Raziuddin είναι ο Συνιδρυτής & CEO 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 εκτείνεται στην ηγετική ομάδα δύο startups που έχουν αξία πάνω από 1 δισεκατομμύριο δολάρια. Ο Razi βοήθησε να κλιμακωθεί η DataRobot από 10 σε 850 υπαλλήλους σε λιγότερο από έξι χρόνια. Πρωτοπόρησε μια στρατηγική πώλησης που βασίζεται στις υπηρεσίες, η οποία έγινε το σήμα κατατεθέν της ταχείας ανάπτυξης της DataRobot.

Η FeatureByte είναι σε μια αποστολή να κλιμακωσει το AI στις επιχειρήσεις, με ριζική απλοποίηση και βιομηχανοποίηση των δεδομένων του AI. Η πλατφόρμα feature engineering και διαχείρισης (FEM) ενδυναμώνει τους επιστήμονες δεδομένων να δημιουργούν και να μοιράζονται state-of-the-art χαρακτηριστικά και pipelines δεδομένων που είναι έτοιμες για παραγωγή 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 ξεκίνησε 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 αντιπροσωπεύει μια παραλλαγή στην προγραμματιστική, επιτρέποντας στις μηχανές να μαθαίνουν και να εκτελούν εργασίες χωρίς να ορίσω τα βήματα στον κώδικα. Η απεριόριστη δυνατότητα των εφαρμογών ML είναι αυτό που με κάνει ενθουσιασμένο κάθε μέρα.

Ήταν ο πρώτος επαγγελματίας που προσλήφθηκε στη DataRobot, μια αυτόματη πλατφόρμα machine learning που επιτρέπει στις οργανώσεις να γίνουν οδηγμένες από το AI. Στη συνέχεια, βοήθησε να κλιμακωθεί η εταιρεία 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 ενθαρρυντική και επιβραβεύουσα. 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 στην απεριόριστη δυνατότητα του AI. Είναι fascinující να δεις πώς αυτή η τεχνολογία μπορεί να χρησιμοποιηθεί σε πολλές διαφορετικές βιομηχανίες και εφαρμογές. Στο τέλος της ημέρας, η δημιουργία μιας νέας κατηγορίας είναι ένα σπάνιο κατόρθωμα, αλλά ένα εξαιρετικά επιβραβεύον. Τα βασικά συμπεράσματά μου από την εμπειρία:

• Δημιουργήστε ένα καταπληκτικό προϊόν και αποφύγετε να κυνηγήσετε τις μόδες
• Μην φοβάστε να είστε αντίθετοι
• Επικεντρωθείτε στο να λύσετε προβλήματα πελατών και να παρέχετε αξία
• Να είστε πάντα ανοιχτοί στην καινοτομία και στο να δοκιμάζετε νέες cosas
• Δημιουργήστε και ενσωματώστε τον σωστό πολιτισμό της εταιρείας από την αρχή

Μπορείτε να μοιραστείτε την ιστορία της γέννησης πίσω από τη FeatureByte;

Είναι ένα γνωστό γεγονός στον κόσμο του AI/ML – ότι το Great AI ξεκινά με μεγάλα δεδομένα. Αλλά η προετοιμασία, η ανάπτυξη και η διαχείριση των δεδομένων του AI (ή Χαρακτηριστικών) είναι σύνθετη και χρονοβόρα. Ο συνιδρυτής μου, Xavier Conort, και εγώ είδαμε αυτό το πρόβλημα από πρώτο χέρι στη DataRobot. Ενώ η μοντελοποίηση έχει γίνει εξαιρετικά απλοποιημένη χάρη στα εργαλεία AutoML, η μηχανική και διαχείριση χαρακτηριστικών παραμένει μια τεράστια πρόκληση. Βασισμένοι στην συνδυασμένη εμπειρία και εμπειρογνωσία μας, ο Xavier και εγώ αισθανθήκαμε ότι μπορούμε πραγματικά να βοηθήσουμε τις οργανώσεις να λύσουν αυτή την πρόκληση 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 μετασχηματισμού των raw δεδομένων σε χαρακτηριστικά – για να εκπαιδεύσει τα μοντέλα ML και να προβλέψει μελλοντικές εξελίξεις – ονομάζεται μηχανική χαρακτηριστικών.

Γιατί η μηχανική χαρακτηριστικών είναι μια από τις πιο σύνθετες πτυχές των projet 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 τρεις σχετικά ανεξάρτητες δεξιότητες να έρθουν μαζί – γνώση του domaine, επιστήμη δεδομένων και μηχανική δεδομένων. Η γνώση του domaine βοηθά τους επιστήμονες δεδομένων να καθορίσουν ποια σήματα να εξαγάγουν από τα δεδομένα για ένα συγκεκριμένο πρόβλημα ή περίπτωση χρήσης. Χρειάζεστε δεξιότητες 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 μεγάλη κλίμακα σε μεγάλους όγκους δεδομένων.

Στη μεγάλη πλειοψηφία των οργανισμών, αυτές οι δεξιότητες 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 έμπνευση σχετικά με το γιατί η μηχανική χαρακτηριστικών είναι ο πιο αδύναμος σύνδεσμος στην κλιμάκωση του AI;

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

Μπορείτε να μοιραστείτε κάποια από τις προκλήσεις πίσω από την κατασκευή μιας λύσης AI που επικεντρώνεται 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 εξαιρετικά δύσκολο. Ευτυχώς, ο Xavier έχει βαθιά γνώση της επιστήμης δεδομένων που την χρησιμοποιεί για να ξανασκέφτεται ολόκληρη τη ροή χαρακτηριστικών από τις αρχές. Έχουμε μια παγκόσμια ομάδα επιστημόνων δεδομένων και μηχανικών που μπορούν να μετατρέψουν την όρασή μας σε πραγματικότητα. Και χρήστες και εταίρους ανάπτυξης για να μας συμβουλεύουν σχετικά με την απλοποίηση του 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 επαναλαμβανόμενη διαδικασία που βασίζεται στην ταχεία πειραματική διαδικασία. Το ανοιχτό SDK FeatureByte είναι ένα δηλωτικό πλαίσιο για τη δημιουργία state-of-the-art χαρακτηριστικών με 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 επαναλάβουν γρήγορα με ζωντανούς δεδομένα, αντί να ανησυχούν για την υδραυλική.

Μπορείτε να συζητήσετε πώς η πλατφόρμα FeatureByte θα προσφέρει επίσης τη δυνατότητα να απλοποιήσει διάφορες συνεχιζόμενες εργασίες διαχείρισης;

Η πλατφόρμα FeatureByte σχεδιάστηκε για να διαχειριστεί τον ολοκληρωμένο κύκλο ζωής των χαρακτηριστικών ML. Το δηλωτικό πλαίσιο επιτρέπει στην FeatureByte να αναπτύξει 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 γραμμή, την έκδοση και την ορθότητα των χαρακτηριστικών όλα από το ίδιο GUI. Η εταιρική έγκριση και οι ροές εργασιών με βάση τον ρόλο διασφαλίζουν την ιδιωτικότητα και την ασφάλεια των δεδομένων, ενώ αποφεύγουν την εξάπλωση χαρακτηριστικών.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με τη FeatureByte;

Οι περισσότερες εταιρικές εργαλεία AI επικεντρώνονται στην βελτίωση των μοντέλων machine learning. Έχουμε κάνει μια αποστολή να βοηθήσουμε τις επιχειρήσεις να κλιμακωσουν το AI τους, απλοποιώντας και βιομηχανοποιώντας τα δεδομένα του AI. Στη FeatureByte, αντιμετωπίζουμε την μεγαλύτερη πρόκληση για τους praktikous του AI: Παρέχοντας ένα συνεπές, κλιμακώσιμο τρόπο να προετοιμάσετε, να εξυπηρετήσετε και να διαχειριστείτε δεδομένα σε όλη τη διάρκεια ζωής ενός μοντέλου, ενώ απλοποιώντας ριζικά ολόκληρη τη διαδικασία.

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

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν FeatureByte.