Στίβεν Χίλλιον, Αντιπρόεδρος Δεδομένων και Τεχνητής Νοημοσύνης στην Astronomer – Σειρά Συνεντεύξεων

Ο Στίβεν Χίλλιον είναι ο Αντιπρόεδρος Δεδομένων και Τεχνητής Νοημοσύνης στην Astronomer, όπου αξιοποιεί την εκτεταμένη ακαδημαϊκή του βάση σε ερευνηματικά μαθηματικά και hơn από 15 χρόνια εμπειρίας στην ανάπτυξη πλατφόρμων μηχανικής μάθησης στη Silicon Valley. Στην Astronomer, ηγείται της δημιουργίας χαρακτηριστικών Apache Airflow που έχουν σχεδιαστεί ειδικά για ομάδες ML και AI και εποπτεύει την εσωτερική ομάδα επιστημών δεδομένων. Υπό την ηγεσία του, η Astronomer έχει προχωρήσει την σύγχρονη πλατφόρμα ορχήστρασης δεδομένων, βελτιώνοντας σημαντικά τις ικανότητες των δεδομένων για να υποστηρίξει eine ποικιλία πηγών και εργασιών μέσω της μηχανικής μάθησης.

Μπορείτε να μοιραστείτε κάποιες πληροφορίες σχετικά με το ταξίδι σας στις επιστήμες δεδομένων και την τεχνητή νοημοσύνη, και πώς έχει διαμορφώσει την προσέγγισή σας στην ηγεσία ομάδων μηχανικής και αναλυτικών;

Είχα μια βάση σε ερευνηματικά μαθηματικά στο Μπέρκλεϊ πριν μετακομίσω στην άλλη πλευρά της خώρας στη Silicon Valley και δούλεψα ως μηχανικός σε μια σειρά επιτυχημένων start-up. Ήμουν ευτυχισμένος να αφήσω πίσω την πολιτική και τη γραφειοκρατία της ακαδημαϊκής κοινότητας, αλλά σύντομα ανακάλυψα ότι μου έλειπε η μαθηματική. Έτσι, μετατόπισα την προσοχή μου στην ανάπτυξη πλατφόρμων για μηχανική μάθηση και αναλυτικά, και αυτό είναι το που είμαι από τότε.

Η εκπαίδευσή μου στα καθαρά μαθηματικά έχει οδηγήσει σε μια προτίμηση για αυτό που οι επιστήμονες δεδομένων ονομάζουν «παρίμωση» — το σωστό εργαλείο για την εργασία, και τίποτα περισσότερο. Επειδή οι μαθηματικοί τείνουν να προτιμούν τις εύγλωττες λύσεις πάνω από τις σύνθετες μηχανές, έχω πάντα προσπαθήσει να τονίσω την απλότητα όταν εφαρμόζω τη μηχανική μάθηση σε προβλήματα επιχειρήσεων. Η βαθιά μάθηση είναι υπέροχη για ορισμένες εφαρμογές — τα μεγάλα γλωσσικά μοντέλα είναι εξαιρετικά για την περίληψη εγγράφων, για παράδειγμα — αλλά μερικές φορές ένα απλό μοντέλο παλινδρόμησης είναι πιο κατάλληλο και πιο εύκολο να εξηγηθεί.

Έχει sido ενδιαφέρον να δω τον μεταβαλλόμενο ρόλο του επιστήμονα δεδομένων και του μηχανικού λογισμικού αυτά τα τελευταία 20 χρόνια από τότε που η μηχανική μάθηση έγινε ευρέως διαδεδομένη. Έχοντας φορούν και τα δύο καπέλα, είμαι πολύ συνειδητός της σημασίας του κύκλου ζωής ανάπτυξης λογισμικού (ειδικά αυτοματοποίηση και δοκιμές) όπως εφαρμόζεται σε προγράμματα μηχανικής μάθησης.

Ποια είναι οι μεγαλύτερες προκλήσεις στο μετασχηματισμό, την επεξεργασία και την ανάλυση μη δομημένων δεδομένων για την τεχνητή νοημοσύνη και τα μεγάλα γλωσσικά μοντέλα (LLMs);

Στον κόσμο της Γεννητικής Τεχνητής Νοημοσύνης, τα δεδομένα σας είναι το πιο πολύτιμο περιουσιακό στοιχείο. Τα μοντέλα γίνονται ολοένα και περισσότερο εμπορικά, οπότε η διαφοροποίηση σας είναι όλη αυτή η δύσκολα κερδισμένη θεσμική γνώση που έχει συλλεχθεί στα προσωπικά και επιμελημένα συνόλα δεδομένων σας.

Η παράδοση των σωστών δεδομένων στην σωστή στιγμή θέτει υψηλές απαιτήσεις στις πipelines δεδομένων — και αυτό ισχύει για μη δομημένα δεδομένα τόσο quanto για δομημένα δεδομένα, ή ίσως περισσότερο. Συχνά εσείς εισάγετε δεδομένα από πολλές διαφορετικές πηγές, σε πολλές διαφορετικές μορφές. Χρειάζεστε πρόσβαση σε eine ποικιλία μεθόδων για να ξεπακετάρετε τα δεδομένα και να τα ετοιμάσετε για χρήση σε έξοδο μοντέλου ή εκπαίδευση μοντέλου. Επίσης, πρέπει να κατανοήσετε την προέλευση των δεδομένων και να δείτε πού καταλήγουν για να «δείξετε το έργο σας».

Εάν κάνετε αυτό μόνο μια φορά για να εκπαιδεύσετε ένα μοντέλο, είναι εντάξει. Δεν χρειάζεται να το λειτουργήσετε. Εάν χρησιμοποιείτε το μοντέλο καθημερινά, για να κατανοήσετε την αίσθηση του πελάτη από διαδικτυακά φόρουμ, ή για να συνοψίσετε και να διανείμετε τιμολόγια, τότε αρχίζει να μοιάζει με οποιαδήποτε άλλη λειτουργική pipeline δεδομένων, που σημαίνει ότι πρέπει να σκεφτείτε τη αξιοπιστία και την αναπαραγωγιμότητα. Ή εάν ρυθμίζετε το μοντέλο τακτικά, τότε πρέπει να ανησυχείτε για την παρακολούθηση της ακρίβειας και του κόστους.

Η καλή είδηση είναι ότι οι μηχανικοί δεδομένων έχουν αναπτύξει μια υπέροχη πλατφόρμα, το Airflow, για τη διαχείριση των pipelines δεδομένων, η οποία έχει ήδη εφαρμοστεί επιτυχώς στη διαχείριση της ανάπτυξης μοντέλων και της παρακολούθησης από κάποιους από τους πιο εξειδικευμένους ML ομάδες στον κόσμο. Οπότε τα μοντέλα μπορεί να είναι καινούργια, αλλά η ορχήστρα δεν είναι.

Μπορείτε να εξηγήσετε τη χρήση συνθετικών δεδομένων για την λεπτομέρεια μικρότερων μοντέλων για ακρίβεια; Πώς αυτό συγκρίνεται με την εκπαίδευση μεγαλύτερων μοντέλων;

Είναι μια ισχυρή τεχνική. Μπορείτε να σκεφτείτε τα καλύτερα μεγάλα γλωσσικά μοντέλα ως κάτι που ενσωματώνει ό,τι έχουν μάθει για τον κόσμο, και μπορούν να μεταφέρουν αυτό σε μικρότερα μοντέλα δημιουργώντας συνθετικά δεδομένα. Τα LLMs ενσωματώνουν τεράστιες ποσότητες γνώσεων που έχουν μάθει από εκτεταμένη εκπαίδευση σε διαφορετικά συνόλα δεδομένων. Αυτά τα μοντέλα μπορούν να δημιουργήσουν συνθετικά δεδομένα που καταγράφουν τα πρότυπα, τις δομές και τις πληροφορίες που έχουν μάθει. Αυτά τα συνθετικά δεδομένα μπορούν να χρησιμοποιηθούν για την εκπαίδευση μικρότερων μοντέλων, μεταφέροντας αποτελεσματικά κάποιες από τις γνώσεις από τα μεγαλύτερα μοντέλα στα μικρότερα. Αυτή η διαδικασία ονομάζεται «εξαγωγή γνώσεων» και βοηθά στην δημιουργία αποτελεσματικών, μικρότερων μοντέλων που εξακολουθούν να εκτελούν καλά συγκεκριμένες εργασίες. Και με συνθετικά δεδομένα, μπορείτε να αποφύγετε προβλήματα ιδιωτικότητας και να γεμίσετε τα κενά στα δεδομένα εκπαίδευσης που είναι μικρά ή ατελή.

Αυτό μπορεί να είναι χρήσιμο για την εκπαίδευση ενός πιο τομεακού γεννητικού μοντέλου AI, και μπορεί ακόμη και να είναι πιο αποτελεσματικό από την εκπαίδευση ενός «μεγαλύτερου» μοντέλου, με μεγαλύτερο έλεγχο.

Οι επιστήμονες δεδομένων έχουν δημιουργήσει συνθετικά δεδομένα για καιρό και η συμπλήρωση έχει υπάρξει όσο υπάρχουν ακατάστατα συνόλα δεδομένων. Αλλά πάντα πρέπει να είστε πολύ προσεκτικοί ότι δεν εισάγετε προκαταλήψεις ή κάνετε λάθος υποθέσεις για τη διανομή των δεδομένων. Τώρα που η δημιουργία συνθετικών δεδομένων είναι τόσο εύκολη και ισχυρή, πρέπει να είστε ακόμη πιο προσεκτικοί. Οι λάθη μπορούν να μεγαλώσουν.

Μια έλλειψη ποικιλίας στα γεννημένα δεδομένα μπορεί να οδηγήσει σε «κατάρρευση μοντέλου». Το μοντέλο πιστεύει ότι κάνει καλά, αλλά αυτό είναι επειδή δεν έχει δει την πλήρη εικόνα. Και, γενικότερα, μια έλλειψη ποικιλίας στα δεδομένα εκπαίδευσης είναι κάτι που οι ομάδες δεδομένων πρέπει πάντα να ψάχνουν.

Σε βασικό επίπεδο, ανεξάρτητα από το εάν χρησιμοποιείτε συνθετικά δεδομένα ή οργανικά δεδομένα, η προέλευση και η ποιότητα είναι परमοντ για την εκπαίδευση ή την λεπτομέρεια οποιουδήποτε μοντέλου. Όπως γνωρίζουμε, τα μοντέλα είναι τόσο καλά όσο τα δεδομένα στα οποία εκπαιδεύονται. Ενώ τα συνθετικά δεδομένα μπορούν να είναι ένα υπέροχο εργαλείο για να αντιπροσωπεύουν ένα ευαίσθητο σύνολο δεδομένων χωρίς να το εκθέσουν ή να γεμίσουν τα κενά που μπορεί να απουσιάζουν από ένα αντιπροσωπευτικό σύνολο δεδομένων, πρέπει να έχετε μια χαρτογράφηση που δείχνει από πού προέρχονται τα δεδομένα και να μπορείτε να αποδείξετε το επίπεδο ποιότητας τους.

Ποια είναι κάποιες καινοτόμες τεχνικές που η ομάδα σας στην Astronomer εφαρμόζει για να βελτιώσει την αποδοτικότητα και την αξιοπιστία των pipelines δεδομένων;

Πολλές! Η πλήρως διαχειριζόμενη υποδομή Airflow της Astro και ο Hypervisor της Astro υποστηρίζουν δυναμική κλιμάκωση και προληπτική παρακολούθηση μέσω προηγμένων μετρητών υγείας. Αυτό εξασφαλίζει ότι οι πόροι χρησιμοποιούνται αποτελεσματικά και ότι τα συστήματα είναι αξιόπιστα σε mọi κλίμακα. Η Astro παρέχει ισχυρή ενημέρωση δεδομένων με προσαρμόσιμες ειδοποιήσεις που μπορούν να σταλούν μέσω διαφόρων καναλιών όπως το Slack και το PagerDuty. Αυτό εξασφαλίζει έγκαιρη παρέμβαση πριν τα προβλήματα εξελιχθούν.

Οι δοκιμές επαλήθευσης δεδομένων, οι μονάδες δοκιμών και οι ελέγχοι ποιότητας δεδομένων παίζουν ζωτικά ρόλους στην εξασφάλιση της αξιοπιστίας, της ακρίβειας και της αποδοτικότητας των pipelines δεδομένων και τελικά των δεδομένων που τροφοδοτούν την επιχείρησή σας. Αυτοί οι έλεγχοι εξασφαλίζουν ότι ενώ χτίζετε γρήγορα pipelines δεδομένων για να πληρώσετε τις προθεσμίες σας, αυτά ενεργά πιάνουν τα λάθη, βελτιώνουν τους χρόνους ανάπτυξης και μειώνουν τα απρόβλεπτα λάθη στο φόντο. Στην Astronomer, έχουμε δημιουργήσει εργαλεία όπως το Astro CLI για να βοηθήσουμε να ελέγξουμε τη λειτουργικότητα του κώδικα ή να αναγνωρίσουμε προβλήματα ολοκλήρωσης μέσα στην pipeline δεδομένων.

Πώς βλέπετε την εξέλιξη της διακυβέρνησης της γεννητικής τεχνητής νοημοσύνης, και ποια μέτρα πρέπει να ληφθούν για να υποστηρίξουν τη δημιουργία περισσότερων εργαλείων;

Η διακυβέρνηση είναι απαραίτητη εάν οι εφαρμογές της Γεννητικής Τεχνητής Νοημοσύνης θα είναι επιτυχείς. Όλα έχουν να κάνουν με τη διαφάνεια και την αναπαραγωγιμότητα. Ξέρετε πώς έχετε λάβει αυτό το αποτέλεσμα, και από πού, και από ποιόν; Το Airflow από μόνο του ήδη σας δίνει έναν τρόπο να δείτε τι κάνουν τα μεμονωμένα pipelines δεδομένων. Η διεπαφή χρήστη ήταν ένας από τους λόγους για την ταχεία υιοθέτησή του στις αρχές, και στην Astronomer έχουμε αυξήσει αυτό με ορατότητα σε ομάδες και αναπτύξεις. Επίσης, παρέχουμε στους πελάτες μας με Reporting Dashboards που προσφέρουν綜合ετικές εποπτικές για τη χρήση της πλατφόρμας, την απόδοση και την απόδοση κόστους για ενημερωμένες αποφάσεις. Επιπλέον, η Astro API επιτρέπει στις ομάδες να αναπτύσσουν, να αυτοματοποιούν και να διαχειρίζονται τις pipelines Airflow τους προγραμματικά, μειώνοντας τους κινδύνους που συνδέονται με τις χειροκίνητες διαδικασίες και εξασφαλίζοντας ομαλή λειτουργία σε κλίμακα όταν διαχειρίζεστε πολλαπλά περιβάλλοντα Airflow. Οι ικανότητες προέλευσης είναι ενσωματωμένες στην πλατφόρμα.

Αυτά είναι όλα βήματα προς τη βοήθεια για τη διαχείριση της διακυβέρνησης δεδομένων, και πιστεύω ότι οι εταιρείες όλων των μεγεθών αναγνωρίζουν τη σημασία της διακυβέρνησης δεδομένων για την εξασφάλιση της εμπιστοσύνης στις εφαρμογές AI. Αυτή η αναγνώριση και η ευαισθητοποίηση θα οδηγήσουν σε μεγάλο βαθμό την ζήτηση για εργαλεία διακυβέρνησης δεδομένων, και προβλέπω τη δημιουργία περισσότερων από αυτά τα εργαλεία να επιταχύνει καθώς η γεννητική τεχνητή νοημοσύνη εξαπλώνεται. Αλλά πρέπει να είναι μέρος του μεγαλύτερου στοίβας ορχήστρας, που είναι γιατί το θεωρούμε фундаментальным για τον τρόπο που χτίζουμε την πλατφόρμα μας.

Μπορείτε να παράσχετε παραδείγματα του πώς οι λύσεις της Astronomer έχουν βελτιώσει την λειτουργική αποδοτικότητα και την παραγωγικότητα για τους πελάτες;

Οι διαδικασίες της γεννητικής τεχνητής νοημοσύνης περιλαμβάνουν σύνθετες και πόρων-εντατικές εργασίες που πρέπει να оптимιστούν και να εκτελεστούν επανειλημμένα. Η Astro, η διαχειριζόμενη πλατφόρμα Apache Airflow της Astronomer, παρέχει ένα πλαίσιο στο κέντρο του αναδυόμενου στοίβας εφαρμογών AI για να βοηθήσει στην απλοποίηση αυτών των εργασιών και να ενισχύσει την ικανότητα να καινοτομεί γρήγορα.

Με την ορχήστρα των εργασιών της γεννητικής τεχνητής νοημοσύνης, οι επιχειρήσεις μπορούν να εξασφαλίσουν ότι οι υπολογιστικοί πόροι χρησιμοποιούνται αποτελεσματικά και οι ροές εργασιών είναι βελτιωμένες και προσαρμοσμένες σε πραγματικό χρόνο. Αυτό είναι ιδιαίτερα σημαντικό σε περιβάλλοντα όπου τα γεννητικά μοντέλα πρέπει να ενημερωθούν συχνά ή να επαναεκπαιδευτούν με βάση νέα δεδομένα.

Με την αξιοποίηση της διαχείρισης ροής του Airflow και των ικανοτήτων ανάπτυξης της Astronomer, οι ομάδες μπορούν να δαπανήσουν λιγότερο χρόνο στη διαχείριση της υποδομής και να εστιάσουν την προσοχή τους στην μετατροπή δεδομένων και την ανάπτυξη μοντέλων, που επιταχύνει την ανάπτυξη εφαρμογών της γεννητικής τεχνητής νοημοσύνης και βελτιώνει την απόδοση.

Με αυτόν τον τρόπο, η πλατφόρμα Astro της Astronomer έχει βοηθήσει τους πελάτες να βελτιώσουν την λειτουργική αποδοτικότητα της γεννητικής τεχνητής νοημοσύνης σε eine ποικιλία περιπτώσεων. Για να αναφέρω κάποιες, περιπτώσεις περιλαμβάνουν την ανακάλυψη προϊόντων ηλεκτρονικού εμπορίου, την ανάλυση κινδύνου αποχώρησης πελατών, την αυτοματοποίηση υποστήριξης, την ταξινόμηση και περίληψη νομικών εγγράφων, την απόκτηση πληροφοριών προϊόντων από κριτικές πελατών και τη δυναμική προμήθεια κλάδων για την παραγωγή εικόνων προϊόντων.

Τι ρόλο παίζει η Astronomer στην ενίσχυση της απόδοσης και της κλιμάκωσης των εφαρμογών AI και ML;

Η κλιμάκωση είναι μια μεγάλη πρόκληση για τις επιχειρήσεις που αξιοποιούν τη γεννητική τεχνητή νοημοσύνη το 2024. Όταν μεταφέρεστε από το πρωτότυπο στην παραγωγή, οι χρήστες περιμένουν τις εφαρμογές της γεννητικής τεχνητής νοημοσύνης να είναι αξιόπιστες και να έχουν απόδοση, και για τις εξόδους που παράγουν να είναι αξιόπιστες. Αυτό πρέπει να γίνει με οικονομία και οι επιχειρήσεις όλων των μεγεθών πρέπει να μπορέσουν να αξιοποιήσουν το δυναμικό της. Με αυτό στο μυαλό, με τη χρήση της Astronomer, οι εργασίες μπορούν να κλιμακωθούν οριζόντια για να επεξεργαστούν δυναμικά μεγάλο αριθμό πηγών δεδομένων. Η Astro μπορεί να κλιμακωθεί ελαστικά τις αναπτύξεις και τους κλάδους που φιλοξενούνται, και η εκτέλεση εργασιών με αφιερωμένα είδη μηχανών παρέχει μεγαλύτερη αξιοπιστία και αποτελεσματική χρήση των υπολογιστικών πόρων. Για να βοηθήσουμε με το κομμάτι της οικονομίας, η Astro προσφέρει χαρακτηριστικά κλιμάκωσης-σε-μηδέν και υπνόλεπτου, που βοηθούν να ελέγξουν τα αυξανόμενα κόστη και να μειώσουν τις δαπάνες στο cloud. Επίσης, παρέχουμε πλήρη διαφάνεια σχετικά με το κόστος της πλατφόρμας. Η δική μου ομάδα δεδομένων παράγει αναφορές για την κατανάλωση που τις κάνουμε διαθέσιμες καθημερινά στους πελάτες μας.

Ποια είναι κάποιες μελλοντικές τάσεις στην τεχνητή νοημοσύνη και τις επιστήμες δεδομένων που είστε ενθουσιασμένοι γι’ αυτές, και πώς η Astronomer προετοιμάζεται για αυτές;

Η εξηγητική τεχνητή νοημοσύνη είναι ένα τεράστιο και ενδιαφέρον πεδίο ανάπτυξης. Είναι σχεδόν φανταστικό ναสามารถ κοιτάξετε τις εσωτερικές εργασίες των πολύ μεγάλων μοντέλων. Και είμαι επίσης ενδιαφερμένος να δω πώς η κοινότητα παλέψει με την περιβαλλοντική επίδραση της εκπαίδευσης και του συντονισμού μοντέλων. Στην Astronomer, συνεχίζουμε να ενημερώνουμε το Registry μας με όλες τις τελευταίες ολοκληρώσεις, ώστε οι ομάδες δεδομένων και ML να μπορέσουν να συνδεθούν με τις καλύτερες υπηρεσίες μοντέλων και τις πιο αποτελεσματικές πλατφόρμες υπολογισμού χωρίς κανένα βαρύ lifting.

Πώς οραματίζεστε την ολοκλήρωση των προηγμένων εργαλείων AI όπως τα LLMs με τα παραδοσιακά συστήματα διαχείρισης δεδομένων να εξελίσσεται τα επόμενα χρόνια;

Έχουμε δει τόσο η Databricks όσο και η Snowflake να κάνουν ανακοινώσεις πρόσφατα σχετικά με τον τρόπο που ενσωματώνουν την χρήση και την ανάπτυξη των LLMs στις αντίστοιχες πλατφόρμες τους. Άλλες DBMS και ML πλατφόρμες θα κάνουν το ίδιο. Είναι υπέροχο να δείτε τους μηχανικούς δεδομένων να έχουν τόσο εύκολη πρόσβαση σε τόσο ισχυρά μέθοδα, απευθείας από την γραμμή εντολών ή την πρόταση SQL.

Είμαι ιδιαίτερα ενδιαφερμένος για το πώς οι σχεσιακές βάσεις δεδομένων ενσωματώνουν τη μηχανική μάθηση. Περιμένω πάντα να δω τις μεθόδους ML να ενσωματωθούν στο πρότυπο SQL, αλλά για κάποιο λόγο οι δύο επιστήμες δεν έχουν ποτέ συνδεθεί πραγματικά. Ίσως αυτή τη φορά θα είναι διαφορετική.

Είμαι πολύ ενθουσιασμένος για το μέλλον των μεγάλων γλωσσικών μοντέλων για να βοηθήσουν το έργο του μηχανικού δεδομένων. Για αρχή, τα LLMs έχουν ήδη υπέροχη επιτυχία με την παραγωγή κώδικα, αν και οι πρώτες προσπάθειες να προσφέρουν στους επιστήμονες δεδομένων προτάσεις AI-κίνητες έχουν sido μεικτές: το Hex είναι υπέροχο, για παράδειγμα, ενώ η Snowflake είναι ανεπαρκής μέχρι τώρα. Αλλά υπάρχει τεράστιο δυναμικό να αλλάξει τη φύση του έργου για τις ομάδες δεδομένων, πολύ περισσότερο από ότι για τους dévelopers. Γιατί; Για τους dévelopers, η πρόταση είναι το όνομα της συνάρτησης ή τα έγγραφα, αλλά για τους μηχανικούς δεδομένων υπάρχει επίσης το δεδομένο. Υπάρχει τόσο πολύ контекст που τα μοντέλα μπορούν να δουλέψουν για να κάνουν χρήσιμες και ακριβείς προτάσεις.

Τι συμβουλή θα δίνατε στους πιθανούς επιστήμονες δεδομένων και μηχανικούς AI που επιδιώκουν να κάνουν μια επίδραση στη βιομηχανία;

Μάθετε κάνοντας. Είναι τόσο εύκολο να χτίσετε εφαρμογές αυτές τις μέρες, και να τις ενισχύσετε με τεχνητή νοημοσύνη. Οπότε χτίστε κάτι ωραίο, και στείλτε το σε ένα φίλο ενός φίλου που δουλεύει σε μια εταιρεία που θαυμάζετε. Ή στείλτε το σε μένα, και υπόσχομαι ότι θα το δω!

Το κόλπο είναι να βρείτε κάτι που σας ενδιαφέρει και να βρείτε μια καλή πηγή σχετικών δεδομένων. Ένας φίλος μου έκανε μια φανταστική ανάλυση των ανωμαλών σεζόν μπέιζμπολ πίσω στο 19ο αιώνα και ανακάλυψε ιστορίες που αξίζουν να γίνουν ταινίες. Και κάποιοι από τους μηχανικούς της Astronomer πρόσφατα ένωσαν τις δυνάμεις τους για να χτίσουν μια πλατφόρμα για αυτο-θεραπεία pipelines δεδομένων. Δεν μπορώ να φανταστώ να προσπαθώ να κάνω κάτι σαν κι αυτό πριν από quelques χρόνια, αλλά με μόλις λίγες ημέρες προσπάθειας κερδίσαμε το hackathon της Cohere και χτίσαμε τις βάσεις μιας νέας σημαντικής λειτουργίας στην πλατφόρμα μας.

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