Jorge Torres, Co-fundador y CEO de MindsDB – Serie de entrevistas

Jorge Torres es el co-fundador y CEO de MindsDB, una plataforma que ayuda a cualquier persona a utilizar el poder del aprendizaje automático para hacer preguntas predictivas sobre sus datos y recibir respuestas precisas. MindsDB también es un graduado de la reciente clase de invierno de 2020 de YCombinator y fue reconocida recientemente como una de las empresas de inteligencia artificial más prometedoras de América por Forbes.

¿Qué te atrajo inicialmente al aprendizaje automático?

Es una historia interesante. En 2008, vivía y trabajaba en Berkeley para una startup llamada Couchsurfing y vi esta clase, (cs188- Introducción al aprendizaje automático). Aunque no estaba afiliado a la universidad en ese momento, le pedí al profesor John DeNero si podía asistir a una clase y me permitió hacerlo. Este profesor era brillante y realmente hizo que todos se enamoraran del tema. Fue lo mejor que me pasó. Me sorprendió que las computadoras pudieran aprender a resolver un problema, me di cuenta de que esto se estaba moviendo rápidamente y decidí hacer de ello mi carrera.

Hay unos pocos eventos definitorios de generación en la tecnología que solo ocurren unas pocas veces en la vida de uno. Tuve la suerte de ser testigo del nacimiento de Internet, pero era demasiado joven para ser algo más que un observador pasivo. Creo que el aprendizaje automático es ese próximo evento definitorio de generación, y quería ser parte de él de alguna manera para impulsar hacia adelante la tecnología y la forma en que la utilizamos.

MindsDB se inició en la UC Berkeley en 2018, ¿puedes compartir algunas ideas sobre esos primeros días?

La UC Berkeley es una de las grandes instituciones de investigación del mundo y tiene una historia de crear y apoyar software de código abierto, y pensamos que no había mejor lugar para iniciar MindsDB. Nuestros valores estaban alineados, nos ofrecieron nuestro primer cheque a través del acelerador UC Berkeley Skydeck y el resto, como se dice, es historia.

Los primeros días no fueron muy diferentes a los de muchas startups en la región de la Bahía – tres personas trabajando largas horas en algo en lo que todos creían, pero que solo tenían una pequeña posibilidad de éxito. La única diferencia es que en lugar de trabajar en un garaje polvoriento en Palo Alto, estábamos en la relativa comodidad del espacio de coworking Skydeck Penthouse (sin renta).

Creo que hay un enorme poder en los datos. Cuanto más datos tenga una empresa, más podrá impulsar su negocio hacia adelante. Pero solo si pueden obtener información significativa de ellos.

En el otoño de 2017, mi mejor amigo Adam Carrigan (COO) y yo llegamos a la conclusión de que demasiadas empresas enfrentaban limitaciones al extraer información significativa de sus datos. Se dieron cuenta de que una de las mayores limitaciones era en cómo muchas de estas empresas estaban subutilizando gravemente el poder de la inteligencia artificial. Creíamos que el aprendizaje automático podría hacer que los datos, y la inteligencia que pueden proporcionar, sean accesibles para todos. Por eso diseñamos una plataforma que permitiría a cualquier persona utilizar el poder del aprendizaje automático para hacer preguntas predictivas sobre sus datos y recibir respuestas precisas de ellos.

Llamamos a esta plataforma MindsDB y nos enfocamos en seguir haciendo que sea increíblemente fácil para los desarrolladores crear rápidamente la próxima ola de aplicaciones centradas en inteligencia artificial que transformarán la forma en que vivimos y trabajamos, y para que las empresas extraigan información de sus datos.

¿Por qué MindsDB se enfocó en resolver el problema de ser centrado en los datos en lugar de centrado en el aprendizaje automático?

Si miras la gran mayoría de la investigación en inteligencia artificial, una gran parte proviene de instituciones académicas. La investigación en aprendizaje automático ha sido históricamente centrada en los modelos porque es donde las instituciones de investigación pueden agregar valor percibido; más investigación mejora los modelos o crea nuevos, lo que produce mejores resultados. Ser centrado en los datos, por otro lado, agregar mejores datos de calidad o más relevantes a un enfoque existente no es fácilmente publicable (el KPI clave para los investigadores).

Sin embargo, la gran mayoría de los problemas de aprendizaje automático aplicados de hoy en día se benefician mucho más de los datos mejorados que de los modelos mejorados. Esto también se alinea bien con nuestra misión de democratizar el aprendizaje automático, la gran mayoría de las personas fuera del espacio de aprendizaje automático no saben mucho sobre aprendizaje automático, pero seguro que saben mucho sobre sus datos.

Vimos que había dos tipos de empresas, por un lado, empresas con datos en la base de datos, por otro, empresas que no habían descubierto las bases de datos todavía, nos dimos cuenta de que si una empresa estaba en el grupo de bases de datos, su madurez de datos ya los había puesto en el camino correcto para poder aplicar realmente el aprendizaje automático, mientras que las empresas que no habían descubierto las bases de datos todavía tenían un largo camino por recorrer, así que nos enfocamos en proporcionar valor para aquellos que podían extraerlo realmente.

¿Cómo aborda MindsDB la modelización y la implementación en SQL plano?

Creamos representaciones de modelos como tablas que se pueden consultar, así que efectivamente eliminamos el concepto de “implementación” de la imagen. Cuando escribes en una base de datos CREATE VIEW, esa vista está viva en cuanto se completa el procesamiento de la orden, lo mismo sucede cuando haces CREATE MODEL en MindsDB.

La gente ama MindsDB debido a la simplificación que han traído al ciclo de vida de ML-Ops, ¿por qué es tan importante simplificar la implementación del aprendizaje automático?

La gente lo ama porque abstrae pipelines de ETL innecesarios, así que hay menos cosas que mantener. Nuestro enfoque es obtener que los usuarios extraigan el valor del aprendizaje automático, sin tener que pensar en mantener la infraestructura de aprendizaje automático si ya mantienen la infraestructura de datos.

¿Cuáles son algunas de las ventajas y riesgos de ser una startup de código abierto en comparación con una startup tradicional?

Un proyecto de código abierto puede comenzar con solo una idea, y la gente te ayudará a construirlo en el camino, en el enfoque de código cerrado debes comenzar con las mismas suposiciones, pero debes tener razón porque nadie te ayudará a mejorar tu producto (al menos no en el mismo volumen que en código abierto), piensa en código abierto como un enfoque de ajuste de producto colaborativo.

MindsDB acaba de recaudar una inversión de $16.5M de Benchmark para poner el aprendizaje automático en más aplicaciones, ¿por qué Benchmark es el inversor perfecto y cómo se alinea su visión con la tuya?

Benchmark tiene un récord impecable en nuestra industria, Chetan ha ayudado a empresas como Mongodb, Elastic, Airbyte a convertirse en líderes mundiales en sus respectivos ámbitos. Creemos que no hay mejor ajuste para MindsDB que Chetan y Benchmark capital.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar MindsDB.