Edward Cui, Gravitin perustaja ja toimitusjohtaja – Haastattelusarja

Edward Cui on Gravitin perustaja ja toimitusjohtaja, yrityksessä joka kehittää seuraavan sukupolven data-alustaa, joka muuttaa perustavanlaatuisesti keinoja, joilla kehittäjät vuorovaikuttavat rakenteettoman datan kanssa. Gravitin avulla AI-kehittäjät voivat hankkia, tallentaa ja prosessoida dataa nopeammin ja helpommin – perusta hyödyntääksesi tekoälyä kaikissa aloissa.

Alkoit sinä opintosi insinööritutkinnolla, mitä aiheutti muutoksen tietotekniikkaan ja tekoälyyn?

Opiskelin alun perin konetekniikkaa vuonna 2012. Otin koneoppimisen kurssin Pennsylvanian yliopistossa, joka oli mielenavaava, ja tiesin, että se on tulevaisuus ja se, mitä haluan tehdä urallani. Kurssin jälkeen siirryin tietotekniikkaan.

Valmistumisen jälkeen tein tutkimusta vahvistusoppimisesta Pennsylvanian yliopistossa. Vuonna 2015 entinen esimieheni, Jeff Snyder, liittyi Uberiin ja kutsui minut liittymään Uber ATG:hen. Se oli urani alku itseajavien autojen teollisuudessa.

Voitko jakaa Gravitin syntytarinan?

Työskentely Uberissa oli aluksi hyvin monimutkainen, koska ihmiset eivät käyttäneet suuria koneoppimismalleja ja meillä ei ollut tarpeeksi laskentakapasiteettia ja datahallintaplatfoormaa kouluttaa malleja. Itseajavien autojen keräämä data oli kaikki rakenteetonta. Esimerkiksi ne olivat kuvia, videoita, LIDAR-pisteitä. Kaikenlaista dataa todellisen maailman antureista ja keräsimme valtavat määrät rakenteetonta dataa joka päivä. Teimme tilastot, jotka kertoivat, että itseajavien autojen osastossa keräämämme datamäärä viikossa oli sama kuin koko ravintola-alan keräämä data koko vuoden ajan. Valtaisia määriä rakenteetonta dataa kertyi joka päivä, mikä loi suuria ongelmia siinä, miten dataa säilitetään, miten dataa hallitaan ja miten dataa voidaan käyttää luomaan arvoa eri organisaatioille.

Kolmen vuoden työn jälkeen Uberissä näin mahdollisuuden parantaa suurten rakenteettomien datamäärien hallintaa. Perustin Gravitin vuonna 2019 kiihdyttääkseni tekoälyinnovaatioita rakentamalla rakenteettoman datan hallintaplatfoorman.

Voitko keskustella siitä, miten Graviti on alusta datan hallintaan ja rakenteistamiseen suuressa mittakaavassa?

Graviti pyrkii lanseeraamaan ensimmäisen data-alustan, joka mahdollistaa organisaatioille työskennellä suurten määrien rakenteettoman datan kanssa voimaannuttaakseen innovatiivisia tekoälysovelluksia. Tämä alusta poistaa vaivat ja auttaa kehittäjiä hallitsemaan suuria määriä rakenteetonta dataa tiimissä.

Vaikka suurin osa tekoälykehityksessä käytettävissä olevasta tiedosta on matalalaatuista ja rakenteetonta, kehitystiimit viettävät yleensä yli 50 % ajastaan – ei mallien rakentamisessa – vaan rakenteettoman datan tunnistamisessa, täydentämisessä tai puhdistamisessa, ja se on vasta työn alku. Graviti tarjoaa asiantuntijamaisemman tavan hallita dataa, vapauttaa kehittäjiä ja antaa heille enemmän aikaa analyysille rakenteettoman datan ja tekoälymallien kouluttamiseen.

Autamme kehittäjiä kolmessa ulottuvuudessa: datan löytäminen, datan iteraatio ja työnkulkujen automaatio.

Datan löytäminen:

Graviti tarjoaa data-isäntäominaisuuden, joka tekee raakadatan, annotaatioiden ja metadatan järjestämisen helpommaksi yhdistämällä tietojoukon ja annotaatiomuodot. Kun tekoälykehittäjät pääsevät Gravitin kautta eri tietoalueisiin, he eivät tarvitse muuttaa datamuotoja, mikä yksinkertaistaa hallintaa, kyselyjä, pääsyä ja muita annotaatioihin liittyviä toimintoja. Graviti auttaa vähentämään raakadatan ja annotaatioiden väärinkäsitysten mahdollisuutta. Lisäksi Gravitin alusta voi auttaa kehittäjiä arvioimaan tietojoukkojen laatua datavisualisointiominaisuuden avulla, mikä säästää kehittäjille vähintään kahdeksan tuntia viikossa.

Datan iteraatio:

Kun kehittäjät kouluttavat tekoälyään, he tarvitsevat testata eri versioita tietoalueista tuloksien näkemiseksi ja annotaatioiden merkitsemiseksi. Haaste on eri versioiden ja tiimin jäsenten työn seuraaminen samassa projektissa. Graviti tarjoaa ratkaisun sallimalla eri tasoisten pääsyoikeuksien määrittämisen työntekijöille, jotta he voivat ladata annotaationsa jäljittääksesi projektin edistymistä ja työskennellä yhtäaikaisesti.

Työnkulkujen automaatio:

“Toiminnon” ominaisuuden avulla insinöörit voivat automatisoida työnkulkuja ja vähentää toistuvia, aikaa vieviä ja manuaalisia tehtäviä. Se vapauttaa kehittäjät kirjoittamasta suuria manuaalisia skriptejä saavuttaakseen nämä työnkulut, ja avaa aikaa heille tehdä työtä, jota heidän on tehtävä.

Miksi rakenteeton data on tekoälyn tulevaisuus?

Yli 80 % yritysten datasta on rakenteetonta, kuten kuvia, äänityksiä, videoita, sosiaalisen median viestejä jne. Tekoäly on avain arvon toimittamiseen rakenteettomasta datasta. Yritykset alkavat hyödyntää rakenteetonta dataa syvemmän tutkimuksen ja analyysin tukemiseksi.

Graviti on vastikään lanseerannut OpenBytesin, voitko keskustella siitä, mitä OpenBytes on erityisesti?

OpenBytesin tehtävänä on helpottaa datan jakamista tekoälyyhteisössä luomalla datastandardeja, -muotoja ja -prosesseja, jotka mahdollistavat datan luomisen. OpenBytesin piiriin kuuluvat avoimien tietojoukkojen, avoimien dataohjeiden ja yhteisöllisen kehityksen kuraatio avoimien lisenssien alaisuudessa, jotka tukevat tehtävää, mukaan lukien dokumentaatio, testaus, integrointi ja muiden artefaktien luominen, jotka auttavat avoimen lähdekoodin projektin kehittämistä, käyttöönottoa, toimintaa tai omaksumista.

OpenBytes voi vähentää dataantribuutoreiden vastuun riskejä. Tietojoukkojen haltijat ovat epävarmoja jakamaan tietojaan julkisesti datalisensointitietämyksen puutteen vuoksi. Kun tietojoukkojen antribuuttorit liittyvät OpenBytesiin, heidän dataansa suojellaan, ja enemmän avoimia tietoja tulee saataville.

Luomme myös yhdenmukaisen tietojoukon muodon julkaisemiseen, jaettavaksi ja vaihdettavaksi. Yhdenmukainen muoto auttaa dataantribuutoreja ymmärtämään tietoja ja löytämään tarvittavat tiedot, mikä johtaa laadukkaampiin avoimiin tietojoukkoihin.

Mitkä ovat avoimien tietojoukkojen hyödyt?

Ne hyödyttävät tutkijoita, koska tutkijat saavat enemmän vapaita resursseja käyttääkseen mallien kouluttamiseen ja tutkimuksen tekemiseen.

Ne hyödyttävät yrityksiä, jotka käyttävät tietoja rakentaakseen tekoälykykyjä ja voimaannuttaakseen siirtymistä perinteisistä yrityksistä tekoälyyrityksiin.

Miten Graviti todentaa tietojoukkojen laadun?

Jopa suositut tietojoukot, kuten COCO ja KITTI, eivät ole täydellisiä kehittäjille. Virheitä esiintyy aina, kun kehittäjät kouluttavat malleja, eikä kukaan ole löytänyt hyvää tapaa parantaa tietojoukkojen laatua. Graviti uskoo, että tietojoukon arviointimalli perustetaan tai jotkin muut tekniset vallankumoukset auttavat yhteisöä ratkaisemaan ongelman, ja se on osa Gravitin tehtävää tulevaisuudessa.

Mikä on visiosi tulevaisuuden kehittäjien datan käyttöön?

Pienille datamäärille kehittäjien on helppo päästä niihin. Suuremmille datamäärille, kuten monipuolisemmille tietoalueille mallien kouluttamiseksi, federated learning -tekniikka auttaa työskentelemään yhteistyössä irtaamalla mahdollisuuden tehdä koneoppimista tallentamatta dataa keskuspalvelimeen.

Onko mitään muuta, mitä haluaisit jakaa Gravitista?

Graviti kehittyy. Kuuntelemme asiakkaidemme palautetta, mukaan lukien startupit, yritykset, yksittäiset kehittäjät ja tutkijat. Otamme myös vastaan minkä tahansa yhteistyön tai kumppanuuden kaikista.

Näemme suuria mahdollisuuksia tekoälykehityksessä avoimista tietoista lähitulevaisuudessa. Rakennamme yhteisön avoimien tietojen jakamiseen ja osallistumiseen. Tämä hyödyttää tutkijoita edistääkseen tieteen rajoja ja yrityksiä jalostamaan mallejaan ja kehittääkseen teknologiaa vastavuoroisesti hyödyllisessä ympäristössä.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Graviti-sivustolla.